UNIVERSIDAD NACIONAL DEL

CENTRO DEL PER

FACULTAD DE ECONOMA

PLAN DE INVESTIGACIN
ENFOQUE MULTIDIMENSIONAL DE LA
POBREZA PARA EL CASO DEL
DISTRITO DE CULLHUAS 2015
ASIGNATURA

CATEDRTICO

ALUMNO

ECONOMETRIA II.

OSWALDO QUIROZ MARIN.

GONZALES SANTOS. EDGAR.
ARMAS

QUISPEALAYA KAREN LIZ

SEMESTRE

SEXTO.

HUANCAYO

2015

I. GENERALIDADES
1.1. Ttulo
Enfoque multidimensional de la pobreza para el caso del distrito de Cullhuas
2015
1.2. Tipo de investigacin
Descriptiva, transversal.
1.3. Localidad
Distrito de Cullhuas Huancayo Junn -2015
1.4. Unidad de anlisis
Hogares jefe de hogar

II. PLAN DE INVESTIGACIN

2.1. REALIDAD PROBLEMTICA

Es prctica comn utilizar las lneas de pobreza segn el consumo o el

ingreso. Desde esta perspectiva, pobres son aquellas personas que no
logran tener un ingreso para satisfacer un estndar mnimo de vida, no
cubren sus necesidades bsicas; las cuales estn relacionadas con los
requerimientos humanos de nutricin, salud, vivienda, vestuario, agua y
saneamiento. Por lo general, se especifica una canasta de productos y
servicios que satisfagan esas necesidades bsicas.
La pobreza medida como consumo difiere de la pobreza medida como
ingreso; el primer criterio mide el bienestar logrado y el segundo la
capacidad de un consumo futuro, es importante aclarar que se utilizarn sin
distincin las lneas de pobreza calculadas por consumo o por ingreso, salvo
indicacin contraria.
En la actualidad se retoma el estudio de la pobreza como la privacin
pronunciada de bienestar, pero tambin se incluyen otras dimensiones como

la vulnerabilidad y la exposicin al riesgo, y la falta de voz y de poder debida

a la exclusin que sufren los pobres de las instituciones del Estado y de la
sociedad en su conjunto.
La pobreza es multidimensional y que se han hecho esfuerzos para mejorar
los mtodos de medicin de la misma, pero todava falta mucho en el
desarrollo de sistemas de informacin robustos en los pases y en la
definicin de indicadores que sean medibles y comparables entre pases.
Por lo expuesto el presente estudio buscar determinar la pobreza en sus
diferentes dimensiones a travs de un modelo de eleccin discreta (Logit y
Probit).
2.2. FORMULACIN DEL PROBLEMA.
2.2. 1. Problemas Generales
1. Cules son las determinantes multidimensionales de la pobreza en el
distrito de Cullhuas en el 2015?
2. Cul es el modelo que permite identificar las variables que son
determinantes de la pobreza de los hogares en el distrito de Cullhuas en
el 2015?
2.2.2. Problemas Especficos.
1. Cul es el nivel de pobreza en el distrito de Cullhuas en el 2015?
2. Cul es el nivel de pobreza a nivel de manzanas y de hogares en el
distrito de Cullhuas en el 2015?
3. Cul es la distribucin geogrfica de la pobreza en el distrito de
Cullhuas en el 2015?

2.3. Objetivos
2.3.1. Objetivos Generales
1. Establecer las determinantes multidimensionales de la pobreza en el
distrito de Cullhuas en el 2015.

2. Obtener un modelo que permita identificar las variables que son

determinantes de la pobreza de los hogares.
2.3.2. Objetivos Especficos
1. Obtener estimaciones de pobreza a nivel de distrito.
2. Obtener estimaciones de pobreza a nivel de manzanas y de hogares en
el distrito de Cullhuas.
3. Poder en el futuro, en base a la informacin censal y al modelo obtenido,
georeferenciar cada una de las variables e identificar geogrficamente las
reas de pobreza existentes en el distrito.

2.4.

Marco Terico

2.4.1. Base Terica

2.4.1.1. POBREZA Y SU MEDICIN
La pobreza se puede resumir simplemente como la falta de recursos, va ms
all de la carencia de bienes econmicos, tambin involucra la falta de
oportunidades para el desarrollo de una vida decente para mantener y
conservar la dignidad, la autoestima y el respeto de otros, trascendiendo de
los bienes materiales.

Se caracteriza por ser un fenmeno especialmente econmico con

dimensiones sociales, polticas y culturales. La pobreza est asociada a la
escasa participacin de las personas en los distintos mbitos de la vida del
pas y se expresa en el subconsumo en los hogares. Las personas que se
encuentran en esta situacin se ven obligadas a elegir la satisfaccin de
unas necesidades sacrificando otras igualmente apremiantes para ellos.
Los enfoques ms utilizados para medir la pobreza son el de la desigualdad
(Miller S.M. 1967) y el biolgico (CEPAL 1990). El enfoque de la desigualdad
consiste en medirla en base a la privacin relativa de la poblacin, en
trminos de su distribucin de ingresos, y supone concebir la pobreza como
un problema de desigualdad.
El enfoque biolgico es el que se utiliza en Amrica Latina para medir
pobreza y define a las familias en situacin de pobreza como aquellas
cuyos ingresos totales resultan insuficientes para cubrir las necesidades
bsicas relacionadas con el mantenimiento de la simple eficiencia fsica.
Segn esta metodologa, la pobreza se define un conjunto de necesidades
bsicas (alimentacin, acceso a la educacin, salud y vivienda, etc), para
cada una de stas, se especifican caractersticas mnimas de sus
satisfactores, normas por debajo de los cuales se presenta una situacin de
insatisfaccin. Los umbrales definidos tienen validez temporal restringida,
motivo por el cual deben revisarse peridicamente.
De acuerdo con este mtodo, a un individuo se le considera pobre si su nivel
de ingreso se sita por debajo de un nivel mnimo que le permita satisfacer
sus necesidades bsicas; e indigente, si ste no le permite satisfacer sus
necesidades alimentarias. Estos mnimos se denominan "lnea de pobreza" y
"lnea de indigencia", respectivamente. As, estas lneas constituyen el lmite
entre quines son pobres y quines no lo son, es el mtodo utilizado por la
CEPAL.

Entre las crticas que se realizan a este enfoque, est que los requerimientos
varan segn el clima, la actividad que se realiza, y caractersticas
demogrficas tales como edad y sexo.
Adems los requerimientos nutricionales son difciles de precisar, an ms
los no alimentarios, por lo que generalmente su medicin es arbitraria. Las
canastas bsicas resultantes tienen un costo excesivamente. No obstante,
aun con estos cuestionamientos, este mtodo presenta gran utilidad y
algunos de los planteamientos se pueden ir superando, como puede ser a
travs del clculo de los requerimientos nutricionales considerando las
caractersticas climticas de cada pas, la estructura etaria y laboral de su
poblacin, as como tambin se ha avanzado en construir canastas de
consumo que consideran los hbitos de la poblacin de referencia.
En Amrica Latina, en los ltimos aos han predominado tres mtodos de
medicin de la pobreza, los cuales consideran solamente las necesidades
econmicas de las personas (enfoque biolgico):
(i) El enfoque del ingreso o Lnea de Pobreza (LP)
(ii) El de las Necesidades Bsicas Insatisfechas (NBI)
(iii) El Mtodo Integrado de medicin de la pobreza
A nivel mundial existen otras mediciones que permiten su comparacin,
como la propuesta por el Banco Mundial. Esta lnea de pobreza se basa en
el consumo de bienes y servicios:
En los pases muy carentes de recursos una lnea de pobreza fijada en 1
dlar por persona diarios (US$ 30 mensuales)
Se sugiere una lnea de pobreza de 2 dlares diarios para Amrica Latina
y el Caribe.
Para Europa oriental y las repblicas de la ex Unin Sovitica se ha
utilizado una lnea de pobreza de 4 dlares diarios.

 Para la comparacin entre los pases industrializados, se ha utilizado una

lnea de pobreza que corresponde a la de los Estados Unidos, de 14,40
dlares diarios por persona.
La Unin Europea ha sugerido que para determinar la lnea de pobreza
de esos pases se utilice la mitad de la mediana del ingreso personal
disponible.
2.4.1.2. MTODO DE ANLISIS
Para encontrar los determinantes de la pobreza, se utilizar un modelo que
permita primero caracterizar y luego clasificar los hogares que requieren
ayuda social en forma ms prioritaria, para lo cual se utilizar un modelo de
regresin.
En los casos en que el marco conceptual lleva a la especificacin de un
modelo en el cual existe una variable explicada (nivel de pobreza) por un
conjunto de variables explicativas (X1, X2, X3..........., Xk), la tcnica
estadstica adecuada es el anlisis de regresin. En este caso como el
objetivo es determinar tanto las caractersticas de la pobreza como la
probabilidad de ser pobre, se usar regresin logstica que permite predecir
probabilidades.
La proposicin terica que lleva a emplear esta herramienta supone que la
variabilidad de la variable dependiente se puede explicar a travs de las
variables explicativas. El modelo estadstico correspondiente agrega que,
adems, opera como variable independiente un factor aleatorio no
observable (x), llamado error aleatorio.
El ajuste del modelo estadstico especifica una serie de condiciones que
debe satisfacer el error aleatorio y que permiten estimar, no slo si el modelo
ajusta adecuadamente, para lo cual se tienen pruebas de hiptesis e ndices

de bondad, sino tambin la significacin y magnitud de los efectos de las

variables explicativas.
La medicin de los impactos de las variables explicativas requiere que no
haya relacin entre ellas o que sta sea baja, cuando esto no ocurre se
presentan dificultades para estimar la magnitud real de los efectos debido a
que el modelo es incapaz de separar cul corresponde a cada variable. Los
procedimientos de estimacin se complican si se detecta que no se cumplen
los supuestos relativos al trmino de error. Por lo cual se deben realizar las
pruebas estadsticas para verificar los supuestos.
El planteamiento clsico del modelo de regresin supone que todas las
variables son mtricas (medidas en escala de intervalo o de razn). Esta
condicin se convierte en una fuerte barrera para aplicar esta tcnica
estadstica a los problemas tpicos de las ciencias sociales. Sin embargo,
esta limitacin fue superada al introducir, variables explicativas dicotmicas
(dummys) que dieran cuenta de la presencia o ausencia de un evento
particular. Es as como la regresin se ha convertido en una herramienta de
gran utilidad para las ciencias sociales. Este modelo an mantiene la
restriccin a la variable dependiente, la cual implica la continuidad de sta y
que sus valores pueden variar entre menos infinito e infinito. Estos
problemas se superaron aplicando transformaciones logartmicas a la
variable dependiente y utilizando un modelo denominado de regresin
logstica que permite que la variable dependiente sea cualitativa.
En las ciencias sociales se recurre cada vez ms a utilizar tcnicas de
anlisis de variables mltiples para analizar los distintos fenmenos. En el
ajuste de este tipo de modelos tienden a predominar los mtodos de
estimacin mnimo cuadrtico y de mxima verosimilitud. Si bien hay
razones tcnicas para preferir uno u otro dependiendo del problema de que
se trate.

Finalmente, los desarrollos estadsticos recientes tienden a abandonar la

naturaleza determinstica de la experiencia y a reemplazarla por una
concepcin que reconoce el carcter aleatorio de la misma y a reconocer el
papel activo del sujeto en la construccin del objeto.
a. Modelo de Regresin Logstica
Es un modelo no lineal, los datos no se ajustan a una lnea recta, a las
variables explicativas no se les exige una distribucin determinada. Permite
construir modelos donde las variables dependientes pueden ser cuantitativas
o cualitativas, adems stas ltimas pueden ser dicotomcas o politmicas, y
dentro de stas las variables pueden ser ordinales o nominales.
Las variables explicativas pueden ser cualitativas y/o cuantitativas.
La funcin logstica es una curva sigmoidea en forma de letra S, utilizando
los logaritmos es posible linealizar el modelo.
Si la variable dependiente es dicotmica, se utiliza para predecir la
probabilidad estimada de que la variable dependiente Y presente uno de
los valores posibles (1=s o 0=no) en funcin de los diferentes valores que
adoptan el conjunto de variables independientes Xi.
Las variables predictoras Xi pueden ser categricas, medidas a nivel
nominal u ordinal, y de intervalo o razn, los objetivos del modelo logstico
son determinar la existencia o ausencia de relacin entre una o ms
variables independientes y la variable dependiente; medir la magnitud de
dicha relacin y estimar o predecir la probabilidad de que se produzca un
suceso Y=1 en funcin de los valores que adopten las variables
independientes Xi.
b. Definicin:
Sea Y una variable dependiente binaria que toma dos valores posibles (0 y
1).

Sean X1,...........,Xk un conjunto de variables independientes observadas con

el fin de explicar y/o predecir el valor de Y.
El objetivo es determinar:
P [Y=1/ X1,...........,Xk], donde P indica probabilidad
As P [Y=0/ X1,...........,Xk] = 1- P[Y=1/ X1,...........,Xk]).
Se construye un modelo:
P [Y=1/ X1,...........,Xk] = p(X1,...........,Xk ;_)
Donde p(X1,...........,Xk;_) es una funcin que recibe el nombre de funcin de
enlace (funcin de probabilidad) cuyo valor depende de un vector de
parmetros = (1,........,k)'.
c. Funcin de Verosimilitud
Con el fin de estimar y analizar el comportamiento modelo, observamos
una muestra aleatoria simple de tamao n dada por {(Xi') ,Yi ;i=1,...... ,n}
donde Xi = (Xi1,....... ,Xik), es el valor de las variables independientes e Yi=
{0,1} es el valor observado de Y en el i-simo elemento de la muestra.
Y/(X1.........,Xk) se distribuye Binomial (1, p(Y=1/ X1.........,Xk ; _ )).
La funcin de verosimilitud es:

L (/(x1, y1),.............. , (Xn, Yn)) =

.(1)

Donde pi = p (xi, ) = p (xi1,....... , xik ; ) con i=1,........,n

2.4.2.3. Modelo de regresin logstica mltiple

El modelo matemtico se construye en base a probabilidades, las cuales se
obtienen considerando la probabilidad de que ocurra un suceso determinado
P (Y) en relacin con la dependencia de que dicha probabilidad no ocurra 1P(Y).
La probabilidad proporciona predicciones consistentes y fciles de los
resultados en trminos del "Odds del evento Y=1.

(2)
El modelo de regresin logstica mltiple, relaciona la probabilidad de que
ocurra un determinado suceso denotado por el vector X= (X1,....... , Xk ) con
probabilidad condicional P(Y=1| X) en funcin de k variables independientes
que pueden ser cuantitativas, cualitativas o ambas segn sea el tipo de
diseo de estudio.
El modelo logstico mltiple es:

(3)

O tambin:

..(4)

Donde:
ln es el logaritmo natural de Odds tambin denominado Logit o L.
0, 1, ..............,k son constantes.
X una variable explicativa que puede ser continua o discreta.
Como los coeficientes del modelo logstico no tienen restricciones stos son
fcilmente interpretables en trminos de independencia o asociacin entre
las variables.
Grficamente la funcin es simtrica
Continua y creciente sobre el intervalo 0 y 1
Sigue una curva sigmoidea

2.4.2.4. Estimacin de los Parmetros

Sea una muestra de n observaciones independientes definido por
( Xi1,Xi2,......, Xik,,Yi) ,i=l,......,n; se elige el vector = ( 0, 1, ..............,k) el
mtodo ms usado es el de verosimilitud, con k+1 ecuaciones de
verosimilitud que se obtienen derivando el ln de la funcin de verosimilitud
respecto a k+1 coeficientes.
Las ecuaciones de verosimilitud son:

Mediante calculo diferencial se encuentran las soluciones a este conjunto de

ecuaciones, actualmente existen software estadsticos para estimar los
parmetros.
2.6.2.5. Pruebas de Significacin
Una vez estimado los coeficientes del modelo, se tiene que verificar si el
modelo predice de manera adecuada a la variable dependiente. Para
evaluar la bondad del modelo se utiliza el logaritmo del cociente de
verosimilitud y la prueba de Hosmer-Lemeshow.
2.6.2.6. Modelo
Se procede de la siguiente manera
1.- Se prueba la hiptesis de que el modelo encontrado es el que mejor se
ajusta a travs de la razn de verosimilitud.
D = -2ln

Verosimilitud del modelo con la variable (modelo saturado)

=
Verosimilitud del modelo sin la variable (modelo analizado)
La diferencia entre estos dos valores de 2nL se llama Devianza y prueba si
la o las variables Xi son significativas.
H0 : 0=1=.=k =0
H1 : Algn i distinto de 0.
Estadstico de prueba D ~ X2 con n-k-1 grados de libertad.

Regin de Rechazo: si D > X 2,( n-k-1) si se rechaza H0, significa que al

menos uno de los coeficientes es diferente de cero y la variable
correspondiente es significativa con respecto a la probabilidad de que ocurra
o no el suceso en estudio

2. Cuando el nmero de variables del modelo es grande y/o tiene variables

independientes cuantitativas, se debe utilizar la prueba de HosmerLemeshow, como consecuencia de la gran cantidad de variables, el nmero
de pautas de variacin existente entre ellas es tan elevado que puede
invalidar la utilidad de los estadsticos de bondad de ajuste clsicos.
Evala la bondad del modelo construyendo una tabla de contingencia, divide
la muestra en 10 grupos a partir de los deciles de las probabilidades
estimadas (a los 10 grupos resultantes se les denomina deciles de riesgo).
En cada decil de riesgo se calcula el nmero de casos que pertenecen a
cada categora de la variable dependiente (nmero observado) y el nmero
de casos que el modelo pronostica que pertenecen a cada categora de la
variable dependiente (nmero esperado). A continuacin se compara el
nmero de casos observado con el nmero de casos esperado (esta
comparacin se realiza en cada una de las 20 casillas definidas por la
combinacin de las 2 categoras de la variable dependiente con los 10
deciles de riesgo).
Este estadstico permite contrastar la hiptesis nula de igualdad de
distribuciones, es decir, la hiptesis de que la variable dependiente se
distribuye de la misma manera en los 10 deciles de riesgo o, que no existen
diferencias entre las frecuencias observadas y las esperadas. El estadstico
de contraste tiene siempre k grados de libertad.
Las hiptesis que se contrastan son:

H0 : El modelo es adecuado
H1 : El modelo ajustado no es adecuado
Decisin si el estadstico de prueba es mayor o igual que X ,( n de grupos2), se rechaza H0 y se concluye que el modelo no es adecuado con un nivel
de significacin .

2.4.2.7. Pruebas de coeficientes

Una vez encontrado el mejor conjunto de variables explicativas que predicen
la variable dependiente Y, se debe evaluar cada coeficiente para determinar
cul o cules ingresan al modelo, este proceso se realiza mediante el
estadstico Wald.
La hiptesis que se plantea es la siguiente:
H0 : i= 0
H1 : i no es igual a 0
Para contrastar la hiptesis sealada se usa el estadstico de Wald:

En el caso de la regresin logstica multivariada corresponde a un vector

donde cada celda es la divisin entre el coeficiente i y el error estndar de
ste. Donde S 1, es el error estndar del coeficiente de regresin logstica
muestral y k es el nmero de variables independientes.
Se formula la hiptesis
H0: La variable independiente no influye sobre pi.

H1: La variable independiente influye sobre pi.

2.4.2.8. Interpretacin de los Resultados
La interpretacin de los resultados obtenidos se realiza a partir de los
coeficientes del modelo. Para ello basta tener en cuenta que si el modelo
ajustado es adecuado, entonces se dice que el modelo es significativo.
Adems, se debe analizar el grado de asociacin estadstica que existe en
sus parmetros. Si:
1 > 0 el factor de riesgo ser mayor que 1 y p(X1,X2...........,Xk;)
aumentar
1 < 0 el factor de riesgo ser menor que 1 y p(X1,X2...........,Xk;)
disminuir.
1 = 0 la variable X1 no ejerce ningn efecto sobre la probabilidad de riesgo.
Si el modelo de Regresin Logstica es significativo y una de variables
independientes es dicotmica con valores de 0 y 1, el nmero e]i es el OR,
denominado factor de riesgo o proteccin que implica un aumento unitario
de la variable independiente.
En el caso de una variable cuantitativa, e i es el nmero de veces que
aumenta la chance de que ocurra el suceso, en este caso de ser pobre, por
cada unidad de aumento de la variable independiente.

III. METODOLOGIA
3.1. Tipo de estudio.
El estudio es descriptivo trasversal de regresin logstica.

Descriptivo porque trabajar con un solo grupo muestral en el

que se valorar la pobreza multidimensional.

Transversal porque lo datos se recogern en un solo momento.

3.2. Variables del Estudio

La variable dependiente ser el nivel de pobreza, pudiendo tomar dos
valores: pobre y no pobre.
Las variables independientes consideran las siguientes dimensiones y
variables independientes en los modelos explicativos:

3.3. Poblacin y muestra

La poblacin de referencia sern 830 viviendas asumiendo que en cada una
de ellas existe un hogar, con un jefe de familia.

MUESTRA:
Para seleccionar a los hogares que conformarn la muestra, se utilizar el
mtodo del muestreo por estratificado con asignacin proporcional, de forma
preliminar se calcula el tamao muestral utilizando, la frmula de clculo de
tamao muestral por proporciones, que responde a la siguiente expresin
matemtica:

Donde:
: Z, correspondiente al nivel de confianza elegido para el estudio
y ser de 95% (1.96).
p

: Proporcin de hogares pobres (32.5% , fuente: INEI)

: Proporcin de hogares no pobres (67.5 %)

: Error de estimacin se considera 0.05.

Reemplazado valores en la formula inicial, tenernos:

Donde:
: Z, correspondiente al nivel de confianza elegido para el estudio y ser

de 95% (1.96).
p

: Proporcin de adolescentes que poseen un estilo de vida saludable y

tienen un buen autoconcepto (79%, Romero L y Otero L, 2009).

: Proporcin de adolescentes con un estilo de vida no saludable y un

buen autoconcepto (21 %)

: Error de estimacin se considera 0.05.

Reemplazado valores en la formula inicial, tenernos:

Por tratarse de una muestra finita:

Para prevenir posibles prdidas de elementos de la muestra por diversos

motivos, consideramos a 245 hogares.

CUADRO 01
NUMERO DE ENCUESTAS POR ANEXO
Anexo

Viviendas

Proporcin

Nmero
de
encuesta

s
Chuamba
Pampa Cruz
Azacruz
San Luis De Retama
Ata
San Pedro De Pihuas
Poblacin Dispersa
Total

3.4.

182
120
53

0.223
0.147
0.065

55
37
17

81

0.099

25

70
307
813

0.086
0.377
1

21
90
245

Plan general de anlisis

a) Preparacin de la base de datos.

Objetivo: Verificacin y recodificacin de los datos originales.
b) Anlisis Exploratorio
Objetivo: Obtencin de la informacin acerca del comportamiento de cada
variable.
Verificacin de supuestos principales.
c) Anlisis de Regresin Logstica con Respuesta Binaria
Objetivo: A partir del primer modelo predictivo completo, se seleccionaran las
variables con mejor capacidad predictiva, y se analizaran los efectos de la
interaccin de las variables.
d) Validacin del modelo obtenido

Objetivo: Se validar el modelo obtenido.

IV.

REFERENCIAS BIBIOGRFICAS.

1. Altimir, Oscar; La dimensin de la pobreza en Amrica Latina, Naciones

Unidas, Cuadernos de la CEPAL, N27, Santiago, 1979.
2. BRIONES, G. (1995) Mtodos y Tcnicas de Investigacin para las
Ciencias Sociales, Editorial Trillas. Mxico.
3. Cea Dncona; M. ngeles; Anlisis Multivariable. Teria y prctica en la
Investigacin Social; Editorial Sntesis. Madrid, 2002.
4. CEPAL; Una estimacin de la magnitud de la pobreza en Chile; Santiago,
octubre 1990.
5. CEPAL; Medicin y anlisis de la pobreza: Notas Tcnicas, 26 de abril
del 2002 (mimeo).
6. Contreras, D.; Cooper, R.; Herman J. Y Neilson C.; Dinmica de la
Pobreza y Movilidad Social: Chile 1996-2001; Depto. De Economa; U.
De Chile (mimeo) agosto 2004.
7. Crtes Fernando; Regresin Logstica en la investigacin social:
potencialidades y limitaciones; CES, COLMEX, pgina web.
8. Feres, J.C. y Mancero X.; El mtodo de las necesidades bsicas
insatisfechas y sus aplicaciones en Amrica Latina; Estudios Estad
sticos y prospectivos, CEPAL, mimeo, Santiago 2001.
9. Gujarati, Damodar; Econometra; INE, Chile 2004. Ed. Mc Graw Hill, 5
edicin, Colombia, 2010.
10. MIDEPLAN; Volumen 1: Pobreza, Distribucin del Ingreso e Impacto
Distributivo del Gasto Social; Santiago; agosto 2004.

ANEXOS

CUESTIONARIO DE POBREZA MULTIDIMENSIONAL

Instrucciones:
a) En este cuestionario se pregunta sobre el modo en que vives y las
cosas que tienes en tu hogar.
b) No hay respuesta correcta o incorrecta.
c) Marca con una X o escribe la respuesta que corresponda.

GEOGRFICA
1. En qu zona vives?
DEMOGRFICAS
2. Sexo del jefe de hogar
3. Edad del jefe de Hogar
4. Tiene alguna Discapacidad?

Si

N
o

5. Nmero de Personas en el hogar

MERCADO LABORAL
6. Es ocupado el jefe de Hogar?

Si

7.

Si

N
o
N
o

Es inactivo?

EDUCACIN
8. Cuantos aos estudio el jefe de hogar?
PATRIMONIO
9. El hogar tiene?
10. Lavadora Automtica

Si

N
o

11. Refrigerador

Si

12. Telfono fijo

Si

13. Videograbador

Si

14. Microondas

Si

15. Computador

Si

16. Clefont

Si

17. Telfono Mvil

Si

18. Internet

Si

19. Tvcable

Si

VIVIENDA
20. La vivienda tiene agua potable?

Si

21. La vivienda tiene Alcantarillado?

Si

22. La vivienda es de buena calidad?

Si

23. Ms de 1 hogar en la vivienda?

Si

24. Hay Hacinamiento en el hogar?

Si

Gracias por su colaboracin

N
o
N
o
N
o
N
o
N
o
N
o
N
o
N
o
N
o
N
o
N
o
N
o
N
o
N
o