論文の概要: Measuring Poverty and Inequality with Reduced Data: A Machine Learning Approach Using Nigerian Household Data

• arxiv url: http://arxiv.org/abs/2606.07614v1
• Date: Fri, 29 May 2026 19:33:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.781163
• Title: Measuring Poverty and Inequality with Reduced Data: A Machine Learning Approach Using Nigerian Household Data
• Title（参考訳）: 減量データによる貧困と不平等の測定:ナイジェリアの家庭データを用いた機械学習アプローチ
• Abstract要約: 我々は、2018/19年のナイジェリア総合住宅調査パネルにランダムフォレスト再帰的特徴除去を適用した。 消費については,少額の消費カテゴリーを用いて,貧困状況と不平等線の位置を正確に予測する。 所得に関しては、貧困状態は5人の予測者で90%の精度に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable measurement of income and consumption is essential for monitoring poverty and inequality in low- and middle-income countries, yet full household surveys are costly and difficult to implement regularly. This paper examines whether reduced survey instruments can preserve key distributional information. We apply Random Forest Recursive Feature Elimination (RF-RFE) to the 2018/19 Nigeria General Household Survey-Panel to identify the income sources, consumption categories and household characteristics that best classify individuals within the welfare distribution. The analysis focuses on three outcomes: poverty status, location in the quintile distribution and position relative to the Gini-based inequality line. The survey's post-planting and post-harvest periods allow us to assess performance under different seasonal contexts. Results show that RF-RFE achieves strong classification accuracy with few predictors. For consumption, poverty status and inequality-line position are accurately predicted using a small set of expenditure categories, while quintile classification reaches about 80 percent accuracy for seasonal consumption and 60--65 percent for annual consumption predicted from a single seasonal visit. For income, poverty status reaches around 90 percent accuracy with five predictors, and inequality-line position is largely captured by labour earnings. The findings suggest that machine-learning methods can help improve survey design and reduce data requirements while retaining much of the distributional information needed to measure and monitor poverty and inequality.
• Abstract（参考訳）: 低所得国や中所得国の貧困や不平等を監視するためには、所得と消費の信頼性の高い測定が不可欠であるが、完全な世帯調査は費用がかかり、定期的に実施することは困難である。 本稿では,調査機器の縮小が重要な分布情報を保存することができるかどうかを考察する。 我々は、2018/19年のナイジェリア総合住宅調査パネルにランダムフォレスト再帰的特徴除去(RF-RFE)を適用し、福祉分布の中で個人を最もよく分類する収入源、消費カテゴリー、世帯特性を特定する。 この分析は、貧困状態、不均質な分布における位置、およびジニ系不平等ラインに対する位置の3つの結果に焦点を当てている。 調査の移植後と収穫後の期間は、季節によって異なる状況でパフォーマンスを評価することができる。 その結果,RF-RFEは予測値の少ない強い分類精度が得られた。 消費については,少額の消費カテゴリーを用いて,貧困状況と不平等線の位置を正確に予測し,季節別ではキノコ種別が約80%,季節別では60～65%に達する。 所得に関しては、貧困状態は5人の予測者で90%の精度に達しており、不平等ラインのポジションは労働収入で占められている。 この結果から, 機械学習手法は, 貧困や不平等を計測・監視するために必要な分布情報を多く保持しながら, 調査設計の改善とデータ要求の低減に有効であることが示唆された。

関連論文リスト

• Transfer Learning for Socioeconomic Estimation in Forced-Displacement Settings [1.7804100659374038]
  より頻繁に更新され、空間的に補完的な証拠は、調査ラウンドの間、社会経済的状況がどこで変化しているかを特定するために必要である。 UNHCR FDSおよびRMSデータから得られた社会経済指標を用いて、更新された適応モデルの開発と評価を行った。 これらの見積もりは、調査ラウンド間の洞察を維持し、タイムリーな人道的優先順位付けとフィールド検証をサポートする。
  論文  参考訳（メタデータ） (2026-09-14T15:55:57Z)
• Can Zero-Shot LLMs Predict Child Malnutrition? A Fairness and Temporal Robustness Study [0.5442955439283729]
  子どもの栄養失調は、低所得国や中所得国、特に南アジアにおいて主要な公衆衛生上の課題である。 本研究は,子どものスタント予測のためのゼロショット設定において,事前訓練された大言語モデル(LLM)の有効性,公平性,時間的堅牢性を評価することを目的とする。
  論文  参考訳（メタデータ） (2026-07-31T07:06:22Z)
• Context-Conditioned Generative Models Enable Subnational Refinement of Sparse Humanitarian Surveys [0.7943457288167796]
  我々は、複雑なデータ分布を学習し、文脈的特徴に基づいて条件付けできる生成モデルを評価する。 本研究では, 文脈条件付き生成モデルにより, 厳密なデータ不足下での国別調査分布を洗練できることを示す。
  論文  参考訳（メタデータ） (2026-05-29T16:12:24Z)
• Open-Set Living Need Prediction with Large Language Models [49.9826719837983]
  Meituanのようなライフサービスプラットフォームでは、ユーザー購入は生活ニーズによって駆動され、パーソナライズされたサービスレコメンデーションにとって、正確な生活ニーズ予測が不可欠である。 従来のアプローチでは、この予測をクローズドセットの分類問題として扱い、生活ニーズの多様性と複雑さを捉える能力を著しく制限している。 本稿では,大規模言語モデル(LLM)を利用した制約のないニーズ予測システムであるPIGEONを提案する。 現実世界のデータセットに関する大規模な実験では、PIGEONは平均19.37%の要求に基づくライフサービスリコールにおいて、クローズドセットのアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-03T10:10:19Z)
• Towards Harmless Rawlsian Fairness Regardless of Demographic Prior [57.30787578956235]
  トレーニングセットに事前の人口統計が提供されない場合に,有効性を損なうことなく公平性を達成する可能性を探る。 本稿では,経験的損失の最適セット内でのトレーニング損失の分散を最小限に抑えるため,VFairという簡単な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T12:40:34Z)
• Interpreting wealth distribution via poverty map inference using multimodal data [0.0]
  本稿では,複数の人口にまたがる富の平均および標準偏差を推論する機械学習モデルのパイプラインを提案する。 これらのモデルは、衛星画像と、オンラインのクラウドソーシングとソーシャルメディアを通じて収集されたメタデータに基づいて、7つの独立した、自由に利用可能な機能ソースを利用する。 その結果, 富の局所的平均と変動が回復し, 正の非単調な相関関係を正しく捉えた。
  論文  参考訳（メタデータ） (2023-02-17T11:35:44Z)
• Micro-Estimates of Wealth for all Low- and Middle-Income Countries [14.717329936263672]
  2.4kmの解像度で135か所の低所得国と中所得国の人口を包含する富と貧困の最初のマイクロ見積もりを開発した。 この推定は、衛星、携帯電話ネットワーク、地形地図、およびFacebookの集合的および非特定接続データからの膨大なおよび異種データに機械学習アルゴリズムを適用することによって構築される。
  論文  参考訳（メタデータ） (2021-04-15T20:37:46Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。