Evaluación de impacto en políticas públicas: un enfoque basado en modelos LSTM y algoritmos de boosting

• Autores: Domínguez, Martín Ariel; Giuliodori, David; Rodríguez, Alejandro
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Inteligencia Artificial (IA); Evaluación de impacto; Políticas públicas; Modelos LSTM; Algoritmos de boosting; Propensity Score Matching (PSM); Inferencia causal; Simulaciones de Monte Carlo; Eje temático: Gestión de gobierno y participación ciudadana; TECHNOLOGY
• Institución: Universidad Nacional de Córdoba

Fil: Domínguez, Martín Ariel. Universidad Nacional de Córdoba. Facultad de Matemáticas Astronomía Física y Computación; Argentina.
Fil: Giuliodori, David. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas. Instituto de Economía y Finanzas; Argentina.
Fil: Rodríguez, Alejandro. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.
La evaluación de impacto permite identificar los efectos causales de una intervención al comparar un grupo tratado con un grupo de control. Sin embargo, en contextos con asignación no aleatoria, como políticas públicas, surge el desafío de encontrar grupos de control comparables debido al sesgo de autoselección. Para abordar este problema, se propone la incorporación de modelos de aprendizaje automático (ML) que pueden capturar patrones complejos en los datos. Este trabajo compara cuatro enfoques: emparejamiento por puntaje de propensión (PSM), XGBoost, LightGBM y redes neuronales Long Short-Term Memory (LSTM). Se emplean datos sintéticos generados mediante simulaciones de Monte Carlo para evaluar el rendimiento de estas metodologías en escenarios con distintas configuraciones de dependencia temporal y complejidad en los datos. Los resultados preliminares sugieren que PSM es el método más efectivo cuando no hay dependencia temporal. Sin embargo, en escenarios con relaciones temporales complejas, LSTM reduce tanto el sesgo como el error cuadrático medio (MSE), destacándose como la opción más precisa. Por otro lado, los métodos de boosting, como XGBoost y LightGBM, no mostraron mejoras significativas en este contexto específico. Estos hallazgos resaltan la importancia de elegir la técnica adecuada en función de las características de los datos y las dinámicas temporales.
Fil: Domínguez, Martín Ariel. Universidad Nacional de Córdoba. Facultad de Matemáticas Astronomía Física y Computación; Argentina.
Fil: Giuliodori, David. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas. Instituto de Economía y Finanzas; Argentina.
Fil: Rodríguez, Alejandro. Universidad Nacional de Córdoba. Facultad de Ciencias Económicas; Argentina.