La medición de la exclusión social. Dos aplicaciones: Las rentas mínimas de inserción y las empresas de inserción

Resumen

Diseño de un método de medida de la exclusión social. Hipótesis: E = f(x) + psi. Si f fuera lineal se utilizarían técnicas de regresión. Al ser desconocida, se utiliza la metodología de las Redes Neuronales, rama de la Inteligencia Artificial que emula el procesador humano, aplicando algoritmos matemáticos para corregir los errores, capaces de aprender. Se identifican 9 variables que influyen en la VD (E), operativizables entre 0 y 10. Se aplica en dos Centros (214 sujetos). Se valora E entre 0 y 100 por 9 profesionales. La correlación es muy significativa entre profesionales y muy significativa o significativa entre las v. El análisis de correlaciones con las v. no resulta muy clarificador. Mediante un análisis conjunto factorial y de regresión paso a paso se detecta que 3 de las v. pueden considerarse combinación lineal de otra u otras. Las 9 v. explican en un 78´36% la v. E. Las 6 v. restantes siguen explicando el 78´03%. Se entrena una Red de Propagación hacia atrás con 6 v. La red, en un 81´31% de los casos, comete un error inferior. El resultado es una Red Neuronal, un programa informático, capaz de predecir E en junción de 6 v. Aplicaciones: Rentas Mínimas de Inserción (SS = (E x M - IF) x INC), y Empresas de Inserción.

Abstract

This is a desing of a Social Marginalization method of measurement. Hypothesis: E = f(x) + psi. If f was linear, regression techniques would be used. As f is unknown, the neural network methodology is used because it is an Artificial Intelligence branch which emulates the human processor, using mathematical algoritms to correct mistakes and with ability to learn. 9 variables have been identified, which have an influence on the Dependent Variable (E), and can be operatives between 0 and 100. It has been applied in two Institutions (214 people). E has been valued by 9 professionals between 0 and 100. The correlation among professionals is very significant and very significant or significant among variables. Correlation analysis with the variables is not very significant. Among the variables, it´s detected that 3 variables can be considered linear combination of one of them or a combination of the other variables by means of a factorial combined analysis and a step by step regression. The variable E is explained by the 9 variables in a 78,36%. The remaining 6 variables continue explaining the 78,03%. A backpropagation net is trained with 6 variables. The net makes a mistake less than A10 in a 78,36% of the cases. The result is a neural network, a computer programme, that can predict E in terms of 6 variables. Applications: Personal income of Insertion (SS = (E x M - IF) x INC), and Insertion Enterprises.

Palabras clave

Medición de la exclusión social, Red neuronal, Red de propagación hacia atrás, Rentas mínimas de inserción, Empresas de inserción

Keywords

Degree of social marginalization, Neural network, Backpropagation net, Personal income of insertion, Insertion enterprises

Copyright © 2024. Colegio Oficial de la Psicología de Madrid