Estimating poverty in America with Google Trends
Saved in:
Goldberg, E., Estimating poverty in America with Google Trends. New Haven, Yale College, 2012, 33 p.
Ref.
196691
Sted:
SIIS Archivo
Palabras clave:
Datos estadísticos, Estudio prospectivo, Evolución, Innovaciones, Internet, Medición, Nuevas tecnologías, Pobreza, EE.UU.
Datos estadísticos, Estudio prospectivo, Evolución, Innovaciones, Internet, Medición, Nuevas tecnologías, Pobreza, EE.UU.
Abstract:
Las encuestas recopiladas por la Oficina del Censo ofrecen una imagen detallada de las tasas de pobreza en los Estados Unidos. Sin embargo, tal y como sucede en otros países, el problema de estas encuestas radica en el desfase temporal que conllevan, lo cual condiciona enormemente su validez como instrumento para la toma de decisiones en el diseño de política contra la pobreza. El presente artículo, realizado por la Universidad de Yale, examina el potencial de los buscadores de Internet en general y de Google en particular, para producir estimaciones precisas sobre las tasas de pobreza actuales. El documento concluye que es posible establecer un modelo de predicción basado en el volumen de búsquedas para una serie de términos seleccionados (como por ejemplo "derecho a prestaciones", "centro de acogida para personas sin techo" o "trabajo temporal"), que proporciona una estimación precisa y consistente para la pobreza del mes en curso.
Las encuestas recopiladas por la Oficina del Censo ofrecen una imagen detallada de las tasas de pobreza en los Estados Unidos. Sin embargo, tal y como sucede en otros países, el problema de estas encuestas radica en el desfase temporal que conllevan, lo cual condiciona enormemente su validez como instrumento para la toma de decisiones en el diseño de política contra la pobreza. El presente artículo, realizado por la Universidad de Yale, examina el potencial de los buscadores de Internet en general y de Google en particular, para producir estimaciones precisas sobre las tasas de pobreza actuales. El documento concluye que es posible establecer un modelo de predicción basado en el volumen de búsquedas para una serie de términos seleccionados (como por ejemplo "derecho a prestaciones", "centro de acogida para personas sin techo" o "trabajo temporal"), que proporciona una estimación precisa y consistente para la pobreza del mes en curso.