MULTIDIMENSIONAL POVERTY IN BENIN: EVIDENCE FROM CLASSIC AND MACHINE LEARNING ANALYSIS

Esta dissertação fornece novos insights sobre fatores imediatos que afetam a pobreza multidimensional no Benim, comparando resultados dos modelos probit ordenado e probit fracionado com o modelo de floresta aleatória, e deriva indicadores de pobreza para a política de intervenção, utilizando dados cross-section de 2018/2019 ao nível individual. Na maioria dos casos, os efeitos dos regressores têm a mesma direção de impacto esperada nos modelos glass box e black box. O ALE plot aplicado à floresta aleatória sugere uma relação altamente não linear entre a condição de bem-estar do indivíduo e a idade do chefe do agregado familiar e a desigualdade, bem como uma relação não linear, mas não côncava, com a dimensão do agregado familiar e o rácio de dependência infantil. Embora todos os modelos corroborem que a educação, as zonas agroecológicas, o acesso financeiro, a dimensão do agregado familiar e o sector do emprego estão entre as variáveis mais importantes associadas à pobreza no Benin, apenas o modelo black box, através de valores SHAP, classificou as variáveis com efeitos altamente não lineares entre os regressores mais importantes, bem assim o rácio de dependência infantil. Além disso, a floresta aleatória, ao calcular interações mais complexas entre variáveis, conseguiu apresentar um leque mais vasto de variáveis importantes no top 15. Em geral, os resultados dos modelos são coerentes com a maior parte da literatura sobre a pobreza em África e no Benim, com todos os modelos a indicarem que a educação é o determinante "próximo" mais importante da condição de bem-estar no Benim. Os indicadores do perfil de pobreza mais importantes são a dimensão do agregado familiar, a diversificação alimentar, o chefe de família sem instrução, os agregados familiares que recolhem lenha para cozinhar e o rácio de dependência infantil.