Fusing Data Sources to Measure Multidimensional Poverty

报告概述

本报告聚焦于多维贫困测量中的数据碎片化问题，提出一种概率数据融合方法，能够从多个独立数据源中估计多维贫困指标。研究覆盖112个国家1989至2024年的571份家庭调查数据，主要分析在部分指标缺失的情况下，如何利用条件独立假设恢复联合分布。方法基于链式法则和Fréchet-Hoeffding界限，仅需汇总统计数据而不依赖微观数据。报告还探讨了偏误校正和子群体融合对精度的提升作用，为在全球数据受限环境下进行多维贫困监测提供了实用工具。

报告的核心结论

报告回答的关键问题

报告中的代表性数据

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

• 完整的方法论详细介绍：包括链式法则分解、条件独立假设、Fréchet-Hoeffding理论界限的推导，以及融合算法的逐步说明。
• 571份家庭调查的详细描述：覆盖112个国家、1989–2024年，按区域和年代分布，以及用于验证的MPM六个缺失数据模式（覆盖54%的调查）。
• 完整的验证结果：包括所有数据场景、目标指标（MPM、MPM-AF、至少1项、至少3项）在不同融合层级（国家、城乡、五分位、子区域）的MAE、MAPE、RMSE、相关系数和区间宽度。
• 偏误校正方法详解：包括归一化共形预测区间的构建、全局和局部中位数偏误校正步骤，以及校正后的预测误差改进。
• 模拟样本偏误的影响分析：展示在人为引入±20%样本偏误时，融合方法在有无校正下的稳健性，以及偏误对MPM和MPM-AF的不对称影响。
• 理论界限与预测区间对比：通过图示展示数据稀疏和重叠场景下，Fréchet-Hoeffding界限与共形预测区间的宽度差异，以及偏误校正后估计的准确性。
• 货币贫困与融合估计的排序比较：表格显示融合方法在所有MPM目标指标上的排序相关系数均高于仅用货币贫困的排序，特别是在“至少1项”指标上融合排名优势显著。
• 基础设施场景的独立验证：报告附录提供仅考虑水电卫生三个基础设施指标的七种缺失模式验证，结果与MPM场景一致，论证方法的普适性。