Pronóstico del déficit de viviendas en el estado Mérida, Venezuela, mediante redes neuronales artificiales



Título del documento: Pronóstico del déficit de viviendas en el estado Mérida, Venezuela, mediante redes neuronales artificiales
Revista: Economía (Mérida)
Base de datos: CLASE
Número de sistema: 000336012
ISSN: 1315-2467
Autores: 1
Instituciones: 1Universidad de Los Andes, Instituto de Investigaciones Económicas y Sociales, Mérida. Venezuela
Año:
Periodo: Ene-Jun
Volumen: 35
Número: 29
Paginación: 109-140
País: Venezuela
Idioma: Español
Tipo de documento: Artículo
Enfoque: Analítico, descriptivo
Resumen en español Se combina Funciones de Bases Radiales (RBF) y Análisis Multivariante para pronosticar el déficit de viviendas en el estado Mérida. Se construyó un indicador alternativo al usado convencionalmente para evaluar este fenómeno. La información primaria se obtuvo de las Encuestas de Hogares por Muestreo (EHM) entre 1994 y 2005. Las variables empleadas fueron el número de hogares, tenencia, hacinamiento, adecuación y condición de la vivienda. Se destaca que mediante RBF se alcanzó un aceptable nivel de efectividad y de adaptación: se adecuó al tipo de problema que se modeló. Los resultados obtenidos en el entrenamiento y generalización alcanzaron valores del error cuadrático medio muy bajos, con un buen nivel de acierto para el pronóstico y, debido a la consistencia de estos resultados, se demostró robustez en el entrenamiento
Resumen en inglés This work combines the tools of Radial Basis Function (RBF) and Multivariate Analysis to predict insufficient housing supply in the state of Merida, Venezuela. An alternative indicator to the commonly one used was built in order to evaluate this phenomenon. Data covering the number of families at the same house, house property, overcrowding level, housing physical condition, and public utilities condition were extracted from The Household Sampling Survey (HSS), 1994-2005. It is outstanding that RBF showed an acceptable level of effectiveness and capacity of adapting itself to this kind of problem. In general, results obtained during training and generalization stages reached very low average quadratic errors, a good level of success in the prognosis and robustness of the trained models
Disciplinas: Economía
Palabras clave: Econometría,
Venezuela,
Mérida,
Vivienda,
Déficit de vivienda,
Redes neuronales artificiales,
Indicadores econométricos,
Modelos econométricos
Texto completo: Texto completo (Ver PDF)