南苏丹-贫困与公平评估：技术附件

A.2. 通过即时和频繁跟踪进行的幸福感调查A.1. 2022年HBS、HFS第三波2016-17年与FSNMS+的比较附件 A。调查来源、可比性、估算表 A.1 HBS 2022、HFS 第三波 2016-27 和 FSNMS+ 的比较A.3. 方法说明：HBS 2022至FSNMS+插补2022 HBSHFSwave 32016–17特性(家庭预算和((2015-17年高频调查,第3波(全国扩展食品与营养监测))贫困调查2022)2022年4月–2022年6月；2016年9月–2017年3月；9月–数据收集四月：旱季；五月至十月：雨季；十一月至四月：旱季周期六月：雨季季节城市和农村地区（无营地）；因为在安全问题上，只有七个国家是城市地区、农村地区和营地；只有五个是城市地区城市地区，农村地区，覆盖：中央赤道州、东部和营地；两者都是城市的覆盖范围赤道、湖泊、北部巴赫尔加扎、尼罗河和西部巴赫尔加扎；五个未被覆盖的国家是和农村地区是瓦拉普，西部巴赫尔·埃尔加扎，覆盖所有10个州西方赤道州；非西方赤道州的三个州已覆盖 Jonglei、Unity 和 Upper Nile719户（239城市住户；240 1，846住户：567城市住户；19，050住户：3，255城市住户；14，215农村样本量农村住户；240 1,279农村住户营地中的住户)问卷模块包括一个问卷家庭花名册；户主；模块包括 a家庭特征；食物家庭花名册；住房消耗；非食品消耗；以及家庭资产；牲畜；耐用品；实物主观幸福感心理和社会福祉；粮食安全；食物问卷枚举结论消耗；食物虽然消费支出模块健康和心理社会支持；人道主义援助和支出；若包含，HFS波浪3消费服务接入；儿童营养与健康；婴儿和幼儿食物的消耗和支出数据并不完全可比儿童喂养；女孩和妇女的营养状况；社会饮料；其他支出到HBS数据，因为HFS数据支持规模；和心理健康；此外，营地消费支出使用快速数据收集方法收集的模块被包含方法与收集了全国719户家庭人均消费支出的代表性数据的2022年家庭预算与贫困调查（HBS 2022）不同，扩展的食品本次贫困评估中的分析主要依赖于三个家庭调查的数据：2022年家庭预算调查（2022年HBS）；2015-17年高频调查第3波（2016-17年）（HFS波3 2016-17）；以及全国扩展的粮食安全与营养监测系统（FSMNS+）。这三个调查的关键特征汇总于表A.1。SWIFT是一个用于快速估算贫困的工具。它采用机器学习和传统统计建模相结合的方法。SWIFT方法论涉及在涵盖家庭支出和贫困相关因素的综合家庭调查上训练模型。随后，它利用这些训练好的模型来对缺少此类支出细节的不同调查中的家庭支出进行插补。在此南苏丹贫困评估的背景下，SWIFT在以一种与2022年HBS一致的方式估算家庭支出方面发挥了关键作用。此外，鉴于FSMNS+缺乏此类数据，它也被用于推断家庭支出。对于寻求该工具实际应用的从业者，Yoshida和Aron（2024年）提供了大量案例研究。Yoshida等人（2022年）对SWIFT方法论进行了全面探讨，并呈现了相关的实证评估。 2016–17) FSNMS+系统)城市地区和营地：2021年9月–2021年11月；农村地区：2021年11月包括的州：中赤道州、琼莱州、统一州、上尼罗州东方省，湖泊，北部巴赫尔加扎，瓦拉普，家庭；1,580户在营地城市地区和营地问卷模块包括人口统计和脆弱性；流离失所和流动性；庇护；医疗保健；水、卫生和健康；以及COVID-19综合粮食安全阶段分类（IPC）教育；生计与经济脆弱性；粮食消费与食物来源；应对；沟通、社交网络和社区参与；社会保障；精神问卷包括一个关于返回意愿的模块不包含任何消费支出模块 A.3.1. 插补的解释变量回归模型和汇总统计量lny指的是人均消费支出的自然对数h在HBSℎs2022（用符号表示s)。x是家庭贫困相关因素的( k × 1)向量h. 훽是一个（푘 × 1）向量ℎsŝ从 ， ̂ 的多量正分布中随机抽取的困相关性系数(),t0 x t0̂其中k是变量的数量。系数的两种方式（β）和协方差矩阵t0从训练数据集（记为o). u是残差，来自正态分布ℎs( ()B 0,σ̂) 在训练数据中估计。变量的选择使用逐步方法在 x 中进行。t0ℎs逐步从模型中移除具有低显著性系数的变量，以仅保留具有高显著性系数的变量，这是回归分析。lny = x′β + uℎshsℎs()u ~ B 0,σℎst0̂̂φ ~β φ ,σ̂()st0 x t0对于每个向量，我们计算了一个贫困指标，当ln푦 ̃ < 푍时取值为1，其中Z表示贫困ℎs若满足条件则为该行；否则为0，并估计了人口加权平均值。贫困发生率点估计值计算为20个人口加权平均率的均值，而贫困发生率的标准化误差则根据贫困率的分布进行估计。安全和营养监测系统调查（FSNMS+），该调查采访了19,050户家庭，没有消费模块。因此，FSNMS+的消费支出数据和贫困统计数据是通过应用即时和频繁追踪福祉调查（SWIFT）方法（Yoshida等人，2022年），从HBS 2022和FSNMS+问卷中包含的七个至八个贫困相关指标中插补的。然后，使用选定的模型，家庭人均支出的自然对数h被归入FSNMS+的“目标调查”中。归入过程遵循Rubin（1987）和Schafer（1999）开发的多重插补（MI）技术，采用StataCorp（2023）建议的20次随机抽取。详情请参考Yoshida等人（2022）。这意味着每个家庭h有20个关于家庭收入或支出的插补自然对数，{}lnỹ20, 其中r指ℎ푠푟 푟=1插补轮次。因此，目标调查有20个家庭收入或支出的插补自然对数向量，{}lnỹH,20其中 H 表示总户数。ℎ_{s} ℎ=1,_{r}=1SWIFT 使用由包括家庭支出或收入数据和大量贫困相关指标的家庭调查训练的模型估算家庭支出或收入数据。对于南苏丹，使用HBS 2022作为“训练数据集”，分别开发了为城市地区、农村地区和营地单独训练的模型。以下方程显示了如何从HBS 2022数据中估算家庭支出：表 A.3.1 至 3 分别展示了为城市地区、农村地区和营地选择的回归模型规格。每个模型识别了预测或与控制了模型中其他变量影响后的家庭人均支出对数的显著相关因素或解释变量。这些表格还显示了 HBS 2022 年和 FSNMS+ 中每个解释变量的均值。由于 FSNMS+ 的抽样权重被调整为使加权 230)23910.950.00000.30630.60122022+-0.22340.1090-2.050.041-0.4381-0.00870.5410.540-0.04060.0132-3.080.002-0.0666-0.01468.2068.206-0.27550.0993-2.770.006-0.4711-0.07990.4270.273-0.56080.2641-2.120.035-1.0812-0.04030.0680.069-0.32690.1169-2.800.006-0.5573-0.09650.5490.5490.13482.990.0030.13730.66830.2090.2090.45830.14903.080.0020.16470.75200.1180.1180.28190.10702.640.0090.07120.49270.4260.42613.17630.193168.230.00012.795813.5568----231)24018.160.00000.29470.69042022+-2.540.0120-0.5278-0.06690.3100.3103.130.00200.20900.91870.0920.0560.34200.14032.440.01600.06570.61840.0350.0290.57700.13814.180.00000.30490.84900.0110.011-0.32830.1372-2.390.0180-0.5987-0.05790.8740.8740.33780.11832.850.00500.10460.57090.2480.2480.29800.11072.690.00800.07990.51600.6380.638-0.14160.0483-2.930.0040-0.2367-0.04650.305-0.29912.25220.164774.370.000011.927612.5768----来源：员工根据HBS 2022和FSNMS+的估计表 A.3.2. 回归模型和变量的均值：农村表A.3.1. 回归模型和变量的均值：城市来源：员工根据HBS 2022和FSNMS+的估计数字F(8,P >R-of obsF平方根MSEtP>t说明变量Coef-fi-科学鲁棒标准错误[95% conf.间隔]均值HBS FSNMS光：火炬/手机家庭规模粮食不安全:没有食物可吃灯：否照明教育：None房屋：拉库巴 0.4028教育：大学房屋：图库尔常数数字 F(8, Prob > FR-of obs平方根MSE解释变量tP>t[95%置信区间]Coef-fi-科学鲁棒标准错误均值HBS FSNMS光：石蜡/木柴/草 -0.2973 0.1170s/蜡烛活动：食物援助/食品销售 0.5638 0.1801援助资产：摩托车房子：永久半/混凝土教育：无资产：炉灶资产：床粮食不安全:复合指标常数指的是 HBS 2022 和 FSNMS+ 之间可比的关键统计数据，许多“时不变”或缓慢变化的变量的均值在跨调查中是相同的。 A.3.2. 填补结果表A.3.4. 贫困归因结果来源：员工根据HBS 2022和FSNMS+的估计区域HBS 2022国家FSNMS+(插补)城市HBS 2022FSNMS+(插补)农村HBS 2022FSNMS+(插补)营地HBS 2022FSNMS+(插补)表4展示了HBS 2022和FSNMS+在全国、城市地区、农村地区和营地层面的可比贫困统计数据。FSNMS+的贫困统计数据使用SWIFT方法进行插补，其全国统计数据是分别从城市地区、农村地区和营地回归模型中插补的贫困统计数据的加权平均值。除城市地区外，所有插补的FSNMS+贫困率均在HBS 2022数据的基础上±2个百分点的范围内。城市地区存在较大差异，这可能是由于FSNMS+仅涵盖五个城市州，而HBS 2022涵盖了所有十个州。 0.75880.05200.65660.86107190.78430.02760.72650.842119,0500.69280.07410.54730.83832390.58420.02700.52890.63953,2550.76550.05860.65040.88052400.80200.02990.73930.864614,4550.79090.04100.71040.87132400.85370.02080.81130.89601,580调查均值标准错误[95%置信区间]N 多维贫困指数（MPI）由两个指数的乘积构成：附件B。多维贫困：方法论说明多维贫困指数包括4个维度：• 货币贫困 • 教育成果：若满足以下任一条件，则认为一个家庭在教育方面处于匮乏或贫困状态：(i) 家庭户主未完成小学学业或(ii) 家庭中至少有一个6-13岁的学龄儿童未上学。 • 公共物品和便利设施：此维度考虑4个变量（电力作为主要照明来源、获得改善饮用水源、获得改善卫生设施和获得清洁的烹饪能源）。基于这4个变量构建了一个MCA指数。使用与货币贫困一致的门槛值估计在教育方面处于匮乏状态的家庭的占比。 • 资产拥有和质量住房：多维指数中包含的不同家庭资产包括：汽车、摩托车、电视、风扇、收音机、电话、床、渔网。此外，还考虑了家庭住房单元的质量。基于这些变量构建了一个MCA指数。使用与货币贫困一致的门槛值估计在资产拥有方面处于匮乏状态的家庭的占比。其中