dc.contributor | Sosa Escudero, Walter | |
dc.date.accessioned | 2022-02-14T15:45:38Z | |
dc.date.available | 2022-02-14T15:45:38Z | |
dc.date.created | 2022-02-14T15:45:38Z | |
dc.date.issued | 2021-12 | |
dc.identifier | http://hdl.handle.net/10908/18971 | |
dc.description.abstract | La literatura actual sobre trabajo infantil es amplia, y en su gran mayoría, los autores
buscan determinar sus causas y determinantes. No obstante, estos trabajos solamente utilizan
modelos de la econometría tradicional. Si el interés consiste en predecir trabajo infantil
generalmente se usan modelos como logit o probit. Existen otros modelos de la literatura de
machine learning que también son útiles para predecir, sin embargo el uso de estas técnicas
en este campo permanece casi sin explorar.
Este estudio busca comparar el desempeño de distintos modelos para predecir trabajo
infantil fuera de la muestra de entrenamiento. Los modelos utilizados son logit, random
forest, gradient boosted model, extrem grandient boost, ridge y lasso. A su vez, se puede
obtener información sobre cuáles son las variables más relevantes a la hora de predecir si un
niño, niña o adolescente trabaja. Saber cuáles son las variables más relevantes y cuál modelo
cumple mejor el objetivo de predecir trabajo infantil es de suma importancia y utilidad, esto
permitirá orientar de manera más efectiva los recursos escasos de los responsables de políticas
y de los distintos organismos internacionales. | |
dc.publisher | Universidad de San Andrés. Departamento de Economía | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.title | Prediciendo trabajo infantil : comparación de técnicas de econometría tradicional y machine learning | |
dc.type | Tesis | |
dc.type | info:eu-repo/semantics/masterThesis | |
dc.type | info:ar-repo/semantics/tesis de maestría | |
dc.type | info:eu-repo/semantics/updatedVersion | |