El algoritmo de Metropolis-Hastings: una aplicación de inferencia bayesiana para el sistema previsional argentino

Resumen

El algoritmo de Metropolis-Hastings es un método de Monte Carlo basado en Cadenas de Markov (MCMC) que permite obtener muestras de distribuciones complejas, facilitando la inferencia bayesiana. Es una herramienta fundamental cuando las posteriores condicionales no tienen forma analítica. En este trabajo se presenta una aplicación del algoritmo de Metropolis-Hastings para especificar las distribuciones a posteriori de los parámetros del modelo de regresión logística bayesiana que modela los determinantes de la densidad contributiva del sistema previsional argentino. La implementación del método se realiza utilizando el software estadístico R y la fuente de datos que se utiliza proviene de la Muestra Longitudinal de Empleo Registrado (MLER) del Sistema Integrado Previsional Argentino (SIPA). Entre los resultados se destacan que todas las cadenas convergen y los coeficientes significativos tienen los signos esperados.