Perfil de la pobreza en hogares que participan en un programa de complementación alimentaria Translated title: Poverty profile regarding households participating in a food assistance program

Abstract

ObjetivoEl estudio tiene como objetivo establecer subgrupos con características socioeconómicas específicas mediante la utilización del análisis de clases latentes como método de segmentación de la población beneficiaria del programa de complementación alimentaria alianza MANA-ICBF. Antioquia Colombia y que permita determinar sus diferencias en sus condiciones de pobreza y salud para una mejor focalización de los recursos, programas y políticas públicas. MétodosPoblación constituida por 200 000 niños y sus hogares beneficiarios del programa MANA. Se utilizó una muestra representativa por región. Se utilizó el análisis de clases latentes utilizando el algoritmo de Expectatio/Maximization y de Newton Raphson para identificar el número apropiado de clases. ResultadosEl modelo final clasificó a los hogares en cuatro conglomerados que difieren entre sí de acuerdo a condiciones socio demográficas bien definidas que afectan la salud de los niños beneficiarios del programa. ConclusionesHay hogares en donde hay mayor profundización de la pobreza, por consiguiente condiciones de calidad de vida inferiores que afecta la salud de los niños de este grupo poblacional.

Translated abstract

ObjectiveThis study was aimed at establishing subgroups having specific socioeconomic characteristics by using latent class analysis as a method for segmenting target population members of the MANA-ICBF supplementary food program in the Antioquia department of Colombia and determine their differences regarding poverty and health conditions in efficiently addressing pertinent resources, programs and policies. MethodsThe target population consisted of 200,000 children and their households involved in the MANA food assistance program; a representative sample by region was used. Latent class analysis was used, as were the expectation-maximization and Newton Raphson algorithms for identifying the appropriate number of classes. ResultsThe final model classified the households into four clusters or classes, differing according to well-defined socio-demographic conditions affecting children's health. ConclusionsSome homes had a greater depth of poverty, therefore lowering the families' quality of life and affecting the health of the children in this age group.