Estimación bayesiana bajo cuasiseparación en encuestas: comparación de priors en regresión logística aplicada a la autoidentificación con la pobreza
En la investigación estadística aplicada a las Ciencias Sociales es frecuente que el cruce entre categorías genere celdas con un número reducido de casos. Este problema no siempre responde a limitaciones en el tamaño muestral, ya que en ocasiones la naturaleza del fenómeno hace que determinadas combinaciones sean poco frecuentes. La autopercepción de la pobreza es un ejemplo de ello, ya que, al cruzarse con intervalos de ingresos elevados, produce de manera estructural situaciones de cuasiseparación, comprometiendo seriamente la estimación. En esta comunicación se discuten las limitaciones de dicho enfoque ante este tipo de escenarios y se propone como alternativa la regresión logística bayesiana. Los resultados permiten valorar en qué medida las conclusiones son sensibles a la elección del prior y en qué condiciones el enfoque bayesiano ofrece ventajas sustantivas frente a la estimación frecuentista clásica.
Keywords: Modelos en Ciencias Sociales Métodos Bayesianos Encuestas Autopercepción Pobreza