COMPOSITE (B-SEJ-242.UGR20)
Ficha Informativa
Investigadora Principal
Angeles Sánchez (UGR)
Equipo de Investigación
- Eduardo Jiménez-Fernández (UGR)
- María José Ruiz-Martos (UGR)
- María Victoria Navarro-Hernández (UGR)
Equipo de Trabajo
- Antonella D’Agostino (Parthenope University of Naples, Italy)
- Laura Neri (University of Siena, Italy)
Campo Científico
Ciencias Sociales, Económicas y Jurídicas (SEJ)
Duración
1 julio 2021 – 30 junio 2023
Programa
![](https://wpd.ugr.es/~composite/wp-content/uploads/2022/10/Logo-FEDER-Portrait.png)
Proyectos I+D+i del Programa Operativo FEDER 2020
![](https://wpd.ugr.es/~composite/wp-content/uploads/2022/10/Logo-UGR-Portrait.png)
Universidad de Granada - UGR (España)
Palabras Clave
En qué consiste COMPOSITE
Pobreza Multidimensional
Pobreza Infantil
Indicadores Compuestos
Machine Learning
Simulación
Propiedades Matemáticas
Modalidad del Proyecto
Retos de la sociedad andaluza
Sociedades inclusivas, innovadoras y reflexivas
Salud, cambio demográfico y bienestar social
Objetivo
Un Enfoque Metodológico Innovador
El objetivo de este proyecto es desarrollar un enfoque metodológico innovador para la construcción de indicadores compuestos robustos para la medición, el estudio y el seguimiento de la pobreza en Andalucía, tanto para toda la población como para la población infantil.
Para ello, la metodología que proponemos se apoya en dos pilares básicos:
- El concepto de métrica o distancia.
- Machine learning.
01 – Métrica
En primer lugar, las métricas o distancias (euclídeas o también fuzzymetrics) entre los indicadores simples y un target posibilita llevar a cabo el benchmarking. A pesar de su utilidad para realizar un seguimiento y evaluación comparativa entre diferentes unidades de análisis (grupos de personas, territorios, etc.) y a lo largo del tiempo, la mayoría de las metodologías de indicadores compuestos existentes carecen de estructura matemática consistente para abordar este desafío de benchmarking.
02 – Machine Learning
En segundo lugar, la utilización de técnicas matemáticas y computacionales muy innovadoras de machine learning nos permitirán identificar, de forma eficaz, los patrones de redundancia en la información aportada por los diferentes indicadores de pobreza y privación. Probablemente este es el aspecto en el que los métodos más utilizados para estudiar la pobreza, tales como head-counting, Distancia P2 y análisis de envolvente de datos, aportan resultados poco sólidos. Asimismo, se desarrollarán métodos de simulación para contrastar la robustez de los resultados.