tesis de magÍster - home page - instituto economía ...economia.uc.cl/docs/tesis_jjmerlo.pdf ·...
Post on 15-Feb-2019
227 Views
Preview:
TRANSCRIPT
D O C U M E N T O D E T R A B A J O
Instituto de EconomíaTESIS d
e MA
GÍSTER
I N S T I T U T O D E E C O N O M Í A
w w w . e c o n o m i a . p u c . c l
"������ � (��� ��� ��� �� � �������� (������ > (������ (������ � � � ������
��� ���� �����
����
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
I N S T I T U T O D E E C O N O M I A MAGISTER EN ECONOMIA
“Retornos a la educación durante una depresión económica. Evidencia empírica para la Argentina”
Juan José Merlo
Comisión
Claudio Sapelli
Julio/Diciembre 2009
3
Índice. Abstract 5
Resumen 5
1. Introducción. 6
2. Contexto y descripción de los datos. 9
2.1. Efectos de la crisis sobre indicadores del mercado laboral. 9
2.2. Efectos de la crisis sobre indicadores de capital humano. 10
3. Ecuaciones de ingresos. 15
3.1. Revisión de la literatura . 15
3.1.1. Literatura teórica de ecuaciones de ingresos. 15
a) Mincer (58) 15
b) Ben Porath (67) 16
c) Mincer (74) 17
d) Willis (86) 19
e) Card (99) 19
f) Heckman-Lochner-Todd (03) 20
3.1.2. Literatura empírica de ecuaciones de ingresos. 21
a) Psacharopoulos y Ng (92) 21
b) Pessino (95) 22
c) Sapelli (03) 22
d) Heckman-Lochner-Todd (03) 23
3.2. Especificaciones alternativas de ecuaciones de ingresos. 24
3.2.1. Regresión de Mincer clásica ampliada. 24
3.2.2. Regresión de Mincer desagregando por nivel educativo. 26
3.3. Resultados empíricos. 27
3.3.1. Interpretación de los resultados. 27
4. Efecto sheepskin. 31
4.1. Revisión de la literatura. 31
a) Layard y Psacharopoulos (74) 31
b) Hungerford y Solon (87). 31
4.2. Especificación usada para captar el efecto sheepskin. 32
4.3. Resultados empíricos. 33
4
4.3.1. Interpretación intratemporal de los resultados. 34
4.3.2. Interpretación intertemporal de los resultados. 37
4.4. Corrección por sesgo de selección. 40
4.4.1. Modelo de selección a estimar. 40
4.4.2. Resultados empíricos. 42
5. Conclusiones y futuras líneas de investigación. 47
6. Bibliografía. 49
Anexo N° 1: Efectos de crisis económicas sobre mercado laboral y desigualdad. 53
Anexo N° 2: Problemas teóricos y econométricos de la ecuación de Mincer. 60
Anexo N° 3: Datos y variables utilizadas. 64
Anexo N° 4: Regresiones y estadísticos. 68
5
Abstract. This paper analyzes the evolution of rates of return during Argentina’s economic recession
in 2001. Using the “Permanent Survey of Households” data for two years: 1995 and 2002,
this paper demonstrates that the classic Mincer equation is not the correct specification. We
find strong sheepskin effects for all educational levels. We conclude that the human capital
is heterogeneous and that the educational title is a potent signal. These results are robust to
selection bias correction. As a specific goal of this paper, we analyze the effects of
Argentina’s crisis on the labor market, human capital components and rates of return. We
show that this crisis strongly reduced wages and employment levels and increased
inequality. Considering the human capital factors, we show that this crisis affected more
severely: less educated people, the young, people with shorter tenure in the company and
those that worked in the private sector. Educational returns to people with primary
education were reduced, while returns to those that had secondary and university education
increased.
Resumen. El objetivo del trabajo consiste en analizar el comportamiento de las tasas de retorno a la
educación durante la depresión económica del 2001 que afectó a la Argentina. Utilizando
datos de la Encuesta Permanente de Hogares para los años 1995 y 2002 se demuestra que la
ecuación de Mincer clásica no es la especificación correcta. Se encuentran fuertes efectos
sheepskin para todos los niveles educativos analizados. Esto nos permite concluir que el
capital humano es heterogéneo y que el título educativo es una potente señal para
diferenciarse. Los resultados son robustos ante la corrección por sesgo de selección. Como
objetivo específico se analizan los efectos de la citada crisis sobre el mercado laboral, los
componentes del capital humano y las tasas de retorno. Se muestra que la crisis redujo
fuertemente los salarios y los niveles de empleo. Adicionalmente produjo aumentos en la
desigualdad. En cuanto a los factores de capital humano se aprecia que afectó de
sobremanera a los menos educados, los más jóvenes, las personas con menor antigüedad en
la empresa y aquellos que se desempeñaban en el sector privado. Las personas con
educación primaria vieron reducido su retorno, mientras que aquellos que tienen educación
secundaria y universitaria tuvieron un incremento durante el periodo analizado.
6
1. Introducción.1
Para la mayor parte de los países del mundo se aprecia una clara correlación positiva entre
capital humano y salarios laborales. La manera típica de analizar esta relación es mediante
ecuaciones de Mincer2 y tasas de retorno. Esta literatura, es una de las áreas de mayor
investigación teórica y empírica de los últimos 30 años. Se han calculado ecuaciones de
ingresos para muchos países y para períodos de tiempo muy variados3. En línea con esta
argumentación y con los datos disponibles para la Argentina, se plantean las preguntas que
este trabajo pretende responder desde un punto de vista empírico, junto con las hipótesis
relacionadas:
Pregunta 1: ¿Es correcta la forma funcional impuesta por la ecuación de Mincer clásica
“ampliada”4 en el caso de la Argentina?
Hipótesis 1: Uno tendería a pensar que la existencia de una única tasa de retorno promedio
para toda la población es una reducción bastante importante de la realidad. En general, se
espera obtener retornos diferenciados por nivel educativo, dado que estos serían unidades
de capital humano heterogéneo.
Pregunta 2: Culminar un nivel educativo, ¿proporciona un retorno adicional?, es decir,
¿existe el efecto sheepskin?
Hipótesis 2: buena parte de la demanda laboral está compuesta por empleos que requieren
un determinado nivel educativo culminado. Por ejemplo, un alto porcentaje de los empleos,
ya sean públicos o privados, establece como condición de entrada la presentación de un
determinado “título educativo”. Distintas profesiones exigen la culminación de la carrera
universitaria respectiva para poder ejercer como profesional. Estas “legislaciones laborales”
establecen barreras de entrada a los distintos empleos, creando un diferencial positivo a
favor de los que cumplen la citada condición. Esta situación nos lleva a pensar que debería
existir un importante premio en caso de culminar un nivel educativo versus el hecho de no
1 Se agradecen los valiosos aportes y sugerencias realizados por Claudio Sapelli y Bernardita Vial. Cualquier
tipo de error u omisión son de mi entera responsabilidad. 2 También denominadas ecuaciones de ingresos.
3 Un resumen de esta relación aparece en la sección 2 donde se hace una revisión de la literatura teórica y
empírica de ecuaciones de ingresos. 4 Se amplía la ecuación de Mincer clásica para tener en cuenta atributos adicionales del trabajador, atributos
de los puestos de trabajo y del sector económico donde se encuentra ubicado el empleo.
7
terminarlo. Adicionalmente, la teoría de la señalización establece que debido a problemas
de información asimétrica los empleadores utilizan los títulos educativos como una señal de
la productividad del trabajador. Esto es otro argumento adicional a favor de la existencia
del efecto sheepskin.
Para responder estas preguntas se utiliza la base de datos de la “Encuesta Permanente de
Hogares” (EPH) realizada por el Instituto Nacional de Estadísticas y Censos (INDEC). Se
analizan los datos de todos los trabajadores asalariados con ingresos laborales positivos,
cuya edad esta entre los 15 y 65 años5. Se utilizan las ondas de mayo de 1995 y 2002. Dado
que estas son dos bases con datos de corte transversal, podremos tener una noción
intratemporal de la estructura de tasas de retornos imperante en la Argentina en el último
tiempo.
Adicionalmente, a través de la comparación de los resultados de ambas ondas podremos
efectuar un análisis intertemporal. Es en este aspecto donde adquiere importancia la
situación socioeconómica que imperaba en la Argentina durante el periodo de tiempo en el
que se relevó la información. En mayo de 1995, si bien la economía Argentina estaba
sintiendo los embates de la crisis mexicana, era una economía solida con un régimen de
tipo de cambio fijo, apertura comercial y desregulación de los distintos mercados6. Mientras
que en mayo de 2002, la Argentina se encontraba en el epicentro de una profunda depresión
económica, acompañado de una grave crisis institucional y social. Estos sucesos fueron el
corolario de una recesión económica que comenzó a fines de 1998. En 2002 la Argentina
había declarado la cesación de pagos de sus obligaciones externas, se había abandonado el
régimen de tipo de cambio fijo, el gobierno se encontraba acéfalo e imperaba una profunda
incertidumbre en todos los sectores económicos.
Dadas las profundas diferencias entre los datos de ambos cortes transversales, caracterizado
por la existencia de la depresión económica, se analizan los efectos de la misma sobre las
tasas de retorno a la educación7.
5 En el presente trabajo nos focalizamos en la muestra compuesta únicamente por hombres. La separación por
género se justifica en las diferencias que existen entre la oferta laboral masculina y femenina. Factores como
el cuidado de los niños, la producción al interior del hogar, la depreciación del capital humano, entre otros,
justifican la estrategia de separación seguida en el presente trabajo. 6 Uno de los mercados con mayores regulaciones era el laboral.
7 Esto enmarcado en las dos hipótesis planteadas anteriormente.
8
La metodología utilizada para testear las hipótesis antes comentadas se centra en sucesivas
aplicaciones de la ecuación de Mincer y en un análisis exhaustivo de los principales
indicadores del mercado laboral argentino.
La estructura del trabajo es la siguiente:
• En la sección 2 se presenta el contexto económico en el cuál se relevaron los datos.
Se analizan los efectos que tuvo la depresión del año 2001 sobre indicadores del
mercado laboral, como salarios, empleos y desigualdad. Adicionalmente se expone
un análisis estadístico de los efectos de la citada crisis sobre indicadores de capital
humano. Se muestran los grupos más afectados por la contracción económica.
• En la sección 3 se analiza la primer hipótesis planteada. Comienza con una revisión
de la literatura teórica y empírica de ecuaciones de ingresos. Luego se explican las
diferentes especificaciones alternativas de ecuaciones de Mincer que se estiman en
el presente trabajo. Por último se resumen los principales resultados empíricos para
las ondas de 1995 y 2002 que permiten contestar la pregunta 1.
• En la sección 4 se testea la hipótesis 2 de existencia o no del efecto sheepskin. Se
resumen los trabajos más representativos de la literatura relacionados con este
tema. Se exponen los resultados empíricos y se comentan los mismos.
Posteriormente se presenta una corrección de los resultados mediante el análisis del
sesgo de selección. Esto último se efectúa debido a que el proceso de depresión
económica pudo haber afectado notoriamente las decisiones de participación en el
mercado laboral. En el análisis de los resultados empíricos de esta especificación se
detallan los efectos de la crisis sobre los distintos componentes del capital humano,
incluidas las tasas de retorno a la educación.
• En la sección 5 se enumeran las principales conclusiones del trabajo y se plantean
futuras líneas de investigación.
• En la sección 6 se expone la bibliografía utilizada.
• En la sección 7 se exponen los distintos anexos que permiten aclarar temas
presentados en las distintas secciones.
9
2. Contexto y descripción de los datos.
En el periodo de tiempo transcurrido entre ambas ondas de datos, las condiciones
macroeconómicas de la Argentina fueron muy cambiantes. Entre 1995 y 1998 la economía
estaba en crecimiento y con un tipo de cambio fijo. Entre 1998-2000 la economía entró en
un periodo recesivo desembocando en una profunda crisis económica en el 2001, llevando
al abandono del tipo de cambio fijo para pasar a un tipo de cambio flotante. Los efectos
negativos de la crisis mostraron su mayor impacto en el segundo trimestre del año 2002,
fecha que coincide con la onda analizada.
En este apartado se describen distintos indicadores que muestran los efectos de la crisis del
2001 sobre el mercado laboral y sobre los distintos componentes del capital humano. Estos
últimos resultan ser las variables involucradas en la estimación de las ecuaciones de
Mincer.
2.1. Efectos de la crisis sobre indicadores del mercado laboral.
Los efectos de la crisis del 2001 sobre el mercado laboral se exponen a través de los
distintos estadísticos de la tabla 18.
Tabla 1: Efectos de la crisis sobre el mercado laboral9.
ESTADÍSTICO 1995 2002
Producto Bruto Interno 240.8 234.9
Tasa de desempleo 15.3 22.1
Tasa de empleo 77.2 70.7
Tasa de subocupación 7.8 14.2
Duración del desempleo 5.6 6.2
Coeficiente de Gini 0.49 0.55
Salarios
Media 680,1 510,4
s.d. 591,1 504,6
s.d./media 0,87 0,99
Como se aprecia en dicha tabla, el PBI registró una caída de 2.5 % entre 1995 y 2002. Pero
si tomamos en cuenta el año 1998, fecha en la cual se inicia la recesión, la caída del
8 La muestra la constituyen los hombres con edad entre los 15 y 65 años que no están estudiando.
9 PBI expresado en miles de millones de pesos de 1993. Las tasas de desempleo, empleo, desocupación y
subocupación están expresadas en porcentajes. La duración del desempleo está expresada en meses. El PBI y
el coeficiente de Gini fueron extraídos de datos del Indec. Todos los demás indicadores son de elaboración
propia en base a datos de la EPH.
10
producto asciende a 19.5 % en un lapso de 3 años. Estas cifras permitirían incluir a la crisis
del año 2001 dentro de la definición de depresión esgrimida por Kehoe y Prescott (02)10
.
La tasa de desempleo de la muestra analizada aumentó casi 7 puntos porcentuales durante
este periodo de tiempo. La tasa de empleo se redujo 6.5 puntos, mientras que la de
subocupación aumentó 6.3 %. Estos datos indican que el 36.3 % de los hombres en edad de
trabajar tenían problemas para ofrecer sus servicios en el mercado laboral en el año 2002.
En cuanto a la duración del desempleo vemos que esta aumentó en poco más de medio mes.
Con respecto a la desigualdad, se aprecia un incremento importante de esta. El coeficiente
de Gini aumentó 6 % durante ambos años. Así, la distribución del ingreso se vio
sustancialmente empeorada a consecuencia de la crisis. En línea con esto, se observa que
los salarios en términos reales se redujeron entre 1995 y 2002. Dicha reducción fue del
orden del 25 % en promedio. La desviación estándar también se redujo pero en una cuantía
inferior. Cuando analizamos el indicador de la media con respecto a la desviación estándar
vemos un aumento importante en este. Todo indica que se produjo un aumento de la
desigualdad durante el periodo analizado11
.
Concluyendo se puede decir que la crisis económica del 2001 afectó negativamente los
niveles de empleo y de salarios. Los efectos resultan ser similares en cuanto a dirección a
los exhibidos en otros procesos de crisis. Si bien la mayor parte del ajuste se la llevaron los
salarios reales, el ajuste en el empleo no es despreciable. Por su parte la desigualdad
muestra un incremento importante durante estos 7 años, lo cual está en línea con lo ocurrido
en otras partes del mundo12
.
2.2. Efectos de la crisis sobre indicadores de capital humano.
En este apartado se analizarán los efectos de la crisis económica del 2001 sobre los
diferentes componentes del capital humano. Los principales estadísticos se muestran en la
tabla 2.
10
Estos autores, definen que un país sufre una depresión económica cuando: i) el producto disminuye 20 %
con respecto a su valor de tendencia y ii) una reducción de al menos 15 puntos se produce durante la primera
década de iniciada la contracción. 11
Analizando por cuantiles de ingresos tenemos que la reducción del cuantil 10 (menores salarios) fue del 48
%, mientras que la reducción del cuantil 90 fue de tan solo el 25 %. Es decir, la crisis afectó más
negativamente a los trabajadores más pobres. En la mediana (cuantil 50) la reducción fue del 26 %. 12
Efectos empíricos de crisis económicas sobre mercado laboral y desigualdad aparecen analizados y
comentados en el anexo N° 1.
11
Tabla 2: Efectos de la crisis sobre los componentes del capital humano13.
ESTADÍSTICO EMPLEADOS DESEMPLEADOS INACTIVOS 1995 2002 1995 2002 1995 2002
Años de educación 9.6 10.2 8.8 9.2 7.5 8
Categorías de educ (%)
prim incomp 59.3 47.6 9.6 17.1 31.1 35.3
prim comp 70.3 63.8 11.7 17.7 18 18.5
sec incomp 76.6 68 13.2 18.1 10.2 13.9
sec comp 76.1 71.5 11.6 15.6 12.3 12.9
univ incomp 84.1 75.9 8.7 15.6 7.2 8.5
univ comp 90.7 85.6 3.5 8 5.7 6.3
Experiencia 20.6 21.4 15.6 17.7 34.9 29.5
Edad
15-18 47.1 28.7 30.7 30.9 22.2 40.4
19-30 78.9 66.6 15.9 23.1 5.2 10.3
31-40 90.4 81.3 6.3 13.8 3.3 4.9
41-50 84.8 79.5 6.8 11.8 8.3 8.7
51-60 64.4 62 7.3 12.2 28.3 25.8
60-65 23.4 35.5 4.8 6.4 71.8 58.1
Tenure 7.37 7.97 8.29 3.94
Tamaño empresa (% en función del número promedio de trabajadores)
1 98 94.4 2 5.6
3 85.3 77.9 14.7 22.1
10 88.6 81.4 11.4 18.6
20 90.2 83.9 9.8 16.1
38 90.3 84.7 9.7 15.3
75 91.4 86.9 8.6 13.1
300 92.6 89.1 7.4 10.9
500 92.2 89.2 7.8 10.8
Tipo de empresa Público 96.3 95.4 3.7 4.6
Privada 86.4 78.1 13.6 21.9
Otros 93.4 97.6 6.6 2.4
Sector económico
Actividades Primarias. 88.9 11.1 79.3 20.7
Ind. de alimentos, bebidas y tabaco. 87.9 12.1 84.7 15.3
Ind. textiles, confecciones y calzado. 83.8 16.2 78.4 21.6
Ind Prod químicos, petróleo y nuclear. 87.8 12.2 82.8 17.2
Ind Prod metálicos, maq. y equipos. 86.8 13.2 77.5 22.5
Otras industrias manufactureras. 87.4 12.6 78.4 21.6
Suministro de electricidad, gas y agua. 92.1 7.9 91.7 8.3
Construcción. 77.9 22.1 58.6 41.4
Comercio al por mayor. 88.8 11.2 81.3 18.7
Comercio al por menor. 86.6 13.4 82.1 17.9
Restaurantes y hoteles. 82.5 17.5 75.4 24.6
Transporte. 88.5 11.5 86 14
Ss conexos de transportes y comunic 89.5 10.5 77.5 22.5
Intermediación financiera. 92.6 7.4 90.4 9.6
Act. Inmobiliarias y empresariales. 89.6 10.4 76.5 23.5
Administración pública y defensa. 97.1 2.9 95.7 4.3
Enseñanza. 98.4 1.6 95.4 4.6
Servicios sociales y de salud. 96.5 3.5 92.5 7.5
Otras act de ss sociales y comunitarios 93.8 6.2 87.5 12.5
Servicios de reparación. 82.7 17.3 79.7 20.3
Hogares privados con ss doméstico. 92.6 7.4 64.9 35.1
Otros servicios personales. 92.1 7.9 70.5 29.5
13
Para las variables tenure, tamaño de la empresa y tipo de empresa contamos con datos para los empleados y
los desempleados. No así para las personas que se declaran inactivas.
12
Se explica su comportamiento en tres poblaciones netamente diferenciadas: los empleados,
los desempleados y los inactivos. Nos interesa determinar los subgrupos de población más
afectados por la crisis del 2001.
En estos 7 años se registra un aumento sustancial en el nivel educativo de todos los
subgrupos14
. Se observa que las personas empleadas tienen un mayor nivel educativo que
las desempleadas y las inactivas. Cuando analizamos la variable educación en función de
los distintos niveles tenemos:
• Todos los subgrupos educativos se vieron afectados por la crisis económica. Esto lo
manifiesta los aumentos en los niveles de desempleo y de inactividad. Pero el efecto
más negativo se aprecia en los menos educados (primaria incompleta). En este
estrato, el porcentaje de empleados se redujo un 11.7 %. Esto implica que la crisis
hizo que los menos educados vieran reducidas sus oportunidades de empleo,
llevando a buena parte de ellos al desempleo y a otros a salirse del mercado laboral.
Cuando analizamos la experiencia “potencial” promedio, vemos que las personas
desempleadas exhiben una menor cantidad de años en esta variable. Esto implica que la
gente de menor experiencia tiende a sufrir más el desempleo. La experiencia potencial
aumentó para los empleados y los desempleados, mientras que se redujo para los
inactivos15
. Esta variable, por construcción, depende de la evolución de la edad y de los
años de educación. Si bien la educación promedio aumentó, también lo hizo la edad
promedio, pero en una cuantía mayor16
. Cuando analizamos la distribución por rangos de
edad se aprecia:
• Todos los subgrupos de edad se vieron afectados por la crisis. Los porcentajes de
desempleados aumentaron para todos los estratos analizados. Pero el efecto más
negativo se aprecia en los más jóvenes (personas entre 15 y 18 años). En este
estrato, el porcentaje de empleados se redujo un 18.4 %. Esto implica que la crisis
14
Para el caso de las personas empleadas se aprecia un aumento de más de medio año en el nivel educativo.
En 1995, los años de educación promedio eran de 9.6, mientras que en 2002 esta cifra era de 10.2. Un
aumento similar se registra para los desempleados e inactivos. 15
Hay un aumento de casi un año en este ítem durante el periodo analizado para las personas empleadas. La
experiencia promedio en 1995 era de 20.6 años, mientras que en 2002 ascendió a 21.4. Un aumento más
importante se registra para la población de desempleados. 16
Se verifica para los empleados y desempleados. Para los inactivos ocurre lo contrario en cuanto a la edad.
13
hizo que los más jóvenes vieran reducidas sus oportunidades de empleo, llevando a
una porción minoritaria al desempleo y al grueso a salirse del mercado laboral.
Muchos de los jóvenes inactivos decidieron ingresar de nuevo al sistema educativo.
La educación actúa como un mecanismo de contención en épocas de crisis. Debido
a que es difícil conseguir trabajo, muchos jóvenes optan por emprender alguna
carrera universitaria.
• Una situación radicalmente opuesta se aprecia en el rango de mayor edad. Estos,
debido a la crisis ingresaron masivamente al mercado laboral y lo hicieron
relativamente con éxito. Esto debido a que buena parte de ellos consiguieron
empleo. En tiempos de crisis, los ingresos familiares se reducen, ya sea por
reducciones en los salarios o ajustes en el empleo. Una manera de contrarrestar esto
es a través del ingreso de otros integrantes al mercado laboral. Esto ocurrió con las
personas de mayor edad17
.
En cuanto al tenure, vemos que hay un aumento de más de medio año en esta variable en el
caso de los empleados18
. Pero hay una reducción notable en el caso de los desempleados.
Analizando este subgrupo se aprecia que la crisis económica perjudicó notablemente a las
personas de menor antigüedad. Esto implica que las empresas decidieron dejar sin empleo a
los empleados de menor tenure.
Analizando el tamaño de la empresa, se aprecia que la crisis económica afectó de forma
negativa a todos los estratos. Los desempleados aumentaron su participación con respecto a
los empleados en todos los tamaños analizados. Pero los efectos más negativos se aprecian
en aquellas empresas de envergadura pequeña. El efecto negativo se va haciendo más tenue
a medida que aumenta el tamaño de la empresa. Así, podemos decir que la crisis perjudicó
principalmente a las empresas de tamaño pequeño.
Cuando analizamos el tipo de empresa, se aprecia que la crisis afectó principalmente a
trabajadores de empresas privadas. En este estrato el porcentaje de desempleados aumentó
17
Un hecho que se vislumbra durante la crisis del 2001 es el ingreso importante de las mujeres al mercado
laboral para compensar los ingresos perdidos. Las tasas de inactividad femeninas se vieron fuertemente
reducidas acompañadas por aumentos importantes en las tasas de empleo. Esto no aparece reflejado en el
presente trabajo debido a que nos concentramos en muestras de hombres. 18
La cantidad de años, que en promedio el trabajador permanecía en el puesto de trabajo era de 7.37 años en
1995. Pero en 2002 esta cifra ascendió a 7.97 años.
14
8.3 % durante ambas ondas. Los trabajadores del sector público tuvieron una mayor
estabilidad laboral durante el periodo de crisis. Esto refleja en parte el comportamiento
anticíclico que tienen los estados durante tiempos de crisis19
.
En cuanto al sector económico en que se desempeña el trabajador (o se desempeñaba el
desempleado) vemos que la crisis afectó negativamente a todos los sectores de la economía.
Pero los sectores relacionados con servicio doméstico, servicios personales y construcción
fueron los más golpeados por el crack económico. Por otra parte, sectores como la
administración pública, la intermediación financiera y la enseñanza fueron los menos
perjudicados por la crisis.
Concluyendo esta sección podemos decir que la crisis afectó principalmente, a través del
desempleo y la inactividad, a los siguientes estratos:
• Los menos educados.
• Los más jóvenes.
• Los de menor antigüedad en la empresa.
• Los que trabajaban en empresas de tamaño pequeño.
• Los que trabajaban en empresas del sector privado.
• Los trabajadores relacionados con el servicio doméstico, los servicios personales y
la construcción.
19
Ejemplo de esto lo constituye el “plan jefes y jefas de hogar”.
15
3. Ecuaciones de ingresos.
3.1. Revisión de la literatura.
El análisis teórico y empírico que demuestra la influencia que ejerce el capital humano20
sobre los salarios, tiene su origen a fines de la década del 50. Los trabajos teóricos más
destacados en la literatura de ecuaciones de ingresos, y que se analizarán con mayor detalle
en esta revisión, son: Mincer (58 y 74), Ben Porath (67), Willis (86)21
, Card (99) y
Heckman-Lochner-Todd (03). Hay otros estudios muy interesantes pero que no serán
analizados aquí como: Becker (75), Griliches (77 y 79)22
, Rosen (77), Ashenfelter-Krueger
(94)23
entre otros. Dentro de los trabajos empíricos de ecuaciones de ingresos sobresalen
Psacharopoulos y Ng (92) quienes analizan países latinoamericanos, Pessino (96) estudia
los retornos en Argentina, Sapelli (03) desarrolla el caso de Chile y Heckman et al (03)
aplican ecuaciones de ingresos para el caso de Estados Unidos.
3.1.1 Literatura teórica de ecuaciones de ingresos.
a) Mincer (58).
Presenta un modelo para tratar de determinar ¿Cuánto debe educarse una persona si es que
quiere maximizar su riqueza intertemporal (no utilidad)? Supone que todos los individuos
tienen las mismas habilidades y oportunidades de entrar a una ocupación, pero estos
trabajos difieren en la cantidad de entrenamiento que requieren. Educarse tiene costos
indirectos, como los salarios perdidos durante el periodo educativo y la reducción del
periodo para recuperar la inversión24
. También tiene beneficios, los cuales se manifiestan
20
Inicialmente las variables que se utilizaban como proxies del capital humano eran la educación y la
experiencia. Con el correr del tiempo y la disponibilidad de datos se fueron agregando medidas de tenure. 21
Willis (86) complementa teóricamente a los dos trabajos de Mincer. Mincer (58) tiene un modelo teórico
pero solo representa la oferta de capital humano, por lo que Willis (86) lo complementa introduciendo una
demanda de capital humano a través de ocupaciones que requieren distintos niveles educativos. Mincer (74)
no tiene modelo y está basado en definiciones e identidades, por lo que Willis (86) le da todo el marco
teórico. Así Willis (86) explica tanto la ecuación (1) como la (2). 22
Griliches (77) discute los problemas econométricos que tiene la ecuación de Mincer (2), mientras que
Griliches (79) se focaliza en el sesgo de habilidad y analiza como resolverlo. 23
Estos autores analizan el problema de errores de medición y tratan de resolverlo mediante el uso de
variables instrumentales. 24
Este modelo no considera los costos directos de la educación como matrícula, libros, gastos de transporte,
etc.
16
en los mayores ingresos futuros25
. Este es un modelo de diferencias compensadoras. El
principio de diferencias compensadoras explica porque personas con diferentes niveles de
educación reciben diferentes ingresos a lo largo de sus vidas. Los individuos son idénticos
ex ante, por lo que requieren un diferencial compensador para trabajar en ocupaciones que
requieren mayor entrenamiento. El tamaño de la compensación debe ser tal que iguale el
valor presente de las sendas de ingresos de los diferentes niveles de inversión. Así los
individuos deberían estar indiferentes entre las distintas alternativas (educarse o no
educarse o también entre educarse s años o (s-d) años).
Mincer concluye que el individuo deja de educarse cuando su capacidad de generar
ingresos crece igual que la tasa de interés, pero como los ingresos son función de los años
de educación, concluye que toda la gente se educa lo mismo. Llega a una ecuación de
ingresos en función de los años de educación de la siguiente forma:
ln ( ) ln (0) (1)y s y rs= +
(1) expresa que el ingreso (ln y(s)) depende linealmente de la educación s. r es la tasa de
retorno marginal de la educación. ln y(0) es el ingreso cuando no se tiene educación.
Algunas de las críticas que se le hicieron a Mincer (58) son: supone ingresos constantes a lo
largo del ciclo de vida, lo cual es una simplificación necesaria pero muy fuerte; en (1) está
modelando una ecuación de oferta de capital humano, por lo que es necesario modelar el
lado de la demanda; predice un salario plano con la edad, pero los datos muestran que esto
no es así (son cóncavos); el supuesto que los agentes maximizan riqueza y no utilidad es
bastante restrictivo aunque simplifica el análisis26
; las personas difieren en dos aspectos
centrales: tienen distintas habilidades y diferente acceso al crédito, esto se traduce en
problemas de identificación y estimación, lo que nos lleva a sobrestimar (por sesgo de
habilidad) o subestimar la tasa de retorno a la educación dependiendo del caso.
b) Ben Porath (67).
Presenta un modelo bastante más complejo de inversión en capital humano (HC) en el
contexto del ciclo de vida. Este es un modelo de unidades de eficiencia, ya que considera al
25
En este modelo la oferta de trabajo es exógena, por lo que ingresos = salarios debido a que las horas
trabajadas son fijas. Este factor de horas trabajadas es relevante en el caso de las mujeres, ya que la varianza
de la oferta laboral es mucho mayor. 26
Una especificación alternativa podría ser la de incluir ocio, pero esto dificultaría enormemente el análisis.
17
HC como homogéneo. Los principales supuestos son: los individuos no valoran el ocio ni el
HC y reparten su tiempo entre trabajo y producción de HC; el stock de HC es homogéneo,
por lo que todos los años de educación aumentan la productividad de igual forma en el
trabajo, lo que implica que son sustitutos perfectos; los agentes pueden endeudarse y
ahorrar sin límite a la tasa r, lo que implica que el mercado de capitales es perfecto y todos
tienen las mismas posibilidades de acceso al crédito; la oferta de trabajo es fija y es un
modelo de corto plazo. En este modelo se consideran los costos directos como indirectos de
la educación y se hace diferencia entre los ingresos potenciales de los efectivos. La
condición de primer orden (CPO) del problema expresa que el individuo invierte en HC
hasta que el costo marginal es igual al beneficio marginal. Lo relevante de esta condición,
es que la inversión en HC no depende de la tasa de retorno de la inversión, ni del stock de
HC que tiene acumulado el individuo. Esto se debe a “la neutralidad de Ben Porath”, ya que
el HC es igualmente productivo consumiéndolo que invirtiéndolo. Una implicancia
relevante es que logra generar perfiles de edad-ingreso cóncavos.
Dentro de las limitaciones de este modelo se destacan: no se pueden obtener tasas de
retorno a la educación debido a que hay problemas de identificación; la CPO no es fácil de
testear; se supone oferta laboral constante; se basa en expectativas estáticas para determinar
los ingresos potenciales27
.
c) Mincer (74).
Este modelo está motivado por supuestos enteramente diferentes a los de Mincer (58), pero
produce una especificación similar. Está construido sobre identidades contables y es el
estudio clásico que postula una relación positiva entre el ln de los ingresos con los años de
educación y experiencia. Es el que genera la mayor parte de la literatura de tasas de retorno.
Este trabajo, se focaliza en la dinámica de los ingresos a lo largo del ciclo de vida y en la
relación entre ingresos observados, ingresos potenciales e inversión en capital humano
(tanto en términos de educación formal como de inversión en el trabajo).
Dentro de sus principales supuestos se encuentran: la tasa de retorno del HC es constante
para todos los niveles educativos; es un modelo de retornos constantes a escala por lo que
27
Mincer (58) también tiene este problema de expectativas.
18
no tiene solución interior; mientras el individuo va a la escuela dedica todo su tiempo a
educarse. La ecuación básica de Mincer (74) es
)2(ln 2
100 εββρα ++++= XXSy si
Donde ρs es la tasa de retorno a la educación S, β0 es el coeficiente que mide el efecto de la
experiencia (X) sobre los ingresos y β1 trata de captar la concavidad de los perfiles de
ingreso con respecto a la experiencia. ln y es el logaritmo natural de los ingresos.
Este modelo tiene dos puntos a favor: i) llega a resultados bastante coherentes, en distintos
países y en diversos períodos de tiempo y ii) predice bastante bien la distribución del
ingreso aunque no haya sido confeccionado para ello.
Las principales críticas a este paper son28
: no tiene modelo ni teoría económica29
, tampoco
cuenta con predicciones de comportamiento. Su análisis está basado en identidades y
supuestos. La ecuación de regresión (2) surge de una identidad, por lo que no se puede
testear el comportamiento económico, esto hace que no sea factible distinguir entre teoría
del HC y teoría de la señalización. Se basa en expectativas estáticas. Hay problemas con los
datos utilizados, ya que el ingreso está medido con error (debido a que los beneficios no
salariales generalmente no son obtenidos en las encuestas) y la experiencia no es
observable (se calcula como una proxy donde X = edad – educación - 6). Esta manera de
calcular la experiencia tiene implícito el supuesto de que los individuos nunca estuvieron
desempleados o fuera del mercado laboral30
. No tiene en cuenta el sesgo de habilidad. De la
regresión obtenemos una tasa de retorno promedio y no una tasa de retorno marginal.
Según Rosen (77) la teoría del HC es una teoría del ingreso permanente, pero la estimación
de (2) usa ingreso corriente.
Para solucionar algunas de las críticas anteriores se han planteado algunos ajustes como: i)
Willis (86) brinda un modelo teórico que da sustento a la ecuación de Mincer, por lo que se
soluciona en gran parte todo lo relevante a la falta de modelo y de argumentos teóricos.
28
Rosen (77) expone las principales extensiones y limitaciones que tiene la teoría del HC. 29
Willis (86) le brinda el marco teórico adecuado a la ecuación de Mincer. 30
Esta variable proxy se adapta bastante bien para los hombres pero no para las mujeres, las cuales pasan
largos periodos fuera del mercado laboral en la época de crianza de los niños.
19
ii) Heckman-Lochner-Todd (03) proponen ajustes relacionados con lo teórico y empírico de
la ecuación.
d) Willis (86).
Este presenta un modelo de equilibrio general con comportamiento maximizador que
termina dándole sustento teórico a la ecuación de Mincer. Willis modela ambos lados del
mercado. Este modelo se basa en los siguientes supuestos: cada ocupación requiere un nivel
de educación distinto (hay una regla de asignación o mapeo 1 a 1 entre años de educación y
ocupación); una vez que el individuo toma la decisión de cuanto educarse, esta es
irreversible (tecnología putty clay); los individuos parten teniendo tasas de descuento
distintas, lo que significa que tienen distintos grados de acceso al crédito, pero luego en el
equilibrio se supone que los individuos tienen igualdad de oportunidades e igualdad de
ventajas comparativas; los ingresos potenciales son “piece rate” por lo que dependen de la
productividad; la inversión en capital y la tecnología se consideran exógenas.
Este es un modelo que tiene componentes parecidos al de unidades de eficiencia, donde el
individuo elegirá cuantos años educarse para entrar a trabajar en la ocupación que le da el
mayor ingreso esperado. El ingreso de la persona será una función de su nivel de
educación. En el equilibrio, los individuos estarán indiferentes entre educarse s años o (s-d)
ya que todos los valores presentes de los ingresos son iguales. Dado esto las personas
deciden aleatoriamente en que ocupación trabajar, por lo que corr (Si, Ai)=0, lo que implica
que no hay sesgo de habilidad31
. Willis llega a una ecuación del tipo
0ln ln (3)ij i j i
y y rS A= + +
la cual es idéntica a (1) y a (2) solo que sin la experiencia. En este caso, (3) es la ecuación
reducida que surge del modelo estructural.
e) Card (99).
En este trabajo, Card hace un resumen de los papers mas recientes que tratan la relación
entre educación e ingresos. Esta compaginación se estructura en cuatro grandes áreas. i)
Trabajos que analizan los avances teóricos y econométricos que ayudan a modelar el efecto
causal de la educación sobre los ingresos, pero en un contexto de retornos heterogéneos; ii)
31
Ai es la habilidad del individuo i.
20
Estudios que utilizan distintos aspectos institucionales para calcular estimadores de
variables instrumentales de las tasas de retorno. iii) Papers que usan datos de gemelos para
analizar la relación entre educación e ingresos. iv) Estudios que modelan explícitamente las
distintas fuentes de heterogeneidad en los retornos a la educación.
Este autor concluye que el retorno promedio de la educación no es muy distinto del que
entrega una simple regresión de OLS. También expresa que el sesgo de habilidad es del
orden de solo 10 %. Los estimadores de retornos mediante variables instrumentales son 30
% mayores que los estimadores OLS. Este sostiene, que esto se puede deber a que el
retorno marginal de la educación de ciertos grupos (menos calificados) es mayor que el
retorno marginal promedio de la población.
f) Heckman-Lochner-Todd (03)
Estos autores sostienen que en la ecuación de Mincer (2), ρs captura dos conceptos
económicos distintos: i) una ecuación de precios o salarios hedónicos que revela cuanto el
mercado laboral pagará a ciertos atributos productivos como la educación y la experiencia.
ii) la tasa de retorno a la educación la cual se compara con la tasa de interés para determinar
la optimalidad de las inversiones en capital humano. Suponiendo estacionariedad del
entorno económico, ambos conceptos son equivalentes. Esta coincidencia solo ocurre bajo
condiciones especiales, las cuales eran validas en los datos del censo de 1960 usados por
Mincer. Pero esas condiciones han ido cambiando con el paso del tiempo, por eso es que la
aplicación del modelo de Mincer a datos mas actuales no proveen estimadores validos del
retorno a la educación. Debido a esto Heckman-Lochner-Todd (03) proponen ajustes
relacionados con lo teórico y empírico de la ecuación de Mincer como ser: a) usan formas
funcionales más flexibles que no restrinjan a una relación lineal la vinculación entre
educación e ingresos. b) modelan de otra manera la concavidad de los perfiles de ingreso
respecto a la edad y la experiencia. Esto se puede realizar elevando la experiencia a otros
exponentes superiores al cuadrado, como tercera y cuarta potencia. c) presentan las
condiciones bajo las cuales el coeficiente de la educación estima la tasa de retorno de la
educación, suponiendo estacionariedad en el entorno económico y perfecta certidumbre
(siguiendo el marco de Willis (86)). d) usando datos del censo para 1940-90, testean estas
condiciones y las rechazan, incluso en los datos del censo de 1960 usados por el mismo
Mincer. e) exploran la importancia de los supuestos de estacionariedad acerca del entorno
21
económico y permiten que los perfiles de ingreso-educación (o experiencia) difieran a
través de cohortes. f) relajan el supuesto implícito de perfecta certidumbre acerca de los
futuros ingresos asociados con los diferentes niveles de educación. g) consideran otros
determinantes de los retornos actuales, como los costos directos e indirectos de la
educación, los impuestos, el largo de la vida laboral y la incertidumbre acerca de los futuros
retornos cuando la decisión de educarse es tomada.
3.1.2 Literatura empírica de ecuaciones de ingresos.
a) Psacharopoulos y Ng (92)
Estos autores calculan tasas de retorno a la educación para varios países latinoamericanos
utilizando la metodología de variables dummies. Sus datos provienen de encuestas de
hogares realizadas en el año 1989. En la tabla 3 se presenta un resumen de sus principales
conclusiones.
Tabla 3: Tasas de retorno para distintos países latinoamericanos.
País Tasa de retorno (hombres) (%)
Tasas de retorno globales por nivel (%)
Primaria Secundaria Universitaria
Argentina32 10.7 17.9 12.3 15.4
Bolivia 7.3 19.4 6.63 17.4
Brasil 15.4 49.55 16.4 25.75
Chile 12.1 16.65 9.43 16.7
Colombia 14.5 28.35 12.22 19.92
Costa Rica 10.5 17.05 11.78 17.6
R.Dominicana 7.8 24.5 10.83 13.98
Ecuador 9.8 27.25 11.37 11.4
El Salvador 9.6 23.75 11.35 8.93
Guatemala 14.2 46.55 15.02 18.38
Honduras 17.2 23.3 19.8 19.9
Jamaica 28.0 23.45 38.27 9.68
México 14.1 51.85 12.42 12.95
Panamá 12.6 11.8 15.02 18.12
Paraguay 10.3 10.8 11.82 13.77
Perú 8.5 9.9 4.04 13.28
Uruguay 9.0 30.55 8.15 14.05
Venezuela 8.4 17.55 8.94 8.12
Como se aprecia, de los dieciocho países, once tienen tasas de retorno para los hombres
superiores al 10 %. Además encuentran que para el año 1989 la tasa de retorno en la
Argentina era de 10.7 %, mientras que para 1980 fue de 8 %. Así en la década del 80, el
32
Estas tasas de retorno fueron calculadas de la EPH, pero solo tomando en cuenta Capital Federal y Gran
Buenos Aires. Se utilizan aquellas personas con edad entre los 15 y 65 años.
22
retorno a la educación para los hombres creció en casi tres puntos porcentuales. Con
respecto a la estructura de tasas de retorno globales (hombres y mujeres) por nivel
educativo, se aprecia que para la mayoría, esta tiene forma de U, siendo el retorno de la
primaria mayor que el de secundaria y este a su vez menor que el de universitaria. Esto
implicaría que la ley de retornos decrecientes a la inversión en capital humano (medida por
educación) no se estaría cumpliendo en Latinoamérica.
b) Pessino (96).
En este trabajo se analiza el efecto que tuvieron los cambios macroeconómicos sobre los
retornos a los diferentes componentes del capital humano durante el período 1986-1993. Al
igual que Psacharopoulos y Ng (92), utiliza datos para Capital Federal y Gran Buenos
Aires. Su muestra la constituyen hombres con edades que oscilan entre los 25 y 54 años. En
la especificación de Mincer típica, encuentra que la tasa de retorno a la educación es del
10.4 % para el año 1993. Desglosando por niveles educativos tenemos que la tasa de
retorno para educación primaria es de 1.5 %, para secundaria de 9.9 % y para universitaria
de 16.9 %. Como se aprecia las tasas de retorno son crecientes con el nivel educativo.
c) Sapelli (03)33.
En este trabajo se investiga la evolución de las tasas de retorno a la educación en Chile para
el período 1990-1998. Dentro de sus principales conclusiones se encuentran: i) la tasa de
retorno es creciente con el nivel de educación. ii) hay importantes premios a la obtención
del título (efecto sheepskin) de la educación secundaria y universitaria. iii) la estructura de
las tasas de retorno reflejan que la educación es una útil fuente de señalización pero
también es un elemento constitutivo de lo que consideramos capital humano.
Utilizando la ecuación de Mincer clásica, encuentra que la tasa de retorno a la educación es
de 11.4 % para 1990 y 13.2 % para 1998. Cuando desagrega por nivel educativo obtiene
para el año 1990 que los retornos a la primaria, secundaria y universitaria son 5.9 %, 13.2
% y 18.8 % respectivamente. Para 1998 dichos retornos son 7.1 %, 13.9 % y 22.8 %.
Desagregando por la completitud o no de cada nivel educativo se muestra para 1990 que la
educación primaria incompleta tiene un retorno de 5.6 %, la primaria completa 10.6 %, la
secundaria inconclusa 9 %, la secundaria completa 26.7 %, la universitaria incompleta
33
Este paper sirvió de guía para la confección del presente trabajo.
23
rinde 14 % y la universitaria finalizada 33.9 %. Los retornos para 1998 son 6.5 %, 12.7 %,
11 %, 21.9 %, 18.2 % y 40.7 % respectivamente.
d) Heckman-Lochner-Todd (03)
Este es uno de los estudios más actuales del cálculo de tasas de retorno a la educación para
el caso de USA. Utilizando datos del censo de 1990 encuentran que la tasa de retorno a la
educación es de 12.2 % para los hombres blancos y de 15.2 % para los hombres negros.
Buscando una forma funcional más flexible, estiman las tasas de retornos por rangos de
años de educación. Para hombres blancos y con datos de 1990 hallan que el retorno de la
primaria completa y secundaria incompleta es de -7 %. Para secundaria completa es de 39
%, mientras que para la universitaria incompleta es 15 %. Por ultimo encuentran que la tasa
de retorno para la universitaria completa es del 24 %. Como se aprecia, estos autores
encuentran importantes efectos sheepskin para el caso de secundaria y universitaria, pero la
estructura de tasas de retornos presenta forma de U invertida.
24
3.2. Especificaciones alternativas de ecuaciones de ingresos.
Para testear la hipótesis 1 se estimarán las dos especificaciones que se detallan a
continuación. En la primera se expone la especificación de Mincer clásica ampliada. En
esta se incluyen atributos de los trabajadores, de las empresas y de la industria. En la
segunda, se desglosan los años de educación en los tres niveles educativos posibles,
primaria, secundaria y universitaria. Así podemos calcular el retorno promedio para cada
uno de los mencionados niveles. Si la estructura de tasas de retorno es relativamente
constante para los distintos niveles educativos, podemos falsear la hipótesis 1. Esto
implicaría que la ecuación de Mincer clásica ampliada es la forma funcional correcta para
los datos de la Argentina. Por el contrario, si la estructura de tasas de retorno es creciente,
decreciente o presenta otra forma no constante, estaríamos verificando la hipótesis 1.
3.2.1. Regresión de Mincer clásica ampliada.
En el mercado laboral existe una gran heterogeneidad entre los puestos de trabajos y
también entre los trabajadores34
. Para dar cuenta de esto, se postula la ecuación de Mincer
clásica ampliándola con35
:
• Atributos del trabajador: se incluye el tenure como otra medida del capital
humano del trabajador.
• Atributos del puesto de trabajo: medidos por el número de trabajadores que
trabajan en la empresa y la propiedad de la misma (si es pública o privada).
• Atributos de la industria: separamos en los distintos sectores productivos donde
se encuentran los puestos de trabajo.
La regresión a estimar es la siguiente:
)4(ln 10
2
10
2
100 εϕηηγγββρα +++++++++= ∑i
iisi DIPNTTXXSy
34
Diferencias en los niveles de capital humano principalmente. Aún cuando los trabajadores tengan el mismo
nivel de capital humano, la heterogeneidad en los puestos de trabajo, hace que los retornos a dicho capital
sean distintos entre individuos “similares”. 35
Aún así es completamente imposible captar toda la heterogeneidad, esto porque las características del
trabajador y del puesto del trabajo interactúan en la determinación del salario.
25
La regresión de Mincer en su forma clásica es una ecuación loglineal, que regresa el ln de
los salarios36
en un término constante, un término lineal en los años de educación S y
términos lineales y cuadráticos en los años de experiencia laboral (X y X2). La experiencia
es “potencial” y se calcula como, X = edad – educación – 637
.
La denominación de “ampliada” se debe a la inclusión de los restantes miembros. T es una
medida del tenure del trabajador, es decir, la cantidad de años que la persona lleva
trabajando en el empleo actual38
. Para captar posibles no linealidades se eleva este factor al
cuadrado (T2).
Las variables que representan atributos de los puestos de trabajo vienen representadas por
N y P. N es una variable que mide la cantidad de empleados que tiene la empresa donde
está empleado el trabajador. P es una variable dummy que indica si la empresa es pública
(P=1) o privada (P=0).
Las variables que representan atributos de la industria donde se encuentra ubicado el puesto
de trabajo, vienen representadas por DIi, con i=1, 2,…., 22. Hay una variable dummy por
cada industria39
, lo que implica 21 dummies adicionales40
.
En esta especificación ρs representa la tasa de retorno promedio a la educación. β0 y β1
capturan la forma de los perfiles de salarios con respecto a la experiencia. γ0 y γ 1 capturan
la forma de los perfiles de ingresos con respecto al tenure del trabajador. η0 capta el efecto
que tiene el tamaño de la empresa sobre los salarios, mientras que η1 controla por el hecho
de trabajar en una empresa pública. A su vez φi capta el efecto de cada industria sobre los
ingresos de los trabajadores.
36
En este trabajo se utiliza como variable dependiente al ln de los salarios mensuales declarados por el
individuo. Una medida alternativa podría haber sido el ln de los salarios por hora, pero esta serie presenta
deficiencias en el caso de la EPH, por lo que se optó por la primera. 37
Esta especificación presenta una serie de problemas teóricos y econométricos los cuales son comentados en
el anexo Nº 2. 38
Es una medida de la antigüedad del trabajador en la empresa. 39
Las 22 industrias o sectores de la economía considerados se describen en el anexo Nº 2. Adicionalmente en
el mismo anexo se presenta una descripción de los datos y variables utilizadas. 40
La restante la capta el intercepto.
26
3.2.2. Regresión de Mincer desagregando por nivel educativo.
En Argentina, se consideran tres niveles educativos: educación primaria (PR) la cual consta
de 7 años, educación secundaria (SE) que dura 5 años y educación universitaria o terciaria
(UN) cuya duración es de 5 o 6 años dependiendo de la carrera elegida41
.
Aplicando la técnica “spline” se desagregan los años de educación en los distintos niveles
educativos que puede tener cada individuo. Bajo esta técnica se crean tres variables que
desagregan los años de educación del individuo. Una persona con 17 años de educación
tiene 7 años de primaria, 5 años de secundaria y 5 años de universitaria. Pero un agente con
10 años de educación tiene 7, 3 y 0 respectivamente.
En este caso la regresión a estimar es la siguiente:
)5(
ln
10
2
1
0
2
100
εϕηηγ
γββρρρα
∑ +++++
+++++++=
i
ii
uspi
DIPNT
TXXUNSEPRy
Donde PR expresa el número de años de educación primaria que tiene un individuo. SE
representa el número de años de educación secundaria y UN refleja la cantidad de años de
educación universitaria que tiene. Nótese que (5) es una forma funcional más flexible que
(4). El punto en cuestión es determinar si esta mayor flexibilidad agrega una mejor
caracterización de la estructura de tasas de retorno de la Argentina.
41
Es probable que los individuos tarden más o menos tiempo en culminar una carrera universitaria. Por
motivos de simplicidad y falta de datos suponemos que lleva 5 años adquirir la educación universitaria.
27
3.3. Resultados empíricos.
En esta sección se presentan los resultados empíricos que se obtienen de estimar las
ecuaciones de Mincer (4) y (5), explicadas en la sección anterior. Los mismos se resumen
en la tabla 4. Los test t aparecen entre paréntesis. La interpretación de los resultados se
realiza a continuación.
Tabla 4: Ecuaciones de ingresos para el testeo de la hipótesis 142.
1995 2002 (4) (5) (4) (5)
constante 4.86
(138.9)
5.14
(114.9)
4.29
(75.9)
4.51
(62.1)
educación 0.082
(47.7)
0.098
(39.9)
experiencia 0.047
(27.6)
0.048
(28.4)
0.037
(14.9)
0.039
(15.2)
experiencia2 -0.0007
(-21.5)
-0.0007
(-22.9)
-0.0005
(-10.9)
-0.0005
(-11.6)
tenure 0.012
(6.1)
0.012
(6.1)
0.039
(14.5)
0.038
(14.5)
tenure2 -0.0002
(-3.1)
-0.0002
(-2.7)
-0.0007
(-9.3)
-0.0007
(-8.9)
tamaño empresa 0.0004
(10.5)
0.0004
(10.4)
0.0006
(11.5)
0.0006
(11.5)
publico 0.010
(0.4)
0.008
(0.4)
-0.056
(-1.57)
-0.061
(-1.7)
primaria 0.042
(8.4)
0.068
(8.32)
secundaria 0.071
(24.2)
0.085
(20.0)
universitaria 0.122
(29.7)
0.129
(24.1)
Number de obs 10493 10493 6380 6380
F 201.7 196.7 156.6 149.1
Prob > F 0 0 0 0
R2 ajustado 0.349 0.358 0.406 0.410
3.3.1. Interpretación de los resultados.43
Para los datos del año 1995 y en el caso de la ecuación de Mincer clásica ampliada se
aprecia que:
42
Los coeficientes de las variables dummies para cada sector económico se analizan en la sección 3 dado que
son estables a lo largo de las distintas especificaciones. 43
La comparación entre ambos años se efectúa en la sección 3.
28
• Todos los coeficientes son estadísticamente significativos con excepción del que
mide el tipo de empresa pública.
• La tasa de retorno promedio a la educación es del 8.2 % y el coeficiente que refleja
el impacto de la experiencia sobre los salarios es del 4.7 %. Como el coeficiente de
experiencia2 es negativo, tenemos que la función de ingresos es cóncava con
respecto a la experiencia. Es decir los salarios crecen, llegan a un máximo y luego
decrecen. La función de ingresos llega a su máximo a los 34 años de experiencia44
.
La tasa de retorno a la experiencia puede ser calculada por X10 2ββ + . Esta tasa
depende de los años de experiencia de la persona. Así tenemos que las tasas de
retorno a la experiencia son 4 %, 3.3 % y 1.9 % para individuos con 5, 10 y 20 años
de experiencia respectivamente. Se aprecia que el retorno a la experiencia es
decreciente con respecto a la acumulación de años de experiencia del individuo. Si
los años de experiencia fuesen homogéneos, tendríamos que la función de
producción de capital humano presenta retornos decrecientes en este factor.
El coeficiente que mide el impacto del tenure sobre los salarios es del 1.2 %. La
función de ingresos, también es cóncava con respecto a esta variable. Comparando
la experiencia y el tenure, se puede decir que la función de ingresos es más cóncava
con respecto a la experiencia que con respecto al tenure. La tasa de retorno del
tenure puede se calculada por T10 2γγ + . Estas tasas son de 1 %, 0.9 % y 0.8 % para
individuos con antigüedades en la empresa de 5, 7 y 10 años respectivamente.
Todos los coeficientes que captan particularidades del capital humano del trabajador
son positivos, por lo que desplazan la distribución entera de salarios hacia la
derecha.
• El coeficiente que mide el efecto del tamaño de la empresa sobre los salarios es
positivo. Esto nos indica que las firmas más grandes pagan más a los trabajadores
comparado con las empresas más pequeñas45
. La otra característica del puesto de
trabajo, relacionada con el hecho si la empresa es pública o privada, no tiene efecto
44
X* =-(0.047/-0.0007*2)=33.57. Pero la edad a la cual los salarios logran el máximo varía con los años de
educación. Así un individuo con 7 años de educación obtendría su salario máximo a los 47 años de edad, uno
con 12 años de escuela llega a su peak de ingresos a los 52 años de edad, mientras que alguien con
universitaria completa obtiene su mayor ingreso a los 59 años de edad. 45
No se pueden esbozar conclusiones más allá de esto debido a las características de esta variable.
29
sobre los salarios. Esto implica que es indistinto trabajar en una empresa privada o
pública desde el punto de vista de las remuneraciones.
• El ln del salario de una persona que es analfabeta viene captado por la constante y
es de 4.86.46
• El test de significancia conjunta (test F) es elevado por lo que las variables en
conjunto explican correctamente el ln de los salarios. El R2 ajustado de esta
regresión es de 0.348.
Siguiendo el análisis para 1995 pero enfocándonos en la ecuación de Mincer que desagrega
por nivel educativo tenemos:
• Se mantienen las mismas conclusiones que en la ecuación (4) en lo que respecta a
las variables explicativas que no se alteran.
• El hecho relevante que se aprecia es que las tasas de retorno para los distintos
niveles educativos son positivas y crecientes en estos. Así, el retorno promedio de
una año adicional de educación primaria es de 4.2 %. Las cifras análogas para
educación secundaria y universitaria son 7.1 % y 12.2 % respectivamente. Como se
aprecia, las tasas de retorno a la educación son distintas entre si y presentan una
estructura creciente. Esto nos permite verificar la hipótesis 1 para los datos del año
1995.
• Hay un leve aumento en el valor del R2 ajustado.
Cuando analizamos los datos del año 2002, llegamos a conclusiones similares (en cuanto al
signo de los coeficientes) a las presentadas para 199547
. De esta manera se verifica la
hipótesis 1, también para los datos del 2002.
Siguiendo a Sapelli (03), podría decirse que estamos en presencia de unidades de capital
humano heterogéneas. Esto significa que un año de educación de primaria no es igual que
un año de educación universitaria. La forma en que los distintos niveles de educación
afectan el producto dependerá de su relación entre si y de su relación con otros insumos
46
Esto es válido siempre y cuando la especificación planteada sea la correcta. Si hay errores de especificación
u otros problemas, es probable que la constante capte algunos de estos efectos. 47
En ambas especificaciones.
30
productivos como la experiencia, el tenure, el capital, etc. De hecho, es probable que la
función de producción sea distinta entre los diferentes sectores económicos. Las relaciones
de sustitución o complementariedad entre los distintos insumos productivos resultan claves
para poder determinar el impacto final de cada uno de ellos sobre el proceso de producción.
Lamentablemente, debido a la limitación de los datos para el caso de Argentina no es
posible ahondar demasiado en estas ideas.
Otro punto importante a comentar se debe al gran diferencial en los retornos de los distintos
niveles educativos. La alta tasa de retorno de la educación universitaria podría ser un
indicio de exceso de demanda de trabajadores con formación universitaria y un exceso de
oferta de capital humano menos calificado.
31
4. Efecto sheepskin.
4.1. Revisión de la literatura.
El efecto sheepskin sostiene que un año adicional de educación tiene un mayor impacto
sobre los ingresos cuando este se corresponde con el año de obtención del diploma. El
argumento es que los empleadores usan la información proporcionada por el diploma como
una señal que está positivamente correlacionada con la productividad no observable de los
trabajadores. La existencia del efecto sheepskin implica que existe una relación no lineal y
discontinua entre educación y salarios.
Relacionado con el citado efecto hay dos trabajos importantes pero con conclusiones
radicalmente distintas. Mientras que Layard y Psacharopoulos (74) concluyen que no existe
dicho efecto, Hungerford y Solon (87) lo encuentran para datos de los Estados Unidos48
.
a) Layard y Psacharopoulos (74).
Estos autores tratan de testear la hipótesis de la señalización. Según esta, los individuos con
mayor educación tienden a ganar más, no solamente porque la educación los haga más
productivos, sino porque esta los credencializa como mas productivos. Utilizando datos de
los Estados Unidos encuentran que la tasa de retorno de los cursos inconclusos es similar a
la de los cursos concluidos. Esto los lleva a argumentar la no existencia del efecto
sheepskin.
b) Hungerford y Solon (87)
Estos autores utilizando datos de 1978 para los Estados Unidos encuentran una fuerte
evidencia a favor del efecto sheepskin. A través de la técnica de variables dummies
muestran que el retorno del 7° grado es de 5.8 %, pero el de 8° grado es de 8.2 %. Esto
implica que el año de finalización de la educación básica o primaria tiene un retorno
sustancialmente mayor que los anteriores. La universitaria incompleta entrega un retorno de
4.5 %, mientras que la finalización de dicho nivel aumenta el retorno al 13.4 %. Los efectos
sheepskin aparecen en todos los niveles educativos.
48
Trabajos que miden la existencia del efecto sheepskin abundan en la literatura. Se pueden citar: Sapelli
(03); Heckman, Lochner y Todd (03), entre otros.
32
4.2. Especificación utilizada para captar el efecto sheepskin.
Para testear la hipótesis 2, se estima la especificación (6). En esta se desglosan los años de
educación en niveles educativos terminados e inconclusos. Para cada nivel educativo, se
identifica el año de graduación, de manera de verificar si se aprecia la existencia de un
premio en el año que el individuo obtiene el título. Si para un determinado nivel educativo
se produce un salto en el retorno cuando es finalizado, podemos concluir que se verifica la
hipótesis 2. Por el contrario, si el hecho de culminar un nivel no brinda un retorno adicional
podemos concluir que no se verifica la presencia del efecto sheepskin en los datos de la
Argentina.
La regresión spline49
a estimar es:
)6(
ln
10
2
10
2
10
0
εϕηηγγββρ
ρρρρρα
∑ +++++++++
++++++=
i
iiu
uissippii
DIPNTTXXEUN
EUNINCESEESEINCEPREPRINCy
Donde EPRINC expresa el número de años de educación primaria incompleta que tiene un
individuo, EPR mide la cantidad de años de educación en caso que la persona haya
finalizado el nivel primario. Variables análogas se generan para educación secundaria y
universitaria. Ahora, tenemos tasas de retorno para la primaria incompleta y completa,
secundaria completa e incompleta, universidad incompleta y completa. De esta manera, se
plantea una estructura no lineal y discontinua en las tasas de retorno.50
49
Bajo esta técnica se crean seis variables que desagregan los años de educación del individuo. Así un
individuo con 17 años de educación tiene 6 años de primaria incompleta, 1 de primaria completa, 4 años de
secundaria incompleta, 1 año de secundaria completa, 4 años de universitaria incompleta y 1 año de
universitaria completa. Pero un agente con 10 años de educación tiene 6, 1, 3, 0, 0 y 0 respectivamente. 50
La desagregación podría continuar hasta identificar el retorno por cada año de educación. En esta
especificación necesitaríamos de 17 variables, 1 para cada curso. En esta regresión tendíamos una forma
funcional completamente flexible.
33
4.3. Resultados empíricos.
En esta sección se presentan los resultados empíricos que se obtienen de estimar la
ecuación (6). En la tabla 5 se exponen los coeficientes relacionados con los atributos del
trabajador y de la empresa. Mientras que en la tabla 6 se muestran los efectos industria.
Ambas tablas muestran indicadores para los dos años que se analizan. La interpretación de
los resultados se realiza a continuación.
Tabla 5: Ecuación de ingresos para el testeo de la hipótesis 2.51
1995 2002 constante 5.16
(104.8)
4.46
(54.9)
experiencia 0.048
(28.4)
0.039
(15.6)
experiencia2 -0.0007
(-23.1)
-0.0005
(-12)
tenure 0.012
(6.1)
0.038
(14.4)
tenure2 -0.0002
(-2.8)
-0.0007
(-8.9)
tamaño empresa 0.0004
(10.3)
0.0006
(11.5)
publico 0.007
(0.3)
-0.070
(-1.96)
prim incomp 0.031
(3.2)
0.086
(5.2)
prim comp 0.084
(2.6)
0.007
(0.1)
sec incomp 0.065
(12.3)
0.075
(9.1)
sec comp 0.104
(5.1)
0.146
(4.8)
univ incomp 0.077
(7.8)
0.061
(4.9)
univ comp 0.318
(7.8)
0.433
(8.5)
Number de obs 10493 6380
F 180 137.5
Prob > F 0 0
R2 ajustado 0.360 0.414
51
Test t entre paréntesis.
34
Tabla 6: efectos industria.52
INDUSTRIA 1995 2002 Actividades Primarias. 0,256 0,29
Ind. Prod químicos, petróleo y nuclear. 0,175 0,139
Intermediación financiera. 0,171 0,241
Suministro de electricidad, gas y agua. 0,118 0,175
Servicios conexos de transportes y comunicaciones. 0,11 -0,11
Ind. Prod. metálicos, maquinarias y equipos. 0,082 0
Transporte. 0,07 -0,131
Comercio al por mayor. 0 -0,124
Actividades inmobiliarias, empresariales y de alquiler. 0 -0,121
Otras actividades de servicios sociales y comunitarios. -0,057 -0,1
Ind. de alimentos, bebidas y tabaco. -0,083 -0,098
Otras industrias manufactureras. -0,102 -0,159
Comercio al por menor. -0,11 -0,161
Restaurantes y hoteles. -0,118 -0,287
Servicios sociales y de salud. -0,124 -0,221
Construcción. -0,136 -0,225
Otros servicios personales. -0,167 -0,368
Ind. textiles, confecciones y calzado. -0,206 -0,149
Servicios de reparación. -0,22 -0,443
Enseñanza. -0,317 -0,436
Hogares privados con servicio doméstico. -0,599 -1,066
4.3.1. Interpretación intratemporal de los resultados.
Analizando la tabla 5 se aprecia:
• Los coeficientes son similares a los obtenidos en la especificación (5). Dado esto las
explicaciones son análogas.
• El hecho sobresaliente es la presencia de fuertes efectos sheepskin en todos los
niveles educativos. Para el año 1995, se observa que las personas que no culminan
la primaria, tienen un retorno promedio de 3.1 % anual, mientras que cuando la
finalizan, obtienen un retorno de 8.4 %. En la secundaria el salto es de 6.5 % a 10.4
%, mientras que en la universitaria tenemos un aumento de 7.7 % a 31.8 %. Para el
año 2002, desaparece el citado efecto en primaria pero se potencia en los restantes
niveles educativos. En el nivel secundario el salto es de 7.5 % a 14.6 %, mientras
que en la universidad se aprecia un incremento de 6.1 % a 43.3 %.
52
Todos los coeficientes distintos de 0 resultan ser significativos a un nivel de confianza del 95 %.
35
Dado esta evidencia se puede decir que se verifica la hipótesis 2 para ambas ondas.
Es decir, en la Argentina el hecho de culminar un nivel educativo proporciona un
retorno adicional sustancial para todos los niveles educativos. Este efecto es
sustancialmente mayor para el caso de la educación universitaria.
La explicación teórica de este efecto se puede deber a dos factores netamente
diferenciados. Por un lado están presentes ciertas “legislaciones laborales” que
establecen barreras de entrada a determinados tipos de empleo. Por ejemplo, gran
parte de los empleos públicos, que en Argentina representan un tercio del mercado
laboral, establecen como requisito de acceso al trabajo tener un determinado nivel
educativo finalizado. En la actualidad, ocupaciones públicas tales como
administrativos, policías, seguridad, etc. requieren la presentación del título de
educación secundaria para la postulación al cargo. Estas mismas profesiones
décadas atrás exigían el título de educación primaria. Esto explicaría parte del
sheepskin en la educación primaria y secundaria53
. Al mismo tiempo, muchas
profesiones desarrolladas en el ámbito privado requieren de la obtención del título
para su posterior ejercicio. Ejemplos de estas lo constituyen los médicos, los
farmacéuticos, los contadores públicos, los profesores, etc.
Por otro lado, la teoría de la señalización establece que debido a problemas de
información asimétrica los empleadores utilizan los títulos educativos como una
señal de la productividad del trabajador. Esto implica que el título educativo
“observable” es un buena proxy de ciertas características innatas que no pueden ser
observadas directamente. Este enfoque fue ampliamente desarrollado desde un
punto de vista teórico por autores como Arrow, Stiglitz, Spencer, entre otros.
• Un patrón que se verifica, es el de retornos menores para el nivel educativo
siguiente incompleto con respecto a niveles completos. Es decir, la secundaria
incompleta renta menos que la primaria completa. Lo mismo ocurre comparando
secundaria completa y universitaria incompleta. Esto pone en evidencia el fuerte
castigo del mercado laboral a los niveles inconclusos.
53
Recordemos que a lo largo del siglo XX el nivel educativo de la población fue aumentando. Las cohortes
integradas por individuos más jóvenes son más educadas (medidos por años de educación) que las cohortes
compuestas por individuos más viejos. Un análisis más detallado de este fenómeno se encuentra en Merlo
(08).
36
• Si bien se detecta el efecto sheepskin en ambas ondas, esto no significa que los años
que no son de finalización sean irrelevantes. Esto hace que el proceso educativo en
Argentina no pueda ser explicado solamente por la teoría del capital humano o por
la teoría de la señalización. Es necesario tener un enfoque conjunto entre ambas
teorías, ya que si bien la tasa de retorno aumenta con los años de educación,
presenta saltos en los años de obtención del titulo.
En la tabla 6 se exponen los distintos efectos que ejercen los sectores económicos o
industrias54
sobre los salarios. La categoría de control la constituyen todos aquellos
trabajadores que se desenvuelven en el sector de la administración pública y defensa. Las
principales conclusiones que se pueden extraer de la citada tabla son las siguientes:
• La mayoría los coeficientes son significativos con excepción de comercio al por
mayor y actividades inmobiliarias en el año 1995 e industrias de productos
metálicos en el 2002.
• En el año 1995, se observa que los sectores más rentables para trabajar fueron:
actividades primarias (25.6 %), industrias de productos químicos (17.5 %),
intermediación financiera (17.1 %), suministro de electricidad (11.8 %), servicios
conexos de transporte (11 %), industrias de productos metálicos (8.2 %) y transporte
(7 %). No hay ningún efecto sobre los salarios por el hecho de trabajar en comercio
al por mayor y actividades inmobiliarias. Mientras que hay un efecto negativo sobre
los salarios si el puesto de trabajo se ubica en el resto de las actividades.
• En el año 2002 tenemos que aquellos que trabajan en el sector de productos
metálicos no tienen ningún efecto sobre los salarios. Los que trabajan en la industria
del transporte pasan a tener un efecto negativo (-13.1 %) y los que se desempeñan
en servicios conexos de transporte registran un efecto negativo de 11 %. El resto de
los sectores se mantiene con los signos similares a los de 1995, aunque con
reducciones sustanciales en las rentabilidades. Solo unos pocos sectores muestran
aumentos en los retornos durante ambos años. Ellos son: actividades primarias,
intermediación financiera y suministro de electricidad, gas y agua.
54
Donde se encuentra ubicado el puesto de trabajo.
37
4.3.2. Interpretación intertemporal de los resultados.
En este apartado se realiza la comparación de los coeficientes entre ambos años. Al mismo
tiempo se exponen algunos efectos sobre la desigualdad salarial, aunque estos serán
analizados con mayor profundidad en el capítulo 4.
Del análisis intertemporal de la tabla 5 se destaca:
• El coeficiente del tenure se triplica durante estos 7 años, ya que aumenta desde 1.2
% hasta 3.8 %. Comportamiento similar se registra para el coeficiente de tenure2.
Dado esto la tasa de retorno al tenure se ve triplicada. Esto podría deberse a la
presencia de sesgo de selección en la ecuación de Mincer. Durante los periodos de
crisis económicas las empresas tienden a dejar desempleados en primera instancia a
los de menor antigüedad. Esto porque tal comportamiento les permite reducir
costos. Despedir a los trabajadores con mayor tenure implica pagarles mayor
indemnización, desprenderse de los trabajadores que más conocen el
funcionamiento de la empresa y en los cuales han invertido mayores montos en
capacitación. Este comportamiento hace que muchos individuos con pocos años de
antigüedad se encuentren sin ingresos laborales ya que estarían desempleados o
inactivos55
. Dado esto no aparecen captados por la ecuación de Mincer.
• Con el coeficiente de la experiencia ocurre lo contrario, ya que este se reduce en
casi un punto porcentual. El coeficiente que mide experiencia2 también se ve
reducido. Esto redunda en una disminución de casi medio punto porcentual en la
tasa de retorno a la experiencia. La construcción de la variable que capta la
experiencia podría verse influida por la duración del desempleo. Cuanto mayor es la
duración del desempleo mayor es el error de medición. Aún así, la duración
promedio del desempleo en 2002 no fue sustancialmente distinta a la de 199556
.
Adicionalmente, el retorno a la experiencia podría verse afectado por el sesgo de
selección. Todo depende de cómo la crisis afecte a los distintos tramos etéreos y a
los diferentes niveles educativos57
.
55
En la tabla 9 se muestra como la crisis afectó a través del desempleo a los individuos con menor antigüedad
en la empresa. Los individuos que mantuvieron sus trabajos fueron los de mayor antigüedad. 56
En 1995 la duración promedio del desempleo era de 5.6 meses en promedio, mientras que en 2002 llegó a
6.2. 57
Un mayor desarrollo se exhibe en la sección 4.
38
Un hecho interesante que se manifiesta es el aumento en la concavidad de los
perfiles de salarios con respecto al tenure y una reducción de estos con respecto a la
experiencia. Esto se aprecia en los siguientes gráficos.
Comparación de perfiles de experiencia
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
años de experiencia
experiencia 1995 experiencia 2002
• El efecto del tamaño de la empresa se torna levemente más importante durante estos
7 años. Esto implica que las empresas más grandes pagaron mayores salarios
durante la crisis que las empresas más pequeñas. Es importante remarcar que este
indicador podría verse afectado por el sesgo de selección. Es probable que las
empresas pequeñas sufran bastante más en tiempos de crisis comparadas con las
empresas medianas y grandes. Esto porque en general tienen un número más
reducido de fuentes de financiamiento, lo que las hace más vulnerables a los ciclos
económicos. Es factible que durante la crisis, los procesos de quiebras y clausuras
se vean intensificado en este tipo de empresas. Si esto ocurre tenemos que el sesgo
de selección podría ser importante.
• La diferencia mas notable con respecto a 1995, es que el coeficiente que acompaña
a la dummy que indica el trabajo en una empresa pública es negativo y significativo.
Esto implica que las personas que trabajan en una empresa pública, ganan en
promedio un 7 % menos que sus contrapartes de empresas privadas.
• Cuando analizamos los retornos a la educación de los distintos niveles educativos se
aprecia que durante estos 7 años aumentó la desigualdad de salarios entre
Comparación de perfiles de tenure
0
0,1
0,2
0,3
0,4
0,5
0,6
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
años de tenure
tenure 1995 tenure 2002
39
trabajadores con distintas calificaciones58
. Los más calificados (educación
universitaria y secundaria) vieron aumentado sus retornos notablemente, mientras
que a los menos calificados les ocurrió lo contrario. Cuando analizamos los
porcentajes de aumento en los retornos entre ambos años, tenemos que dicha cifra
es de 4.2 % para la educación secundaria y 11.5 % para la universitaria. Esto podría
ser un indicio de que el exceso de demanda de trabajadores con formación
universitaria que era evidente en 1995 se fue ampliando hacia el 2002. Analizando
la tasa de desempleo por nivel educativo se aprecia que esta es mayor para las
personas menos educadas. Esto podría aumentar la importancia del sesgo de
selección en nuestro análisis.
• Cuando comparamos los coeficientes de los distintos sectores económicos vemos
que la crisis económica benefició a los trabajadores de actividades primarias, de
intermediación financiera y de suministro de electricidad principalmente. Pero
perjudicó a los asalariados de los restantes sectores. En general se destaca un
aumento en los sectores que tenían efectos positivos sobre los salarios y una
disminución59
en aquellos que tenían efectos negativos. Esto es un nuevo indicio de
aumento en la desigualdad salarial entre sectores.
58
Analizando niveles de educación culminados. 59
Aumento en valor absoluto.
40
4.4. Corrección por sesgo de selección.
Hemos visto en el apartado anterior que las conclusiones obtenidas podrían verse
empañadas en caso de detectarse la presencia de sesgo de selección. Este fenómeno ocurre
cuando los hombres excluidos (desempleados e inactivos) tienen características distintas a
aquellos que si están incluidos en las regresiones (empleados). Por ejemplo, si las empresas
deciden dejar sin trabajo a los empleados de menor antigüedad tenemos que el coeficiente
de tenure estaría sobreestimando el verdadero parámetro. Dado esto, en el presente apartado
se pretende estimar el posible sesgo de selección en los datos de ambas ondas60
. Esta
corrección es de vital importancia ya que podríamos estar atribuyendo un determinado
efecto a la crisis económica cuando en realidad debería ser atribuible a la composición de la
muestra.
4.4.1. Modelo de selección a estimar.
Se aplica el modelo de selección de Heckman, el cual consta de una ecuación de ingresos y
de una ecuación de selección. El modelo de selección en términos generales viene definido
por:
[ ]
ρµ
σµ
δ
µβ
=
⇒>+=
⇒+=
),(
)1,0(~
),0(~
)8(01
)7(
21
2
1
222
1111
vcorr
Nv
N
donde
seleccióndeecuaciónvZY
ingresosdeecuaciónZY
En nuestro caso, la ecuación de ingresos es la representada en (6)61
. Esto implica que
Y1 = ln yi
Z1 = EPRINC, EPR, ESEINC, ESE, EUNINC, EUN, X, X2, T, T
2, N, P.
µ1 = ε
60
Seguimos trabajando con hombres asalariados cuyas edades fluctúan entre los 15 y 65 años. Se excluyen
aquellas personas que estudian y trabajan al mismo tiempo. 61
Se excluyen las dummies de los sectores económicos para fines de exposición. Los coeficientes se
mantienen estables y robustos cuando se las incluye en el análisis.
41
Por su parte la ecuación de selección refleja las variables que determinan la participación
del individuo dentro de un determinado sector. En este caso es el de los empleados.
Nosotros tenemos que si el individuo está empleado (Y2=1) entonces observamos su
salario. Pero si el individuo está desempleado o inactivo (Y2=0) no observamos su salario
ya que no participa. El sesgo de selección aparece cuando los individuos que no participan
tienen características distintas a los individuos que participan. En este caso la muestra deja
de ser aleatoria. En la ecuación de selección tenemos que:
Z = Z1, JH, NM, EC, OI.
Donde JH, NM, EC y OI son las variables de exclusión del modelo. Esto significa que
determinan la decisión de participar en el empleo, pero no la ecuación de salarios.
JH es una variable dummy que indica si el individuo es jefe de familia. En general se espera
que una persona que sea jefe de familia tenga una mayor probabilidad de trabajar. Esto
viene sustentado por la creencia generalizada de que el jefe de familia tiene la
responsabilidad de sustentar al hogar62
.
NM es una variable que representa el número de menores dependientes que hay en el
hogar63
. Se espera que mientras mayor sea la cantidad de menores dependientes del hogar,
mayor será la probabilidad de que el individuo decida participar.
EC es una variable dummy que identifica a aquellas personas que están casadas o unidas.
Se espera que el coeficiente de esta variable sea positivo. La razón radica en que los
hombres casados o unidos tienen una mayor responsabilidad económica para con su pareja.
Esto hace que se vean más obligados a salir a trabajar si lo comparamos con una persona
soltera.
OI representa la suma de todos los otros ingresos no laborales que percibe la persona. En
general se espera que el coeficiente de esta variable sea negativo, es decir, cuanto mayor
sean los ingresos no laborales, menor es la probabilidad de participación de la persona. La
idea subyacente radica en que la persona desearía disfrutar más del ocio cuando tiene un
nivel de ingresos asegurado.
62
En muchas encuestas de hogares se define al jefe de hogar como aquella persona del hogar de la cual
dependen económicamente el resto de los integrantes. 63
Se define como menor dependiente a toda persona con edad inferior a los 18 años que aún asiste al colegio
y es inactivo.
42
Continuando con la especificación del modelo de selección se aprecia que el residuo de la
ecuación de ingresos distribuye normal centrado en 0 y con desviación estándar de σ.
Mientras que el residuo de la ecuación de selección distribuye normal estándar.
La última línea del modelo de selección es clave ya que establece que la correlación entre
los no observables de la ecuación de ingresos y los no observables de la ecuación de
selección viene captada por ρ. Es precisamente este parámetro el que determina la presencia
o no de sesgo de selección. A priori pueden darse tres casos:
• ρ=0. Esto implica que no hay correlación entre los no observables de las ecuaciones
de ingreso y de selección. Es decir, la muestra es completamente aleatoria, los
individuos que deciden emplearse tienen características similares a los que no lo
hacen (desempleados e inactivos).
• ρ>0. En este caso tenemos presencia de sesgo de selección. Los no observables de la
ecuación de ingresos están correlacionados positivamente con los no observables de
la ecuación de selección. Por ejemplo, si una variable no observable es la habilidad
del individuo, tenemos que las personas más habilidosas son las que deciden
emplearse. Mientras que los menos habilidosos deciden permanecer desempleados o
inactivos. Esto hace que la muestra deje de ser aleatoria64
.
• ρ<0. Aquí también hay sesgo de selección, solo que ahora la correlación entre los no
observables es negativa. Es decir, los individuos más habilidosos deciden quedarse
desempleados o inactivos, mientras que los menos habilidosos deciden emplearse en
el mercado laboral.
4.4.2. Resultados empíricos.
En este apartado se exponen los resultados empíricos del modelo de selección explicado
anteriormente. Se exponen los coeficientes estimados mediante el método de máxima
verosimilitud. Es importante destacar que los coeficientes estimados por el método de dos
etapas son muy similares a los hallados por máxima verosimilitud65
. Esto es un buen
64
Si bien la habilidad es la variable no observable más reconocida, podría haber otras variables que afecten
estas ecuaciones. Ejemplo de ello podría ser: la composición del grupo familiar y situación laboral de los
restantes miembros. 65
En el anexo Nº 4 se exponen ambas regresiones.
43
indicio acerca de la especificación del modelo. En la tabla 7 se muestran los coeficientes de
ambas ecuaciones.
Para el año 1995 se aprecia que no existe sesgo de selección en la muestra. Esto viene
reflejado por el valor de rho el cual no es estadísticamente distinto de 0. Esto implica que
los estimadores de OLS presentados en la tabla 3 son consistentes. Dado esto, las
conclusiones esbozadas para el citado año se mantienen. En este caso tenemos que la
muestra es completamente aleatoria y las características de las personas que deciden
emplearse son similares a los que deciden quedarse inactivos o desempleados.
Para el año 2002 la situación cambia, ya que se aprecia la presencia de sesgo de selección
en los datos. El valor del rho es estadísticamente distinto de 0 y negativo66
. Ante esto, los
coeficientes a utilizar en las conclusiones debieran ser los expresados en el modelo de
selección. En este caso tenemos una muestra no aleatoria.
Para ambos años se aprecia que las variables de exclusión tienen los signos esperados y son
estadísticamente significativas. Al mismo tiempo, los efectos sheepskin continúan estando
presentes al igual que en la tabla 3.
Realizando el análisis intertemporal con los coeficientes del modelo de selección tenemos
conclusiones similares a las presentadas anteriormente. Los signos de los cambios, por
efecto de la crisis, son similares aunque cambian algunas magnitudes. Es decir, a pesar que
se detecta sesgo de selección en los datos del año 2002, el análisis intertemporal no registra
grandes cambios en cuanto a sus conclusiones.
• El coeficiente del tenure aumenta entre estos 7 años pero en una cuantía menor a lo
que reflejan los estimadores OLS67
. Esto indica que en tiempos de crisis, la
antigüedad en un trabajo tiende a ser mejor recompensada. Esta conclusión es válida
independientemente del hecho estilizado que muestra que las empresas tienden a
despedir a los trabajadores de menor antigüedad. En general, se espera que durante
66
En este caso los individuos más habilidosos optarían por quedarse desempleados o inactivos, mientras que
los menos capacitados decidirían emplearse. Esto podría explicarse debido a: i) la presencia de otros factores
no observables adicionales a la habilidad o a la crisis económica. La magnitud de esta fue tan profunda que
los salarios se desplomaron. Esto podría haber hecho que el salario de los más habilidosos estuviese por
debajo de su salario de reserva y opten por salirse del mercado laboral. Además, los más habilidosos pueden
contar con otros factores de ingresos y de seguros que los hace menos vulnerables ante la crisis. Dado esto
podrían permanecer más tiempo como desempleados o inactivos en una época de crisis. 67
El estimador OLS se triplica mientras que si corregimos por sesgo de selección se duplica.
44
los periodos de crisis económicas las personas de menor antigüedad sufran ajustes
importantes en cuanto a la jornada laboral y a los salarios.
• La experiencia muestra el mismo comportamiento que en el apartado anterior y se
reduce durante estos 7 años68
.
• El efecto del tamaño de la empresa aumenta durante el periodo de análisis. Así,
corrigiendo por sesgo de selección, se aprecia que las empresas más grandes
pagaron mayores salarios durante la crisis si las comparamos con las empresas más
pequeñas.
• El cambio más importante y radical se muestra en la variable “publico”. Debido a la
crisis, los trabajadores que se desempeñan en el sector público ganan un 8 % más
que aquellos que se desempeñan en el sector privado. Este hecho podría estar
reflejando las distintas modalidades de ajuste que tienen el sector público y el sector
privado ante una crisis. En general, el sector público es menos flexible al momento
de ajustar los niveles de empleo o los salarios cuando se atraviesa una crisis
económica69
. Por su parte, el sector privado dispone de una mayor flexibilidad. Esto
haría que en el sector privado los salarios se ajustaran a la baja para enfrentar la
crisis. Adicionalmente, este cambio de coeficiente podría estar reflejando atributos o
características distintas70
de los individuos que trabajan en el sector público versus
el sector privado. Es decir, los individuos que se vinculan con el sector público
tendrían características distintas de aquellos que lo hacen con el sector privado. Es
probable que las personas que trabajan en el ámbito público privilegien la
estabilidad laboral por ejemplo, mientras que aquellos que lo hacen en el sector
privado privilegien los mayores salarios. Aún así, muchas de estas características no
son observables por lo que podrían estar siendo captadas por los residuos de ambas
ecuaciones71
.
68
Aunque en una cuantía un poco inferior. 69
De hecho, durante las depresiones económicas el estado actúa contracíclicamente. Ejemplo de ello lo
constituyen los planes de jefes de hogar entregados. 70
Algunas veces observables y otras no. 71
Se deja como futura línea de investigación, un análisis del sesgo de selección entre estos dos tipos de
sectores.
45
• En lo que respecta a los retornos de los distintos niveles educativos se obtienen las
mismas conclusiones que en el apartado anterior. Es decir, se aprecia un aumento de
la desigualdad de salarios entre trabajadores con distintas calificaciones. Los
trabajadores con secundaria completa ven aumentado su retorno un 5.9 %, mientras
que aquellos con universitaria completa incrementan su rentabilidad un 5.2 %.
Cuando analizamos los retornos de la primaria completa tenemos una reducción en
la tasa de retorno72
.
• Es importante destacar que los coeficientes de la ecuación de ingresos así como el
valor de rho son robustos ante distintas especificaciones de la ecuación de selección.
Esto es otro indicio adicional acerca de la correcta especificación del modelo.
72
Es conveniente destacar que no existen muchos estudios que analicen el efecto de una crisis sobre los
retornos a la educación. En el caso de Argentina, Pessino (96) estudia los efectos de la hiperinflación del año
1989 sobre las tasas de retorno. Esta autora no corrige por sesgo de selección y encuentra que debido a la
crisis del año 89 la tasa de retorno global cae un 3.5 %. Cuando separa por nivel educativo encuentra que el
retorno a la educación primaria y secundaria disminuyen como consecuencia de la crisis. Pero el retorno a la
educación universitaria aumenta en el mismo periodo.
46
Tabla 7: Resultados del Modelo de selección.73
1995 2002
Ecuación de ingresos
constante 5.07 4.52
experiencia 0.051 0.041
experiencia2 -0.0008 -0.0005
tenure 0.0137 0.027
tenure2 -0.0002 -0.0004
tamaño empresa 0.0005 0.0006
publico 0* 0.079
prim incomp 0.032 0.087
prim comp 0.092 0*
sec incomp 0.071 0.075
sec comp 0.109 0.168
univ incomp 0.082 0.076
univ comp 0.249 0.301
N° obs censuradas 4.779 5.503
N° obs no cens. 11.680 8.653
Wald chi2 5.380 4.497.7
rho 0.0064* -0.40
Test (rho=0) 0.02 37.55
Prob>chi2 0.8875 0.00
Ecuación de selección
JH 0.281 0.427
NM 0.013 0.017
EC 0.33 0.22
OI -0.0004 -0.0019
experiencia 0* 0*
experiencia2 -0.0004 -0.0002
tenure 0.255 0.167
tenure2 -0.0061 -0.003
tamaño empresa 0.0035 0.0023
publico -1.84 -1.59
prim incomp 0* 0*
prim comp 0* 0*
sec incomp 0* 0*
sec comp -0.12 0*
univ incomp 0* -0.024
univ comp 0* 0.401
73
* indica que el coeficiente no es significativo al 95 %.
47
5. Conclusiones y futuras líneas de investigación.
La depresión del año 2001 afectó de manera muy importante el mercado laboral como así
también los distintos componentes del capital humano. Se observa que afectó de manera
negativa el nivel de empleo y el nivel de salarios. Adicionalmente llevó a un aumento en la
desigualdad de los ingresos74
. En lo que respecta a los efectos sobre el capital humano se
muestra que la depresión afectó de sobremanera a los menos educados, los más jóvenes, las
personas con menor antigüedad en la empresa, aquellos que trabajaban en el sector privado
y en empresas de tamaño pequeño. Cuando analizamos por sector económico los más
perjudicados fueron aquellos que trabajaban en la construcción, el servicio doméstico y los
servicios personales.
En este entorno económico, y utilizando datos para la Argentina el presente trabajo trata de
responder empíricamente las siguientes preguntas:
1. ¿Es correcta la forma funcional impuesta por la ecuación de Mincer clásica
“ampliada” en el caso de la Argentina?
2. Culminar un nivel educativo, ¿proporciona un retorno adicional?, es decir, ¿existe el
efecto sheepskin?
Respondiendo la primer pregunta, se puede decir que los datos indican que la tasa de
retorno a la educación es creciente en el nivel educativo. Este patrón se verifica para las dos
ondas analizadas. Dado esto, podemos decir que la ecuación de Mincer clásica ampliada no
es la formulación correcta para los datos de la Argentina. Esta estructura permite afirmar
que en Argentina, tenemos unidades de capital humano heterogéneas.
Con respecto a esta pregunta, se deja como futura investigación el hecho de ajustar por
riesgo los retornos a la educación. Esto porque el retorno de la educación está mas cercano
al de una acción, que es un activo riesgoso, que al de un bono, que es un activo libre de
riesgo.
Analizando la segunda pregunta, se puede concluir que culminar un nivel educativo
proporciona un alto retorno adicional. Esto implica un fuerte efecto sheepskin para todos
74
Mientras que los salarios cayeron 25 %, el nivel de empleo se redujo casi 7 %. La desigualdad medida a
través del coeficiente de Gini aumentó 6 %. El comportamiento de estas variables es similar al registrado en
otros procesos de crisis experimentados por distintos países.
48
los niveles educativos en los datos de la Argentina. Este efecto viene explicado por dos
factores netamente diferenciados: legislaciones laborales que establecen barreras de entrada
a determinados tipos de empleo y la teoría de la señalización. Los efectos sheepskin se
presentan incluso cuando corregimos por sesgo de selección. Se hace necesario corregir por
este tipo de sesgo debido a que la muestra se encuentra notoriamente influenciada por la
crisis económica del 2001. Si bien este sesgo es inexistente en los datos de 1995, aparece
como relevante en los datos del 2002. En general la corrección por sesgo de selección
afecta las magnitudes de los coeficientes pero no las direcciones de los mismos. El único
coeficiente que cambia de dirección es el relacionado con la propiedad de la empresa
(pública o privada). Los efectos sheepskin continúan manifestándose incluso ante la
corrección por sesgo de selección. Las tasas de retorno para las personas con educación
secundaria y universitaria aumentan durante el proceso de crisis, mientras que las tasas
análogas para las personas con educación primaria disminuyen notablemente.
Con respecto al tema de los efectos sheepskin surgen algunas preguntas de índole teóricas
muy interesantes como: i) ¿Por qué se produce este efecto? y ¿en qué circunstancias se da?,
ii) ¿qué factores determinan su magnitud? Estas preguntas debieran ser abordadas en
futuras líneas de investigación.
En lo relativo a la corrección por sesgo de selección, se deja como futura línea de
investigación un análisis más pormenorizado acerca de los atributos que llevan a que una
persona se emplee en el sector público o en el sector privado.
49
6. Bibliografía. • Adrogué, C. (06), “Desempleo y retornos a la educación superior en Argentina:
1974-2002”, Anales de la AAEP, 2006.
• Amaral, P. y MacGee, J. (02), “The great depression in Canada and the United
States: a Neoclassical Perspective”, Review of Economic Dynamics, vol. 5, pag. 45-
72, 2002.
• Amado, N. Cerro, A. y Meloni, O. (05), “Making explosive cocktails: recipes and
costs for 26 crises from 1823 to 2003”, Anales de la Asociación Argentina de
Economía Política, 2005.
• Ashenfelter, O. y Krueger, A. (94), “Estimates of the economic return to schooling
from a new sample of twins”, American Economic Review, December 1994.
• Beaudry, P. y Portier, F. (02), “The French depression in the 1930”, Review of
Economic Dynamics, vol. 5, pag. 73-99, 2002.
• Becker, G. (75), “Human Capital, University of Chicago Press, Second Edition,
1975.
• Ben Porath, Y. (67), “The production of Human Capital and the life cycle of
earnings”, Journal of Political Economy, August 1967.
• Bergoeing, R., Kehoe, P., Kehoe, T. y Soto, R. (02), “A decade lost and found:
Mexico and Chile in the 1980’s”, Review of Economic Dynamics, vol. 5, pag. 166-
205, 2002.
• Bernanke, B. (86), “Employment, hours, and earnings in the Depression: An
analysis of eight manufacturing industries”, American Economic Review, vol 76,
pag. 82-117, March 1986.
• Berndt, E. (96), “The practice of Econometrics: classic and contemporary”, Addison
Wesley Publishing Company, 1996.
• Buchinsky, M. (94), “Changes in U.S. wage structure 1963-1987: An application of
quantile regression”, Econometrica, vol 62, pag 405-458.
50
• Card, D. (99), “The causal effect of education on earnings”, Handbook of Labor
Economics, vol. 3, 1999.
• Card, D. (01), “Estimating the return to schooling: progress on some persistent
econometric problems”, Econometrica, vol 69, Nº 5, 2001.
• Cole, H. y Ohanian, L. (99), “The great depression in the United Status from a
Neoclassical Perspective”, Federal Reserve Bank of Minneapolis Quaterly Review,
vol. 23, pag. 2-24, 1999.
• Eichengreen, B. y Hatton, T. (88), “Interwar unemployment in international
perspective”, Institute for Research on Labor and Employment, Working papers
series N° 01288, 1988.
• Fallon, P. y Lucas, R. (02), “The impact of financial crises on labor markets,
household incomes and poverty: a review of evidence”, The World Bank Research
Observer, vol. 17, N°1, pag. 21-45, Spring 2002.
• Fischer, J. y Hornstein, A. (02), “The role of real wages, productivity and Fiscal
Policy in Germany’s great depression 1928-1937”, Review of Economic Dynamics,
vol. 5, pag. 100-127, 2002.
• Gasparini, L., Marchionni, M. y Sosa Escudero, W. (01), “La distribución del
ingreso en Argentina: evidencia, determinantes y políticas.”, Premio Fundación
Arcor 2001.
• Glewwe, P. (02), “Schools and skills in developing countries: education policies and
socioeconomic outcomes”, Journal of Economic Literature, vol 40, N° 2, 2002.
• Griliches, Z. (77), “Estimating the returns to schooling: some econometric
problems”, Econometrica 1977.
• Griliches, Z. (79), “Sibling models and data in Economics: beginnings of a Survey”,
Journal of Political Economy, vol 87, 1979.
• Heckman, J., Lochner, L. y Todd, P. (03), “Fifty years of Mincer earnings
regressions”, NBER, WP Nº 9732, 2003.
51
• Hungerford, T. y Solon, G. (87), “Sheepskin effects in the returns to education”,
The Review of Economics and Statistics, vol. 69, pag 175-178.
• Kehoe, T. y Prescott, E. (02), “Great depressions of the 20th
Century”, Review of
Economic Dynamics, vol. 5, pag. 1-18, 2002.
• Koenker, R. y Bassett, G. (78), “Regression quantiles”, Econometrica, vol 46, N°1,
pag 33-49.
• Kydland, F. y Zarazaga, C. (02), “Argentina’s lost decada”, Review of Economic
Dynamics, vol. 5, pag. 152-165, 2002.
• Larrañaga, O. (01), “Distribución de ingresos en Chile: 1958-2001”, Documentos de
Trabajo N° 178, Departamento de Economía, Universidad de Chile, 2001.
• Layard, R. y Psacharopoulos, G. (74), “The screening hypothesis and the returns to
education”, Journal of Political Economy, vol. 82, pag. 985-998.
• López Bóo, F. (07), “The evolution of returns to education in Argentina”, Anales de
la Asociación Argentina de Economía Política, 2007.
• Lucas, R. y Rapping, L. (69), “Real wages, employment, and Inflation”, Journal of
Political Economy, vol. 77, pag. 721-54, September 1969.
• Machado, J. y Mata, J. (01), “Earning functions in Portugal 1982-1994: evidence
from quantile regressions”, Empirical Economics, vol 26, pag 115-134, 2001.
• Margo, R. (93), “Employment and unemployment in the 1930s”, Journal of
Economic Perspectives, vol. 7, N° 2, pag. 41-59, Spring 1993.
• Mendershausen, H. (46), Changes in income distribution during the great
depression”, NBER publishing, 1946.
• Merlo, J. (08), “Tasas de retorno a la educación en Argentina: 1995-2003. Evidencia
con datos de corte transversal”, Trabajo presentado para optar al grado de Magíster
de Economía en la Universidad Nacional de Tucumán, 2008.
• Mincer, J. (58), “Investment in Human Capital and personal income distribution”,
Journal of Political Economy, August 1958.
52
• Mincer, J. (74), “Schooling, experience and earnings”, NBER, Columbia University
Press, 1974.
• Mwabu, G. y Schultz, P. (96), “Educations returns across quantiles of the wage
function: alternative explications for returns to education by race in South Africa”,
American Economic Review P&P, vol 86, pag 335-339.
• Perry, F. y Quadrini, V. (02), “The great depression in Italy: trade restrictions and
real wages rigidities”, Review of Economic Dynamics, vol. 5, pag. 128-151, 2002.
• Pessino, C. (96), “Returns to education in greater Buenos Aires 1986-1993: from
hyperinflation to stabiliztion and beyond”, Cuadernos de Economía, Año 33, Nº 99,
1996.
• Psacharopoulos, G. y Ng, Y. (92), “Earnings and educations in Latin America”,
World Bank WPS Nº 1056, 1992.
• Rosen, S. (77), “Human Capital: a survey of empirical research” en R. Ehrenberg
(ed), Research in Labor Economics, 1977.
• Sapelli, C. (03), “Ecuaciones de Mincer y las tasas de retorno a la educación en
Chile: 1990-1998”, Documentos de Trabajo Nº 254, PUC de Chile, 2003.
• Sapelli, C. (05), “Tasas de retorno a la educación y distribución del ingreso por
generación en Chile: un análisis basado en paneles sintéticos”, mimeo, PUC, 2005.
• Széquely, M. (05) “Pobreza y desigualdad en México entre 1950 y el 2004”,
Documento de investigación N° 24 de la Secretaría de Desarrollo Social de México,
2005.
• Willis, R. (86), “Wage determinants: a survey and reinterpretation of human capital
earnings functions”, Handbook of Labor Economics, cap. 10, 1986.
53
Anexo Nº 1: Efectos de crisis económicas sobre mercado laboral y desigualdad. Muchos países del mundo han experimentado a lo largo del siglo XX alguna crisis
económica. Otros por su parte presentan varias crisis a lo largo de los últimos cien años.
Argentina se encuadra dentro de estos últimos. Según Amado, Cerro y Meloni (05), desde
1914 hasta la actualidad se produjeron 19 episodios de crisis en el país. De estos, cuatro
pueden catalogarse como severas o depresiones. En esta categoría se encuadra la crisis del
2001.
El fenómeno de crisis más conocido y estudiado por la literatura es la depresión de los años
30. Este se inicia en Estados Unidos y luego se expande a otros países del mundo
desarrollado75
. En este episodio, las magnitudes de contracción del producto y aumento en
los niveles de desempleo son abrumantes. Kehoe y Prescott (02) sitúan a este fenómeno
junto a la crisis de la década del 80 en Argentina, Chile y México dentro de la categoría de
depresión económica. Estos autores, definen que un país sufre una depresión económica
cuando: i) el producto disminuye 20 % con respecto a su valor de tendencia y ii) una
reducción de al menos 15 puntos se produce durante la primera década de iniciada la
contracción. Como se expone en la sección 2, la crisis económica argentina del 2001 podría
encuadrarse sin problemas dentro de esta definición.
Adicionalmente se produjeron otros eventos de crisis, aunque menos severos, en Turquía en
el año 1994, México en 1995, países del Sudeste Asiático en 1998, etc. Estos se engloban
dentro de la denominación de “crisis moderadas”.
A continuación se describe el comportamiento de las principales variables relacionadas con
el mercado laboral y la desigualdad salarial durante tiempos de crisis económicas76
.
Separamos el presente anexo entre eventos de depresiones económicas y eventos de crisis
moderadas.
75
Canadá, Francia, Alemania e Italia entre otros fueron algunos de los países afectados. 76
Se analizan los cambios en el nivel de producto, en las tasas de desempleo y en los salarios reales. Cuando
se tiene información de ajustes en el número de horas trabajadas se presenta. Lamentablemente esta variable
no está disponible para todos los casos analizados. Los efectos sobre la distribución de los ingresos se
presentan a través del coeficiente de Gini.
54
i) Efectos de depresiones económicas sobre el mercado laboral.
Dentro de depresiones económicas se incluyen Estados Unidos entre 1929-1933, Canadá
durante el mismo periodo, Alemania entre 1929-1932, Argentina entre 1980-1990, Chile
entre 1981-1983 y México entre 1981-1988.
a) Estados Unidos.
La depresión de los años 30 se inicia en octubre de 1929 y finaliza en 1933. Cole y Ohanian
(99) muestran que durante este periodo, el producto real se redujo un 38.3 %, la tasa de
empleo se contrajo 23.8 % y el salario real de la economía total se redujo 9 %. Este último
indicador está compuesto por un incremento de 2.3 % en el sector manufacturero y una
reducción de 14.8 % en el sector no manufacturero. Estos mismos autores muestran que las
horas totales trabajadas cayeron 28.3 % durante el fenómeno.
Eichengreen y Hatton (88) presentan estimadores de la tasa de desempleo en la industria y
muestran que esta aumentó 32.3 %. Adicionalmente Margo (93) presenta la tasa de
desempleo de toda la economía y destaca que aumentó 22 puntos porcentuales.
Con respecto a la desigualdad salarial se puede decir que el coeficiente de Gini fue de 0.4
en 1929 y aumentó hasta 0.45 en 193377
. Esto indica que la distribución del ingreso
empeoró a consecuencia de la depresión económica.
b) Canadá.
Canadá fue otro de los países afectados por la gran depresión. Según Amaral y MacGee
(02), entre 1929 y 1933, la reducción del producto real llegó al 40.4 %. Las horas trabajadas
se redujeron un 31 %, los salarios reales en la agricultura disminuyeron 45 %, mientras que
aumentaron 0.6 % en el sector industrial. El efecto combinado da una reducción importante
en los salarios reales, cercana al 13 %78
. La tasa de desempleo en la industria aumentó 22.4
%.
c) Alemania.
77
Dato proveniente de Mendershausen (46). 78
El sector industrial representaba el 70 % de la fuerza laboral. El 30 % restante se engloba en actividades
agrícolas.
55
Fischer y Hornstein (02) analizan los efectos de la gran depresión sobre Alemania. En este
país la depresión duró entre 1929 y 1932. Estos autores muestran que el producto se
contrajo 28.1 %. Los salarios reales aumentaron 4.9 % y las horas trabajadas disminuyeron
25.2 %. La tasa de desempleo en la industria aumentó 22.9 %.
d) Argentina.
La Argentina experimentó una gran crisis económica durante la década del 8079
. Entre 1980
y 1990 el producto real per cápita se redujo 33 %. Por su parte, la tasa de desempleo
aumentó 5.3 %.80
. Los salarios reales se mantuvieron relativamente constantes hasta 1984,
pero luego se vieron completamente reducidos debido al proceso de inflación que
desembocó en hiperinflación en 1989. Durante la década, se registra una disminución del
26 % en los salarios reales.
Por el lado de la desigualdad se aprecia un aumento en el coeficiente de Gini desde 0.374 a
0.436 durante la década81
.
e) Chile.
A comienzos de la década del 80, Chile fue uno de los países latinoamericanos más
afectados por la denominada “crisis de la deuda”. Según Bergoeing et al (02), el producto
se contrajo casi 25 % entre 1981 y 1983. Durante el mismo periodo, los salarios reales del
sector manufacturero cayeron 13 % y la tasa de desempleo aumentó 9 puntos porcentuales.
El coeficiente de Gini aumentó 4 puntos porcentuales durante el proceso de la crisis. En
1980 era de 0.53 y pasó a 0.57 en 198482
.
f) México.
La crisis de la deuda afectó de manera importante a México. El periodo de crisis que
comenzó en 1981 tuvo una duración de 7 años (hasta 1988). El producto per cápita se
contrajo 30 %. Por su parte, los salarios reales del sector manufacturero cayeron 33 % en el
mismo periodo y la tasa de desempleo aumentó 17 puntos porcentuales.
79
Esta se conoce como “la década perdida”. 80
Datos provenientes de Kydland y Zarazaga (02). 81
Datos provenientes de Gasparini, Marchioni y Sosa Escudero (01). 82
Dato proveniente de Larrañaga (01).
56
Según Széquely (05) el coeficiente de Gini entre 1981 y 1988 pasó de 0.47 a 0.43. Esto
refleja que la distribución del ingreso mejoró durante el periodo de crisis.
En la siguiente tabla se resumen los principales efectos de las depresiones económicas
sobre las variables del mercado laboral.
Tabla 8: Efectos de depresiones económicas sobre el mercado laboral.
Producto Desempleo Horas trabajadas
Salario real Coeficiente de Gini
Estados Unidos - 38 % + 32 % - 28 % - 9 % + 5 %
Canadá - 40 % + 22 % - 31 % - 13 %
Alemania - 28 % + 23 % - 25 % + 5 %+
Argentina - 33 % + 5 % - 26 % + 6 %
Chile - 25 % + 9 % - 13 % + 4 %
México - 30 % + 17 % - 33 % - 4 %
ii) Efectos de crisis moderadas sobre el mercado laboral.
Dentro de las denominadas crisis moderadas se incluye a Francia entre 1929-1936, Italia
entre 1929-1932, Turquía en 1994, México en 1995 y los países del sudeste asiático en
1998.
a) Francia83.
En Francia se produce una crisis económica moderada entre 1929 y 1936. Este país sufrió
los efectos de la depresión económica que había surgido en Estados Unidos. Durante este
periodo de tiempo el producto se redujo 15.2 %. La tasa de desempleo en la industria
aumentó 13.1 %, mientras que el largo de la semana laboral disminuyó 18.5 %. Las horas
trabajadas se redujeron 24.9 %. Pero se aprecia que los salarios reales aumentaron 11.4 %.
b) Italia.
Perry y Quadrini (02) analizan los efectos de la depresión de los años 30 sobre la economía
Italiana. Entre 1929 y 1932, el producto se redujo 11.9 %. Las horas trabajadas
disminuyeron 13 %. En cuanto al comportamiento de los salarios reales tenemos que en el
sector transable estos aumentaron 22 % mientras que se mantuvieron relativamente estables
en el sector no transable. Analizando ambos sectores en conjunto tenemos que los salarios
reales aumentaron 6.6 %.
83
Datos provenientes de Beaudry y Portier (02).
57
c) Turquía84.
La economía turca se vio afectada por una crisis económica en 1994. La contracción del
producto fue de 5.5 %. La tasa de desempleo se mantuvo relativamente estable en niveles
cercanos al 8 %. El principal efecto se aprecia sobre los salarios reales, los cuales se
redujeron 31.5 % en el año de la crisis.
d) México.
La crisis mexicana del año 1994 se conoce también como el “efecto tequila”. Durante este
proceso, la contracción del producto fue de 6.2 %. Al mismo tiempo el desempleo aumentó
en un punto porcentual. Pero el ajuste sustancial se produjo en los salarios reales, ya que
estos disminuyeron 29.6 %.
Durante el efecto tequila el coeficiente de Gini mostró una leve reducción de 2.3 puntos
porcentuales, ya que pasó de 0.477 a 0.454.
e) Países del sudeste asiático.
La crisis del sudeste asiático comenzó en mayo de 1997 cuando se produce un ataque
especulativo en contra de la moneda tailandesa. Luego se desarrolla un efecto contagio
hacia Indonesia, Corea y Malasia. Estos tres países se vieron afectados en 1998. La mayor
reducción del producto se dio en Indonesia donde se registró una contracción de 13.7 %.
Las disminuciones en Tailandia, Malasia y Corea fueron 10.6 %, 7.6 % y 5.8 %
respectivamente.
Los efectos de la crisis sobre el desempleo fueron bastante dispares entre los países aunque
se aprecia un aumento en esta variable. En Corea la tasa de desempleo aumentó 4.2 %
debido a la crisis. El incremento en Tailandia fue de 2.8 %, mientras que en Indonesia y
Malasia el desempleo creció 0.7 %.
En relación al comportamiento de los salarios reales se aprecia que los mismos actúan de
manera procíclica. Estos se redujeron 44 % en Indonesia. Mientras que en Corea, la
disminución fue de 9.8 %. En Tailandia y Malasia la contracción de los salarios fue de 6.3
% y 2.7 % respectivamente.
84
Los datos para Turquía, México y los países del sudeste asiático provienen de Fallon y Lucas (02).
58
Cuando se analizan los efectos que tuvo la crisis del sudeste asiático sobre la desigualdad
salarial, se aprecia que estos fueron menores. Si bien el coeficiente de Gini aumentó para
casi todos los países analizados, el aumento es despreciable. En Corea, el citado coeficiente
aumentó 0.6 %, en Malasia 0.2 % y en Tailandia 0.4 %. Por su parte, en Indonesia el
coeficiente de Gini registra una reducción de 1 %. Esto indica que en general la distribución
del ingreso empeoró durante la crisis pero levemente. Esto se condice con lo expresado
anteriormente. La principal variable de ajuste durante la crisis del sudeste asiático fueron
los salarios y no el empleo. Esto hace que la crisis afecte poco la distribución salarial.
En la siguiente tabla se resumen los principales efectos de las crisis moderadas sobre las
variables relacionadas con el mercado laboral.
Tabla 9: Efectos de las crisis moderadas sobre el mercado laboral.
Producto Desempleo Horas trabajadas
Salario real
Coeficiente de Gini
Francia - 15 % + 13 % - 25 % + 11 %
Italia - 12 % - 13 % + 7 %
Turquía - 6 % = - 31 %
México - 6 % + 1 % - 30 % - 2 %
Tailandia - 11 % + 3 % - 6 % + 0.4 %
Malasia - 8 % + 1 % - 3 % + 0.2 %
Indonesia - 14 % + 1 % - 44 % - 1 %
Corea - 6 % + 4 % - 10 % + 0.6 %
Analizando las tablas 8 y 9 podemos decir que la evidencia empírica indica que las crisis
económicas terminan teniendo impactos negativos en los niveles de empleo y en los
salarios reales. Ante shocks negativos que afectan el mercado laboral, los niveles de empleo
y de salarios reales tienden a reducirse para afrontarlos. Cuando la crisis tiene un impacto
positivo sobre los salarios reales, este suele ser pequeño en magnitud.
De ambas tablas surge un hecho muy interesante cuando analizamos las crisis en relación al
año en que ocurrieron.
• Las depresiones en los años 30 (crisis antiguas) en general muestran una
sobrereacción notable del nivel de empleo y un efecto mucho más reducido en los
salarios.
• En las crisis más modernas ocurre todo lo contrario, ya que es la variable salario la
más afectada. Es como si los mercados laborales hubiesen evolucionado a formas
59
más flexibles para enfrentar las crisis económicas. Es posible que los empresarios
para afrontar una crisis decidan ajustar los niveles de salarios y las horas trabajadas
en lugar de dejar gente desempleada. Esta forma de actuar le permitiría minimizar
costos.
• Con respecto a la desigualdad salarial se puede decir que, en general, en tiempos de
crisis económicas la distribución del ingreso empeora.
60
Anexo Nº 2: Problemas teóricos y econométricos de la ecuación de Mincer. Según Heckman-Lochner-Todd (03), la ecuación de Mincer clásica presenta dos
problemas teóricos importantes:
• La forma funcional que se le impone a los datos85
establece una única tasa de
retorno a la educación para todos y concavidad de los perfiles de ingreso con
respecto a la experiencia y el tenure. Este problema se puede corregir introduciendo
variables que representen distintos niveles educativos (completos e incompletos) y
elevando la experiencia y el tenure a exponentes mayores que 2.
• La utilización de datos de corte transversal supone un mecanismo de generación de
expectativas estático. Se supone que cada individuo calcula sus ingresos futuros en
función de los ingresos presentes que tienen las personas con características
similares a él. Este problema se podría corregir construyendo cohortes sintéticas o
artificiales, lo cual no se realiza en el presente trabajo pero se deja como futura línea
de investigación.86
Un problema teórico adicional que podría manifestarse es el siguiente:
• La tasa de retorno no se encuentra ajustada por riesgo. Tal cual aparece reflejado en
la sección 4, aquellos individuos con menor nivel educativo sufren más en períodos
de recesión, quedando desempleados o trabajando una menor cantidad de horas que
las que realmente querrían hacerlo. El desempleo es un tema vital que no es tratado
por ninguno de estos modelos ya que se supone que los agentes están empleados en
todo momento. Aún así, la corrección por sesgo de selección que se desarrolla en la
sección 3 tiende a compensar en parte este problema. No obstante se deja como
futura línea de investigación un análisis más acucioso del desempleo y sus efectos
sobre las tasas de retorno.
85
La forma funcional postula: i) un paralelismo de los perfiles de ln del ingreso con respecto a los distintos
niveles educativos; ii) los ingresos crecen en forma log lineal con los años de educación; iii) hay concavidad
de los perfiles de ingreso para los distintos niveles de experiencia y tenure. 86
Sapelli (05) calcula retornos de los distintos niveles educativos utilizando datos de cohortes nacidas entre
1925 y 1975.
61
Adicionalmente, la ecuación de Mincer tiene varios problemas econométricos87. Estos
aparecen porque se viola un supuesto clave del modelo clásico de regresión lineal, como es
el de ausencia de correlación entre residuo y regresor. Los posibles problemas son:
1. Sesgo de habilidad o sesgo de variable omitida: este problema ocurre porque hay
una variable relevante que no se incluye en la regresión (habilidad) la cual está
correlacionada con una de las variables incluidas (educación). Esto hace que exista
correlación entre residuo y regresor. Se espera que la corr(Si, Ai) > 0, por lo que
corr(Si, εi) ≠ 0. Al omitir Ai, el estimador de la tasa de retorno a la educación está
captando un efecto que no le corresponde por lo que estaría sobreestimando al
verdadero parámetro.
Hay dos maneras de corregir este problema: i) si hay datos de medidas de habilidad,
como el IQ por ejemplo, se deben incluir en la regresión88
. ii) si no hay datos de
medidas de habilidad la manera de corregir este sesgo es mediante el método de
variables instrumentales89
. Es decir, encontrar alguna variable (o conjunto de
variables) que esté altamente correlacionada con la variable a instrumentalizar (Si),
pero que no esté correlacionada con el error (εi)90
.
En el presente trabajo no corregimos este problema debido a que el sesgo de
habilidad tiende a compensarse con el sesgo provocado por el error de medición, ya
que el primero sobreestima el verdadero parámetro y el segundo lo subestima.
2. Sesgo por error de medición o variable proxy: esto ocasiona problemas cuando el
error de medición se da en las variables independientes, ya que volvemos a tener
que hay correlación entre regresor y residuo. Así por ejemplo, la teoría económica
sostiene que hay una relación entre el nivel de salarios del individuo y su nivel de
87
Griliches (77) analiza con mayor detalle los posibles problemas econométricos de la ecuación de Mincer. 88
Medidas de habilidad no se encuentran disponibles en la EPH. 89
Algunos instrumentos utilizados en la literatura son: el trimestre de nacimiento relacionado con el año de
nacimiento del individuo, las matrículas de las universidades públicas del 2° y 4° año de la carrera, la
distancia a la universidad o escuela mas cercana, variable que indica el cambio de alguna regla de educación
exógena como la extensión de la educación obligatoria, datos de hermanos o gemelos, etc. 90
Card (01) analiza estimaciones de la tasa de retorno a la educación por mínimos cuadrados (OLS) y por
variables instrumentales (VI). Encuentra que la estimación de la tasa de retorno a la educación por VI es hasta
un 30 % mayor que la estimación realizada por OLS. Pero los estimadores de VI son imprecisos en muchos
de los estudios, lo cual lo lleva a concluir que la magnitud del sesgo de habilidad presente en mínimos
cuadrados es desconocida.
62
capital humano. Pero, se utilizan como medidas del capital humano a algunas
variables proxies como son los años de educación del agente, su experiencia o el
tenure. Estas variables, no necesariamente miden fielmente el nivel de capital
humano efectivo del individuo91
.
Otro problema surge debido a la no declaración o declaración errónea por parte de
los individuos. La evidencia internacional sugiere que aquellos individuos con
pocos años de educación tienden a sobredeclarar su verdadero nivel educativo,
mientras que las personas con muchos años de educación tienden a subdeclarar su
nivel educativo. Con respecto al nivel de ingresos ocurre algo similar, ya que las
personas tienden a subdeclarar el verdadero nivel de ingresos. Estas declaraciones
erróneas pueden inducir sesgos en los parámetros estimados.
Generalmente, el estimador de la tasa de retorno en presencia de error de medición
tiende a subestimar el verdadero parámetro por lo que compensaría en parte al sesgo
de habilidad. Dada esta compensación entre ambos sesgos es que no se los corrige
en el presente trabajo.
3. Problema de la autoselección: esto surge cuando la conformación de la muestra de
los individuos que participan de un determinado tratamiento (ej. van a la
universidad, se emplean en el mercado laboral, etc.) no es aleatoria. Es decir, los
individuos que mas se benefician del tratamiento son los que más participan. En
nuestro caso, la gran división sería entre los que se encuentran empleados versus los
que están desempleados o inactivos. Una manera de corregir este posible problema
es mediante el modelo de selección de Heckman. Una corrección por sesgo de
selección se efectúa en la sección 3.
4. Educación endógena: sabemos que la educación ejerce una fuerte influencia sobre
los ingresos. Pero podría ser posible que la educación venga determinada por el
nivel de ingresos. Si esto ocurre tenemos un fuerte problema de endogeneidad y
para resolverlo necesitamos manejar el herramental econométrico de ecuaciones
91
La calidad de la educación es un factor clave en la formación de capital humano, pero esto no es captado
por la medida de años de educación. Se sabe que existe una gran varianza en torno a la calidad de la
educación. Algunos autores miden la calidad como los gastos realizados por las escuelas o el gasto por
alumno y en todos estos casos encuentran un efecto positivo de la calidad sobre los ingresos. En este trabajo
se descarta este ajuste debido a que no se tienen datos de estas variables.
63
simultáneas. El problema puede darse también, porque los individuos aplican una
regla de elección sobre cuanto educarse. Aún cuando la educación fuera endógena,
nada indica que el grado de endogeneidad sería sustancialmente distinto entre
ambas ondas. Dado esto, la comparación entre tasas de retorno de años diferentes
resulta ser válida.
64
Anexo Nº 3: Datos y variables utilizadas.
a) Descripción de los datos.
Los datos utilizados para estimar las ecuaciones de Mincer provienen de las ondas de mayo
de 1995 y mayo de 2002 de la EPH relevada por el INDEC. La EPH es una encuesta por
muestreo que recolecta datos socioeconómicos de los hogares y también de sus integrantes.
Se eligió este periodo de análisis debido a que desde mayo de 1995 se pone en vigencia la
“Base Usuaria Ampliada” la cual homogeiniza las preguntas entre los distintos
aglomerados y se tabulan de una manera uniforme en todo el país92
. Esto hace que los datos
sean comparables.
La EPH se viene realizando desde 1972, aunque hasta 1984 se realizaba solo en las grandes
ciudades. A partir de 1993 comienza un periodo de agregación de más aglomerados hasta
llegar a cubrir ciudades mayores a 100.000 habitantes93
. En el presente trabajo se
seleccionan 23 de los 31 aglomerados disponibles en la actualidad, esto debido a que los 8
aglomerados restantes se incorporaron a la EPH luego de 1995. En la siguiente tabla se
enumera el total de aglomerados y en negrita los seleccionados.
Tabla 10: aglomerados de la EPH.
Código Ciudad Código Ciudad Código Ciudad 02 La Plata 14 Concordia 29 Tucumán 03 Bahía Blanca 15 Formosa 30 Santa Rosa 04 Rosario 17 Neuquén 31 Tierra del Fuego 05 Santa Fe 18 Santiago del Estero 32 Capital Federal 06 Paraná 19 Jujuy 33 Gran Buenos Aires 07 Posadas 20 Río Gallegos 34 Mar del Plata
08 Resistencia 22 Catamarca 35 Viedma
09 Comodoro Rivadavia 23 Salta 36 Río Cuarto
10 Mendoza 25 La Rioja 37 Interior Mendoza.
12 Corrientes 26 San Luis
13 Córdoba 27 San Juan
Del total de la población encuestada, seleccionamos los siguientes casos:
• Trabajadores asalariados hombres que reporten ingresos laborales positivos.
92
La Base Usuaria Ampliada se utilizó hasta el año 2003. Pero en este año hay una restructuración del
muestreo, lo que redujo notablemente el tamaño muestral. Debido a esto se decidió analizar el año 2002. 93
Un mayor detalle de la confección y evolución de la EPH se puede encontrar en el instructivo de la Base
Usuaria Ampliada en www.indec.gov.ar.
65
• Individuos cuya edad está entre los 15 y 65 años, que no estén asistiendo al colegio
o universidad. Se descartan aquellos casos donde la persona está estudiando y
trabajando al mismo tiempo.
• Individuos que hayan brindado información en todas las variables de interés, es
decir, salarios, educación, tenure, tamaño de la empresa, etc.94
Después de haber aplicado estos criterios, nos queda una muestra de 10.493 casos para el
año 1995 y 6.380 individuos para el 2002.
b) Descripción de las variables utilizadas.
A continuación se describen las variables utilizadas en el presente trabajo. Las variables
provenientes de la EPH son:
*ingresos: se toman los ingresos por concepto de salarios. Los salarios son mensuales y se
expresan en ln.
*edad: representa la cantidad de años cumplidos que tiene la persona al momento de
responder la encuesta.
Las variables construidas son:
*años de educación: esta se construye en base a cuatro preguntas de la EPH. La pregunta
P55 determina si el individuo asiste, asistió o nunca asistió a la escuela. P56 determina cual
es el nivel de estudio mas alto alcanzado (que cursa o cursó) pudiendo ser preescolar,
primaria, secundario (ya sea nacional, comercial, técnico, etc.) y universitaria. P58
determina si el individuo finalizó ese nivel de estudio, mientras que P58B determina cual es
el último grado o año aprobado en ese estudio. Primaria completa corresponde a 7 años de
educación, secundaria completa implica que tiene 12 años de educación y universitaria
completa 17 años de educación.
*experiencia: se tiene una medida de experiencia potencial, la cual se construye como
X=edad - años de educación - 6. En las regresiones se incluye adicionalmente la
experiencia a la segunda potencia.
94
Es posible que este criterio de selección induzca algún tipo de sesgo. Sería interesante poder caracterizar a
aquellos individuos que no contestan las distintas preguntas.
66
*tenure: esta variable se construye en base a 2 preguntas. La pregunta P22 determina la
cantidad de años que el individuo lleva trabajando en su actual ocupación, mientras que
P22M determina la cantidad de meses. En las regresiones se incluye adicionalmente el
tenure a la segunda potencia95
.
*tamaño de la empresa: en la base de datos de la EPH, esta variable viene codificada por
rangos. Aquí, se opta por tomar el valor entero más cercano al promedio de cada uno de
esos rangos96
. La codificación definitiva de esta variable es: 1 si la empresa donde trabaja el
individuo es unipersonal; 3 cuando la persona trabaja en un establecimiento donde la
cantidad de trabajadores fluctúa entre 2 y 5; 10 cuando trabajan entre 6 y 15 empleados; 20
(entre 16 y 25); 38 (entre 26 y 50); 75 (entre 51 y 100); 300 (entre 101 y 500) y 500 (más
de 501 trabajadores).
*publico: es una variable dummy que toma el valor 1 cuando el trabajador trabaja en una
empresa pública.
*variables dummies por industria o sector económico: se construyeron 21 variables
dummies, 1 para cada tipo de industria (DIi para i = 1, 2, 3,…, 21). La codificación y el
sector se representan en la tabla 1197
:
*variables para las regresiones spline: se construyeron 6 variables para la regresión que
desagrega por nivel educativo completo e incompleto. Así tenemos primaria incompleta,
primaria completa, secundaria incompleta, secundaria completa, universitaria incompleta y
universitaria completa98
.
95
Para los trabajadores desempleados se consulta el tiempo de antigüedad que llevaban en el último empleo
registrado. Adicionalmente, se tiene información del tamaño de la empresa en el que trabajaban y el dato si la
empresa era pública o privada. Datos del sector económico en el que se incluye su último empleo (antes de
quedar desempleados) aparecen captados en la EPH. 96
Se construye con dos preguntas, la P19 y P19B. 97
DI16 es la categoría base. 98
La explicación de su construcción se da en la sección 3.
67
Tabla 11: codificación y tipos de industria.
Codificación Tipo de Industria. DI1 Actividades Primarias.
DI2 Ind. de alimentos, bebidas y tabaco.
DI3 Ind. textiles, confecciones y calzado.
DI4 Ind. Prod químicos y de la refinación de petróleo y combustible nuclear.
DI5 Ind. Prod. metálicos, maquinarias y equipos.
DI6 Otras industrias manufactureras.
DI7 Suministro de electricidad, gas y agua.
DI8 Construcción.
DI9 Comercio al por mayor.
DI10 Comercio al por menor.
DI11 Restaurantes y hoteles.
DI12 Transporte.
DI13 Servicios conexos de transportes y comunicaciones.
DI14 Intermediación financiera.
DI15 Actividades inmobiliarias, empresariales y de alquiler.
DI16 Administración pública y defensa.
DI17 Enseñanza.
DI18 Servicios sociales y de salud.
DI19 Otras actividades de servicios sociales y comunitarios.
DI20 Servicios de reparación.
DI21 Hogares privados con servicio doméstico.
DI22 Otros servicios personales.
68
Anexo Nº 4: Regresiones y estadísticos.
Estadísticos de la tabla 2. Año 1995. sort estado
by estado: summ educ ex
---------------------------------------------------------------------------------
-> estado = 1
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
educ | 12132 9.608556 3.754217 0 17
ex | 12132 20.60114 12.35398 0 59
---------------------------------------------------------------------------------
-> estado = 2
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
educ | 1802 8.809101 3.173349 0 17
ex | 1802 15.56659 13.99446 0 59
---------------------------------------------------------------------------------
-> estado = 3
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
educ | 2525 7.513663 3.847879 0 17
ex | 2525 34.92277 17.03118 0 59
table educ estado
-------------------------------
años de | determina si es
educación | ocupado, desocupado
del | o inactivo
individuo | 1 2 3
----------+--------------------
0 | 114 23 158
1 | 60 11 36
2 | 142 32 93
3 | 261 26 130
4 | 249 33 110
5 | 203 32 61
6 | 154 35 33
7 | 3,924 650 1,004
8 | 453 118 79
9 | 815 152 105
10 | 911 118 114
11 | 459 65 53
12 | 2,603 397 422
13 | 141 13 9
14 | 214 29 18
15 | 161 10 17
16 | 113 13 10
17 | 1,155 45 73
-------------------------------
gen edad_tram=1
replace edad_tram=2 if edad>=20 & edad<=29
replace edad_tram=3 if edad>=30 & edad<=39
replace edad_tram=4 if edad>=40 & edad<=49
replace edad_tram=5 if edad>=50 & edad<=59
replace edad_tram=6 if edad>=60 & edad<=65
table edad_tram estado
-------------------------------
| determina si es
69
| ocupado, desocupado
| o inactivo
edad_tram | 1 2 3
----------+--------------------
1 | 659 430 310
2 | 3,304 667 216
3 | 3,566 247 130
4 | 2,787 224 274
5 | 1,513 172 666
6 | 303 62 929
-------------------------------
by estado: summ tenc
---------------------------------------------------------------------------------
-> estado = 1
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
tenc | 12132 7.369883 8.122009 0 48
---------------------------------------------------------------------------------
-> estado = 2
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
tenc | 1802 0 0 0 0
---------------------------------------------------------------------------------
-> estado = 3
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
tenc | 2525 0 0 0 0
. by estado: summ anio_ocua
---------------------------------------------------------------------------------
-> estado = 1
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
anio_ocua | 12132 0 0 0 0
---------------------------------------------------------------------------------
-> estado = 2
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
anio_ocua | 1312 8.28811 22.00224 0 99
---------------------------------------------------------------------------------
-> estado = 3
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
anio_ocua | 2525 0 0 0 0
table tamc estado
-------------------------------
es el |
número de |
empleados |
promedio | determina si es
dentro de | ocupado, desocupado
los | o inactivo
rangos | 1 2 3
----------+--------------------
1 | 1,585 1,802 2,525
3 | 2,625
10 | 2,129
20 | 1,103
38 | 1,244
75 | 1,145
300 | 1,592
70
500 | 709
-------------------------------
. table n_estaba esta
----------------------------------
determina |
la cant |
de |
personas |
que | determina si es
trabajaba | ocupado, desocupado o
n en el | inactivo
estab | 1 2 3
----------+-----------------------
0 | 12,132 339 2,525
1 | 32
2 | 453
3 | 275
4 | 120
5 | 134
6 | 108
7 | 127
8 | 60
9 | 154
----------------------------------
table estado tip_estab
--------------------------------------
determina |
si es |
ocupado, | indica si el
desocupad | establecimiento es público
o o | o privado
inactivo | 0 1 2 3
----------+---------------------------
1 | 3,703 8,316 113
2 | 1,802
3 | 2,525
--------------------------------------
table estado tip_estaba
--------------------------------------------------
determina |
si es |
ocupado, |
desocupad | indica si el establecimiento en que
o o | estaba es público o privado
inactivo | 0 1 2 3 9
----------+---------------------------------------
1 | 12,132
2 | 339 142 1,311 8 2
3 | 2,525
--------------------------------------------------
table rama estado
------------------------
| determina si
rama de | es ocupado,
actividad | desocupado o
a la que | inactivo
se dedica | 1 2
----------+-------------
1 | 466 58
71
2 | 561 77
3 | 244 47
4 | 237 33
5 | 636 97
6 | 522 75
7 | 293 25
8 | 1,193 339
9 | 602 76
10 | 940 146
11 | 297 63
12 | 839 109
13 | 358 42
14 | 327 26
15 | 346 40
16 | 2,397 71
17 | 482 8
18 | 356 13
19 | 602 40
20 | 305 64
21 | 50 4
22 | 58 5
89 | 339
99 | 21 5
------------------------
Año 2002. sort estado
by estado: summ educ ex
---------------------------------------------------------------------------------
-> estado = 1
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
educ | 9562 10.19138 3.790229 0 17
ex | 9562 21.36833 12.44621 0 59
---------------------------------------------------------------------------------
-> estado = 2
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
educ | 2292 9.211606 3.443398 0 17
ex | 2292 17.72557 13.4775 0 56
---------------------------------------------------------------------------------
-> estado = 3
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
educ | 2302 7.990009 3.956015 0 17
ex | 2302 29.54822 18.02466 0 59
table educ estado
-------------------------------
años de | determina si es
educación | ocupado, desocupado
del | o inactivo
individuo | 1 2 3
----------+--------------------
0 | 73 25 143
1 | 44 13 23
2 | 100 34 61
3 | 144 39 108
4 | 136 46 83
5 | 116 59 58
6 | 85 35 42
7 | 2,698 749 784
8 | 344 113 93
72
9 | 630 173 111
10 | 622 142 120
11 | 308 80 66
12 | 2,538 555 459
13 | 125 31 16
14 | 200 37 22
15 | 161 40 22
16 | 118 16 8
17 | 1,120 105 83
-------------------------------
table edad_tram estado
-------------------------------
| determina si es
| ocupado, desocupado
| o inactivo
edad_tram | 1 2 3
----------+--------------------
1 | 235 253 331
2 | 2,611 908 404
3 | 2,733 463 165
4 | 2,248 333 246
5 | 1,378 271 572
6 | 357 64 584
-------------------------------
by estado: summ tenc
---------------------------------------------------------------------------------
-> estado = 1
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
tenc | 9562 7.968356 8.600599 0 50
---------------------------------------------------------------------------------
-> estado = 2
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
tenc | 2292 0 0 0 0
---------------------------------------------------------------------------------
-> estado = 3
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
tenc | 2302 0 0 0 0
. by estado: summ anio_ocua
---------------------------------------------------------------------------------
-> estado = 1
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
anio_ocua | 9562 0 0 0 0
---------------------------------------------------------------------------------
-> estado = 2
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
anio_ocua | 2292 3.943717 13.22738 0 99
---------------------------------------------------------------------------------
-> estado = 3
Variable | Obs Mean Std. Dev. Min Max
-------------+--------------------------------------------------------
anio_ocua | 2302 0 0 0 0
. table tamc estado
-------------------------------
es el |
número de |
73
empleados |
promedio | determina si es
dentro de | ocupado, desocupado
los | o inactivo
rangos | 1 2 3
----------+--------------------
1 | 1,457 2,292 2,302
3 | 2,304
10 | 1,571
20 | 834
38 | 983
75 | 969
300 | 1,033
500 | 411
-------------------------------
. table n_estaba esta
-------------------------------
determina |
la cant |
de |
personas |
que | determina si es
trabajaba | ocupado, desocupado
n en el | o inactivo
estab | 1 2 3
----------+--------------------
0 | 9,562 304 2,302
1 | 86
2 | 653
3 | 359
4 | 160
5 | 177
6 | 146
7 | 127
8 | 50
9 | 230
-------------------------------
table estado tip_estab
--------------------------------------
determina |
si es |
ocupado, | indica si el
desocupad | establecimiento es público
o o | o privado
inactivo | 0 1 2 3
----------+---------------------------
1 | 2,953 6,568 41
2 | 2,292
3 | 2,302
--------------------------------------
. table estado tip_estaba
---------------------------------------------
determina |
si es |
ocupado, |
desocupad | indica si el establecimiento en
o o | que estaba es público o privado
inactivo | 0 1 2 3 9
----------+----------------------------------
1 | 9,562
74
2 | 304 144 1,841 1 2
3 | 2,302
---------------------------------------------
table rama estado
------------------------
| determina si
rama de | es ocupado,
actividad | desocupado o
a la que | inactivo
se dedica | 1 2
----------+-------------
1 | 372 97
2 | 439 79
3 | 167 46
4 | 183 38
5 | 292 85
6 | 323 89
7 | 177 16
8 | 689 487
9 | 464 107
10 | 925 201
11 | 218 71
12 | 796 130
13 | 268 78
14 | 225 24
15 | 368 113
16 | 1,973 88
17 | 473 23
18 | 357 29
19 | 503 72
20 | 232 59
21 | 37 20
22 | 74 31
89 | 304
99 | 7 5
------------------------
75
Regresiones de la tabla 4. Año 1995. reg lning educ ex ex2 tenc tenc2 tamc publico di1 di2 di3 di4 di5 di6 di7 di8
di9 di10 di11 di12 di13 di14 di15 di17 di18 di19 di20 di21 di22
-------------------------------------------------------------------------------
Source | SS df MS Number of obs = 10493
-------------+------------------------------ F( 28, 10464) = 201.69
Model | 1708.45004 28 61.0160728 Prob > F = 0.0000
Residual | 3165.63249 10464 .302526041 R-squared = 0.3505
-------------+------------------------------ Adj R-squared = 0.3488
Total | 4874.08253 10492 .464552281 Root MSE = .55002
------------------------------------------------------------------------------
lning | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .0828641 .0017356 47.75 0.000 .0794621 .0862661
ex | .0472375 .0017117 27.60 0.000 .0438823 .0505927
ex2 | -.0007379 .0000343 -21.52 0.000 -.0008052 -.0006707
tenc | .0125529 .002056 6.11 0.000 .0085227 .0165831
tenc2 | -.0002163 .0000685 -3.16 0.002 -.0003506 -.000082
tamc | .0004194 .0000398 10.55 0.000 .0003414 .0004973
publico | .0100425 .021967 0.46 0.648 -.0330169 .053102
di1 | .2683235 .0366883 7.31 0.000 .1964074 .3402396
di2 | -.0841142 .0346729 -2.43 0.015 -.1520797 -.0161487
di3 | -.2124726 .0442505 -4.80 0.000 -.2992119 -.1257332
di4 | .176129 .04474 3.94 0.000 .0884301 .2638279
di5 | .0666084 .0326219 2.04 0.041 .0026632 .1305536
di6 | -.1058669 .0349554 -3.03 0.002 -.1743861 -.0373477
di7 | .1108463 .0387072 2.86 0.004 .0349728 .1867197
di8 | -.1188634 .0286698 -4.15 0.000 -.1750617 -.0626651
di9 | -.0067988 .0339232 -0.20 0.841 -.0732947 .0596971
di10 | -.1252604 .0304164 -4.12 0.000 -.1848824 -.0656385
di11 | -.1315492 .0409544 -3.21 0.001 -.2118276 -.0512708
di12 | .0544374 .030893 1.76 0.078 -.0061189 .1149936
di13 | .0998826 .0386852 2.58 0.010 .0240523 .1757129
di14 | .1587744 .0380362 4.17 0.000 .0842162 .2333325
di15 | -.0318162 .0392971 -0.81 0.418 -.108846 .0452135
di17 | -.2639611 .0305432 -8.64 0.000 -.3238316 -.2040906
di18 | -.0804541 .035448 -2.27 0.023 -.1499389 -.0109694
di19 | -.0599162 .0312878 -1.92 0.056 -.1212462 .0014139
di20 | -.2317011 .0405453 -5.71 0.000 -.3111776 -.1522245
di21 | -.5926795 .0830229 -7.14 0.000 -.7554203 -.4299387
di22 | -.1770391 .0799734 -2.21 0.027 -.3338023 -.0202759
_cons | 4.864583 .0350175 138.92 0.000 4.795942 4.933224
------------------------------------------------------------------------------
reg lning pr se un ex ex2 tenc tenc2 tamc publico di1 di2 di3 di4 di5 di6 di7
di8 di9 di10 di11 di12 di13 di14 di15 di17 di18 di19 di20 di21 di22
-------------------------------------------------------------------------------
Source | SS df MS Number of obs = 10493
-------------+------------------------------ F( 30, 10462) = 196.67
Model | 1757.5783 30 58.5859433 Prob > F = 0.0000
Residual | 3116.50423 10462 .297887998 R-squared = 0.3606
-------------+------------------------------ Adj R-squared = 0.3588
Total | 4874.08253 10492 .464552281 Root MSE = .54579
------------------------------------------------------------------------------
lning | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pr | .0425443 .0050559 8.41 0.000 .0326338 .0524547
se | .0717135 .002966 24.18 0.000 .0658995 .0775276
un | .1225426 .0041206 29.74 0.000 .1144655 .1306197
ex | .048511 .0017101 28.37 0.000 .0451589 .0518632
ex2 | -.0007945 .0000346 -22.98 0.000 -.0008622 -.0007267
tenc | .012382 .0020406 6.07 0.000 .0083821 .016382
76
tenc2 | -.0001854 .0000681 -2.72 0.006 -.0003188 -.0000519
tamc | .0004091 .0000395 10.37 0.000 .0003318 .0004865
publico | .0085704 .0218001 0.39 0.694 -.0341619 .0513027
di1 | .2573359 .036424 7.07 0.000 .1859379 .328734
di2 | -.0856204 .0344125 -2.49 0.013 -.1530756 -.0181653
di3 | -.2077827 .0439426 -4.73 0.000 -.2939186 -.1216469
di4 | .1733042 .0443966 3.90 0.000 .0862784 .26033
di5 | .0802691 .0323893 2.48 0.013 .0167799 .1437583
di6 | -.1069639 .034691 -3.08 0.002 -.174965 -.0389629
di7 | .1186832 .0384144 3.09 0.002 .0433836 .1939828
di8 | -.1392158 .0284996 -4.88 0.000 -.1950805 -.0833512
di9 | .0077477 .0336812 0.23 0.818 -.0582739 .0737692
di10 | -.1142079 .0301964 -3.78 0.000 -.1733987 -.0550171
di11 | -.1206006 .0406587 -2.97 0.003 -.2002993 -.0409018
di12 | .0692971 .0306955 2.26 0.024 .009128 .1294662
di13 | .1081015 .0383944 2.82 0.005 .0328412 .1833619
di14 | .1563586 .0377809 4.14 0.000 .0823008 .2304165
di15 | -.0319723 .0389947 -0.82 0.412 -.1084093 .0444648
di17 | -.3092623 .0305259 -10.13 0.000 -.3690989 -.2494258
di18 | -.1165281 .0353302 -3.30 0.001 -.1857819 -.0472742
di19 | -.0577936 .0310492 -1.86 0.063 -.1186558 .0030687
di20 | -.2196898 .0402746 -5.45 0.000 -.2986356 -.140744
di21 | -.6013482 .0823948 -7.30 0.000 -.7628577 -.4398386
di22 | -.1686359 .0793656 -2.12 0.034 -.3242076 -.0130641
_cons | 5.141572 .04472 114.97 0.000 5.053912 5.229231
------------------------------------------------------------------------------
Año 2002. reg lning educ ex ex2 tenc tenc2 tamc publico di1 di2 di3 di4 di5 di6 di7 di8
di9 di10 di11 di12 di13 di14 di15 di17 di 18 di19 di20 di21 di22
---------------------------------------------------------------------------------
Source | SS df MS Number of obs = 6380
-------------+------------------------------ F( 28, 6351) = 156.65
Model | 1660.12833 28 59.2902975 Prob > F = 0.0000
Residual | 2403.85722 6351 .378500586 R-squared = 0.4085
-------------+------------------------------ Adj R-squared = 0.4059
Total | 4063.98555 6379 .637088188 Root MSE = .61522
------------------------------------------------------------------------------
lning | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
educ | .0983402 .0024653 39.89 0.000 .0935073 .1031731
ex | .0377265 .0025302 14.91 0.000 .0327665 .0426866
ex2 | -.0005403 .0000494 -10.93 0.000 -.0006373 -.0004434
tenc | .0390093 .0026871 14.52 0.000 .0337417 .0442768
tenc2 | -.0007855 .0000844 -9.31 0.000 -.0009509 -.0006201
tamc | .0006976 .0000606 11.52 0.000 .0005788 .0008163
publico | -.0564748 .0360096 -1.57 0.117 -.1270659 .0141162
di1 | .3140874 .056051 5.60 0.000 .2042087 .4239662
di2 | -.0941758 .0531962 -1.77 0.077 -.1984582 .0101067
di3 | -.1623941 .0724656 -2.24 0.025 -.3044511 -.020337
di4 | .1428806 .0655614 2.18 0.029 .014358 .2714031
di5 | .0348806 .056523 0.62 0.537 -.0759235 .1456847
di6 | -.1567988 .056777 -2.76 0.006 -.2681007 -.0454968
di7 | .1771391 .0665511 2.66 0.008 .0466763 .3076018
di8 | -.2111592 .048985 -4.31 0.000 -.3071863 -.1151322
di9 | -.1265201 .0535139 -2.36 0.018 -.2314254 -.0216147
di10 | -.1720393 .0466072 -3.69 0.000 -.2634051 -.0806735
di11 | -.2944754 .0629731 -4.68 0.000 -.4179239 -.1710269
di12 | -.1393317 .0469645 -2.97 0.003 -.2313979 -.0472655
di13 | -.1125759 .0588086 -1.91 0.056 -.2278607 .0027088
di14 | .2218623 .0595079 3.73 0.000 .1052068 .3385178
di15 | -.1151187 .0541445 -2.13 0.034 -.2212602 -.0089773
di17 | -.378308 .0412698 -9.17 0.000 -.4592108 -.2974052
77
di18 | -.1687055 .0453553 -3.72 0.000 -.2576171 -.0797938
di19 | -.0996371 .0478161 -2.08 0.037 -.1933727 -.0059015
di20 | -.4430218 .0620131 -7.14 0.000 -.5645884 -.3214552
di21 | -1.049456 .1213597 -8.65 0.000 -1.287362 -.81155
di22 | -.3748934 .0923498 -4.06 0.000 -.5559301 -.1938567
_cons | 4.29428 .0565531 75.93 0.000 4.183417 4.405143
------------------------------------------------------------------------------
reg lning pr se un ex ex2 tenc tenc2 tamc publico di1 di2 di3 di4 di5 di6 di7
di8 di9 di10 di11 di12 di13 di14 di15 di17 di18 di19 di20 di21 di22
---------------------------------------------------------------------------------
Source | SS df MS Number of obs = 6380
-------------+------------------------------ F( 30, 6349) = 149.09
Model | 1679.68307 30 55.9894357 Prob > F = 0.0000
Residual | 2384.30248 6349 .375539846 R-squared = 0.4133
-------------+------------------------------ Adj R-squared = 0.4105
Total | 4063.98555 6379 .637088188 Root MSE = .61281
------------------------------------------------------------------------------
lning | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pr | .0683366 .0082115 8.32 0.000 .0522392 .0844339
se | .0853395 .0042621 20.02 0.000 .0769844 .0936946
un | .1297471 .0053885 24.08 0.000 .1191839 .1403104
ex | .0387569 .0025412 15.25 0.000 .0337753 .0437384
ex2 | -.0005812 .0000499 -11.64 0.000 -.0006791 -.0004833
tenc | .0387956 .0026772 14.49 0.000 .0335474 .0440438
tenc2 | -.0007555 .0000842 -8.97 0.000 -.0009205 -.0005904
tamc | .0006949 .0000603 11.52 0.000 .0005766 .0008132
publico | -.0611177 .0358763 -1.70 0.089 -.1314474 .009212
di1 | .3001381 .0558685 5.37 0.000 .1906169 .4096593
di2 | -.0959945 .0530076 -1.81 0.070 -.1999073 .0079183
di3 | -.1483797 .0722424 -2.05 0.040 -.2899991 -.0067602
di4 | .1461309 .0653175 2.24 0.025 .0180866 .2741752
di5 | .0454646 .0563335 0.81 0.420 -.064968 .1558973
di6 | -.1574125 .0565548 -2.78 0.005 -.2682791 -.0465459
di7 | .1671574 .066305 2.52 0.012 .0371773 .2971375
di8 | -.22133 .0488255 -4.53 0.000 -.3170444 -.1256156
di9 | -.1220448 .0533176 -2.29 0.022 -.2265654 -.0175243
di10 | -.1598665 .0464562 -3.44 0.001 -.2509364 -.0687967
di11 | -.286987 .062756 -4.57 0.000 -.41001 -.163964
di12 | -.1259436 .0468476 -2.69 0.007 -.2177806 -.0341065
di13 | -.1067857 .0585839 -1.82 0.068 -.2216299 .0080586
di14 | .2176177 .0592939 3.67 0.000 .1013818 .3338537
di15 | -.1184103 .0539424 -2.20 0.028 -.2241555 -.012665
di17 | -.4233545 .0416162 -10.17 0.000 -.5049362 -.3417728
di18 | -.2032793 .0454941 -4.47 0.000 -.2924631 -.1140954
di19 | -.0999321 .0476365 -2.10 0.036 -.1933158 -.0065484
di20 | -.4401268 .0618336 -7.12 0.000 -.5613417 -.318912
di21 | -1.054445 .1208992 -8.72 0.000 -1.291448 -.8174415
di22 | -.3594403 .0920268 -3.91 0.000 -.5398438 -.1790367
_cons | 4.511789 .0727361 62.03 0.000 4.369201 4.654376
------------------------------------------------------------------------------
78
Regresiones de la tabla 5 y 6. Año 1995. reg lning eprinc epr eseinc ese euninc eun ex ex2 tenc tenc2 tamc publico di1
di2 di3 di4 di5 di6 di7 di8 di9 di10 di11 di12 di13 di14 di15 di17 di18 di19 di20
di21 di22
---------------------------------------------------------------------------------
Source | SS df MS Number of obs = 10493
-------------+------------------------------ F( 33, 10459) = 180.00
Model | 1765.44999 33 53.4984845 Prob > F = 0.0000
Residual | 3108.63254 10459 .297220819 R-squared = 0.3622
-------------+------------------------------ Adj R-squared = 0.3602
Total | 4874.08253 10492 .464552281 Root MSE = .54518
------------------------------------------------------------------------------
lning | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
eprinc | .0316488 .0098457 3.21 0.001 .0123494 .0509483
epr | .0845012 .0315502 2.68 0.007 .0226567 .1463456
eseinc | .0659573 .005337 12.36 0.000 .0554958 .0764188
ese | .1046254 .0207232 5.05 0.000 .064004 .1452468
euninc | .0778988 .009925 7.85 0.000 .0584438 .0973538
eun | .3187087 .0409209 7.79 0.000 .2384959 .3989215
ex | .0485957 .0017084 28.45 0.000 .045247 .0519445
ex2 | -.0007968 .0000345 -23.07 0.000 -.0008645 -.0007291
tenc | .0125399 .002039 6.15 0.000 .0085431 .0165368
tenc2 | -.0001903 .000068 -2.80 0.005 -.0003236 -.0000569
tamc | .000408 .0000394 10.35 0.000 .0003307 .0004853
publico | .0070381 .0217815 0.32 0.747 -.0356578 .049734
di1 | .2562285 .0363908 7.04 0.000 .1848956 .3275614
di2 | -.0837601 .0343864 -2.44 0.015 -.1511641 -.0163562
di3 | -.2066678 .0438972 -4.71 0.000 -.2927148 -.1206209
di4 | .1757872 .044355 3.96 0.000 .0888429 .2627316
di5 | .0820133 .0323581 2.53 0.011 .0185852 .1454415
di6 | -.1021915 .0346724 -2.95 0.003 -.170156 -.0342271
di7 | .1182693 .0383747 3.08 0.002 .0430476 .193491
di8 | -.1364065 .0284947 -4.79 0.000 -.1922615 -.0805515
di9 | .0135037 .0336626 0.40 0.688 -.0524813 .0794887
di10 | -.110731 .0301735 -3.67 0.000 -.1698768 -.0515851
di11 | -.11821 .0406331 -2.91 0.004 -.1978585 -.0385614
di12 | .0708546 .0306849 2.31 0.021 .0107063 .1310029
di13 | .1109833 .0383605 2.89 0.004 .0357895 .1861771
di14 | .1716169 .037934 4.52 0.000 .097259 .2459748
di15 | -.0309404 .0389537 -0.79 0.427 -.107297 .0454162
di17 | -.3171647 .0305361 -10.39 0.000 -.3770214 -.257308
di18 | -.1240268 .0353251 -3.51 0.000 -.1932707 -.0547829
di19 | -.0576509 .0310204 -1.86 0.063 -.1184569 .0031551
di20 | -.2200887 .0402339 -5.47 0.000 -.2989548 -.1412226
di21 | -.5991902 .0823277 -7.28 0.000 -.7605681 -.4378122
di22 | -.1677055 .0792797 -2.12 0.034 -.3231088 -.0123022
_cons | 5.168078 .0492925 104.85 0.000 5.071455 5.2647
------------------------------------------------------------------------------
Año 2002. reg lning eprinc epr eseinc ese euninc eun ex ex2 tenc tenc2 tamc publico di1
di2 di3 di4 di5 di6 di7 di8 di9 di10 di11 di12 di13 di14 di15 di17 di18 di19 di20
di21 di22
Source | SS df MS Number of obs = 6380
-------------+------------------------------ F( 33, 6346) = 137.56
Model | 1694.79672 33 51.3574763 Prob > F = 0.0000
Residual | 2369.18883 6346 .373335776 R-squared = 0.4170
-------------+------------------------------ Adj R-squared = 0.4140
Total | 4063.98555 6379 .637088188 Root MSE = .61101
------------------------------------------------------------------------------
79
lning | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
eprinc | .0863621 .0166381 5.19 0.000 .0537458 .1189785
epr | .0078327 .0530225 0.15 0.883 -.0961094 .1117747
eseinc | .0753475 .0082899 9.09 0.000 .0590966 .0915985
ese | .1463169 .0303639 4.82 0.000 .0867934 .2058403
euninc | .0610919 .0123311 4.95 0.000 .0369187 .085265
eun | .4334456 .0508078 8.53 0.000 .3338451 .5330461
ex | .0396669 .0025384 15.63 0.000 .0346908 .0446429
ex2 | -.0005989 .0000499 -12.00 0.000 -.0006967 -.0005011
tenc | .0384715 .0026709 14.40 0.000 .0332357 .0437074
tenc2 | -.0007476 .000084 -8.90 0.000 -.0009122 -.0005829
tamc | .0006965 .0000602 11.58 0.000 .0005786 .0008145
publico | -.070278 .0358201 -1.96 0.050 -.1404976 -.0000584
di1 | .2905752 .055734 5.21 0.000 .1813176 .3998327
di2 | -.0984336 .0528657 -1.86 0.063 -.2020683 .0052011
di3 | -.1499065 .0720638 -2.08 0.038 -.2911758 -.0086371
di4 | .1390602 .0651422 2.13 0.033 .0113595 .2667609
di5 | .0425028 .0561924 0.76 0.449 -.0676533 .1526589
di6 | -.1599803 .0563998 -2.84 0.005 -.270543 -.0494176
di7 | .1752944 .0661239 2.65 0.008 .0456692 .3049197
di8 | -.2259279 .0487059 -4.64 0.000 -.3214079 -.1304478
di9 | -.1249376 .0531748 -2.35 0.019 -.2291781 -.020697
di10 | -.1615992 .0463469 -3.49 0.000 -.2524548 -.0707435
di11 | -.2875114 .0626324 -4.59 0.000 -.4102921 -.1647307
di12 | -.1317016 .0467556 -2.82 0.005 -.2233585 -.0400448
di13 | -.1100702 .0584144 -1.88 0.060 -.2245822 .0044418
di14 | .2417857 .0593157 4.08 0.000 .125507 .3580644
di15 | -.1215461 .0537947 -2.26 0.024 -.227002 -.0160902
di17 | -.4368269 .041551 -10.51 0.000 -.5182809 -.3553729
di18 | -.2215096 .0454614 -4.87 0.000 -.3106294 -.1323899
di19 | -.1000115 .0475056 -2.11 0.035 -.1931386 -.0068844
di20 | -.4433851 .0616667 -7.19 0.000 -.5642727 -.3224975
di21 | -1.066042 .1205698 -8.84 0.000 -1.302399 -.829684
di22 | -.3681605 .09177 -4.01 0.000 -.5480606 -.1882603
_cons | 4.464598 .0812706 54.93 0.000 4.30528 4.623916
------------------------------------------------------------------------------
80
Regresiones de la tabla 7. Año 1995. heckman lning eprinc epr eseinc ese euninc eun ex ex2 tenc tenc2 tamc publico,
select (jef_hog n_men d_estciv ot_ing eprinc epr eseinc ese euninc eun ex ex2
tenc tenc2 tamc publico)
Iteration 0: log likelihood = -13637.656
Iteration 1: log likelihood = -13637.648
Iteration 2: log likelihood = -13637.648
Heckman selection model Number of obs = 16459
(regression model with sample selection) Censored obs = 4779
Uncensored obs = 11680
Wald chi2(12) = 5380.45
Log likelihood = -13637.65 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lning |
eprinc | .0328463 .0095816 3.43 0.001 .0140667 .0516259
epr | .0926127 .0307002 3.02 0.003 .0324414 .1527841
eseinc | .070924 .0051864 13.67 0.000 .0607587 .0810892
ese | .1092411 .020097 5.44 0.000 .0698516 .1486305
euninc | .0827589 .0095799 8.64 0.000 .0639827 .1015351
eun | .2494038 .0393277 6.34 0.000 .172323 .3264846
ex | .0519775 .0016599 31.31 0.000 .0487241 .0552308
ex2 | -.0008522 .0000338 -25.19 0.000 -.0009186 -.0007859
tenc | .0137666 .0022884 6.02 0.000 .0092814 .0182518
tenc2 | -.0002128 .0000724 -2.94 0.003 -.0003547 -.000071
tamc | .0005058 .0000402 12.59 0.000 .000427 .0005845
publico | -.0200875 .0157438 -1.28 0.202 -.0509448 .0107698
_cons | 5.071064 .0427039 118.75 0.000 4.987365 5.154762
-------------+----------------------------------------------------------------
select |
jef_hog | .2814219 .0533868 5.27 0.000 .1767857 .3860582
n_men | .0135197 .0048397 2.79 0.005 .004034 .0230055
d_estciv | .330179 .048669 6.78 0.000 .2347896 .4255684
ot_ing | -.0004268 .0000502 -8.50 0.000 -.0005251 -.0003284
eprinc | .0306036 .02428 1.26 0.208 -.0169844 .0781916
epr | -.1647221 .08774 -1.88 0.060 -.3366895 .0072452
eseinc | .0309118 .0162976 1.90 0.058 -.001031 .0628545
ese | -.1289636 .0635175 -2.03 0.042 -.2534556 -.0044715
euninc | -.0179426 .032538 -0.55 0.581 -.081716 .0458307
eun | .0787019 .133312 0.59 0.555 -.1825849 .3399887
ex | -.0017784 .0048538 -0.37 0.714 -.0112917 .0077348
ex2 | -.000462 .0000883 -5.23 0.000 -.0006351 -.0002889
tenc | .255455 .0065227 39.16 0.000 .2426707 .2682393
tenc2 | -.0061762 .0002069 -29.85 0.000 -.0065817 -.0057708
tamc | .0035221 .0001921 18.33 0.000 .0031455 .0038987
publico | -1.847009 .0336614 -54.87 0.000 -1.912984 -1.781034
_cons | .8214822 .1039669 7.90 0.000 .6177109 1.025253
-------------+----------------------------------------------------------------
/athrho | .0064096 .0452458 0.14 0.887 -.0822705 .0950896
/lnsigma | -.5778631 .006543 -88.32 0.000 -.5906872 -.565039
-------------+----------------------------------------------------------------
rho | .0064095 .0452439 -.0820854 .0948041
sigma | .5610961 .0036713 .5539465 .568338
lambda | .0035963 .0253864 -.0461601 .0533527
------------------------------------------------------------------------------
LR test of indep. eqns. (rho = 0): chi2(1) = 0.02 Prob > chi2 = 0.8875
------------------------------------------------------------------------------
81
. heckman lning eprinc epr eseinc ese euninc eun ex ex2 tenc tenc2 tamc publico,
select (jef_hog n_men d_estciv ot_ing eprinc epr eseinc ese euninc eun ex ex2
tenc tenc2 tamc publico) two
Heckman selection model -- two-step estimates Number of obs = 16459
(regression model with sample selection) Censored obs = 4779
Uncensored obs = 11680
Wald chi2(24) = 11334.42
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lning |
eprinc | .0328592 .0095824 3.43 0.001 .0140781 .0516402
epr | .092552 .0307055 3.01 0.003 .0323703 .1527337
eseinc | .070934 .0051873 13.67 0.000 .060767 .0811009
ese | .1091826 .0201045 5.43 0.000 .0697785 .1485868
euninc | .0827581 .0095799 8.64 0.000 .0639819 .1015344
eun | .2494268 .0393284 6.34 0.000 .1723445 .3265091
ex | .0519899 .001664 31.24 0.000 .0487286 .0552512
ex2 | -.0008526 .000034 -25.05 0.000 -.0009193 -.0007859
tenc | .0138629 .00246 5.64 0.000 .0090414 .0186845
tenc2 | -.0002153 .0000759 -2.84 0.005 -.0003641 -.0000665
tamc | .0005068 .0000413 12.27 0.000 .0004258 .0005878
publico | -.0208648 .017349 -1.20 0.229 -.0548681 .0131386
_cons | 5.070392 .0431656 117.46 0.000 4.985788 5.154995
-------------+----------------------------------------------------------------
select |
jef_hog | .2829222 .0523277 5.41 0.000 .1803618 .3854826
n_men | .0134993 .0048373 2.79 0.005 .0040183 .0229803
d_estciv | .331032 .0482948 6.85 0.000 .2363758 .4256881
ot_ing | -.0004268 .0000502 -8.50 0.000 -.0005251 -.0003284
eprinc | .0305902 .0242788 1.26 0.208 -.0169954 .0781758
epr | -.1650582 .087703 -1.88 0.060 -.336953 .0068366
eseinc | .0309057 .0162986 1.90 0.058 -.0010389 .0628503
ese | -.1290697 .0635164 -2.03 0.042 -.2535596 -.0045798
euninc | -.0180868 .032524 -0.56 0.578 -.0818326 .0456591
eun | .0786122 .1333193 0.59 0.555 -.1826887 .3399132
ex | -.001888 .0047916 -0.39 0.694 -.0112794 .0075034
ex2 | -.0004608 .0000879 -5.24 0.000 -.0006331 -.0002886
tenc | .2554555 .0065231 39.16 0.000 .2426705 .2682405
tenc2 | -.0061758 .0002069 -29.86 0.000 -.0065812 -.0057703
tamc | .0035232 .000192 18.35 0.000 .0031468 .0038996
publico | -1.846098 .0330452 -55.87 0.000 -1.910865 -1.781331
_cons | .8214628 .1039668 7.90 0.000 .6176917 1.025234
-------------+----------------------------------------------------------------
mills |
lambda | .0056539 .0318795 0.18 0.859 -.0568288 .0681366
-------------+----------------------------------------------------------------
rho | 0.01008
sigma | .56109905
lambda | .0056539 .0318795
------------------------------------------------------------------------------
Año 2002. . heckman lning eprinc epr eseinc ese euninc eun ex ex2 tenc tenc2 tamc publico,
select (jef_hog n_men d_estciv ot_ing eprinc epr eseinc ese euninc eun ex ex2
tenc tenc2 tamc publico)
Iteration 0: log likelihood = -12967.632
Iteration 1: log likelihood = -12964.062
Iteration 2: log likelihood = -12964.058
Iteration 3: log likelihood = -12964.058
Heckman selection model Number of obs = 14156
82
(regression model with sample selection) Censored obs = 5503
Uncensored obs = 8653
Wald chi2(12) = 4497.71
Log likelihood = -12964.06 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
lning |
eprinc | .0879602 .0142726 6.16 0.000 .0599865 .1159339
epr | .0501698 .0470195 1.07 0.286 -.0419867 .1423262
eseinc | .0757682 .0073697 10.28 0.000 .061324 .0902125
ese | .1688564 .0271481 6.22 0.000 .1156471 .2220656
euninc | .0765244 .0114506 6.68 0.000 .0540816 .0989671
eun | .3010901 .0473312 6.36 0.000 .2083227 .3938574
ex | .0411547 .002259 18.22 0.000 .0367272 .0455822
ex2 | -.000593 .0000447 -13.26 0.000 -.0006807 -.0005054
tenc | .0271433 .0033487 8.11 0.000 .02058 .0337067
tenc2 | -.0004594 .0000952 -4.82 0.000 -.000646 -.0002727
tamc | .0006737 .0000621 10.85 0.000 .000552 .0007954
publico | .0790079 .0275676 2.87 0.004 .0249764 .1330393
_cons | 4.524748 .0638456 70.87 0.000 4.399613 4.649883
-------------+----------------------------------------------------------------
select |
jef_hog | .4270255 .0430078 9.93 0.000 .3427318 .5113191
n_men | .0176705 .0043911 4.02 0.000 .0090642 .0262768
d_estciv | .2235165 .0401517 5.57 0.000 .1448207 .3022123
ot_ing | -.0019341 .0001375 -14.06 0.000 -.0022037 -.0016646
eprinc | .0333259 .0243789 1.37 0.172 -.0144558 .0811076
epr | -.0403492 .0866175 -0.47 0.641 -.2101164 .1294179
eseinc | .0089946 .0153638 0.59 0.558 -.0211178 .0391071
ese | -.023737 .0573563 -0.41 0.679 -.1361531 .0886792
euninc | -.0613956 .0249108 -2.46 0.014 -.1102199 -.0125714
eun | .4012167 .1028798 3.90 0.000 .1995761 .6028573
ex | -.0031098 .0045329 -0.69 0.493 -.0119942 .0057746
ex2 | -.0002345 .0000844 -2.78 0.005 -.0004001 -.000069
tenc | .1678225 .0051625 32.51 0.000 .1577042 .1779409
tenc2 | -.0038233 .0001659 -23.04 0.000 -.0041485 -.0034981
tamc | .0023603 .0001655 14.26 0.000 .0020359 .0026847
publico | -1.594824 .0302835 -52.66 0.000 -1.654179 -1.535469
_cons | .2817865 .1047242 2.69 0.007 .0765308 .4870421
-------------+----------------------------------------------------------------
/athrho | -.4331965 .0686815 -6.31 0.000 -.5678098 -.2985832
/lnsigma | -.4341463 .0105005 -41.35 0.000 -.454727 -.4135657
-------------+----------------------------------------------------------------
rho | -.4079892 .0572491 -.513749 -.2900155
sigma | .6478174 .0068024 .6346212 .6612881
lambda | -.2643025 .0390529 -.3408448 -.1877602
------------------------------------------------------------------------------
LR test of indep. eqns. (rho = 0): chi2(1) = 37.55 Prob > chi2 = 0.0000
------------------------------------------------------------------------------
. heckman lning eprinc epr eseinc ese euninc eun ex ex2 tenc tenc2 tamc publico,
select (jef_hog n_men d_estciv ot_ing eprinc epr eseinc ese euninc eun ex ex2
tenc tenc2 tamc publico) two
Heckman selection model -- two-step estimates Number of obs = 14156
(regression model with sample selection) Censored obs = 5503
Uncensored obs = 8653
Wald chi2(24) = 9549.34
Prob > chi2 = 0.0000
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
83
lning |
eprinc | .0879169 .0142736 6.16 0.000 .0599411 .1158927
epr | .0497941 .0470151 1.06 0.290 -.0423538 .141942
eseinc | .0756765 .0073691 10.27 0.000 .0612333 .0901198
ese | .1684451 .0271406 6.21 0.000 .1152504 .2216397
euninc | .0765658 .0114481 6.69 0.000 .054128 .0990036
eun | .3019998 .0473296 6.38 0.000 .2092355 .3947641
ex | .0411728 .0022613 18.21 0.000 .0367408 .0456048
ex2 | -.0005949 .0000447 -13.30 0.000 -.0006826 -.0005072
tenc | .0276461 .003363 8.22 0.000 .0210546 .0342375
tenc2 | -.0004711 .0000956 -4.93 0.000 -.0006586 -.0002837
tamc | .0006796 .0000622 10.93 0.000 .0005578 .0008015
publico | .0739941 .0277949 2.66 0.008 .0195171 .1284711
_cons | 4.523488 .0643164 70.33 0.000 4.39743 4.649546
-------------+----------------------------------------------------------------
select |
jef_hog | .3640364 .0435802 8.35 0.000 .2786208 .449452
n_men | .022616 .0043914 5.15 0.000 .0140091 .0312229
d_estciv | .2089827 .0410717 5.09 0.000 .1284837 .2894817
ot_ing | -.0019777 .0001426 -13.87 0.000 -.0022571 -.0016982
eprinc | .0376578 .0244186 1.54 0.123 -.0102018 .0855174
epr | -.0467653 .0870463 -0.54 0.591 -.2173729 .1238424
eseinc | .0092743 .015482 0.60 0.549 -.02107 .0396185
ese | -.0269208 .0577943 -0.47 0.641 -.1401955 .0863538
euninc | -.057605 .0251148 -2.29 0.022 -.1068292 -.0083809
eun | .4010066 .103663 3.87 0.000 .1978309 .6041823
ex | -.0000976 .0045673 -0.02 0.983 -.0090493 .0088541
ex2 | -.0002692 .0000851 -3.16 0.002 -.000436 -.0001024
tenc | .1703946 .0051363 33.17 0.000 .1603276 .1804615
tenc2 | -.0039406 .0001658 -23.77 0.000 -.0042654 -.0036157
tamc | .0024365 .0001645 14.81 0.000 .0021141 .002759
publico | -1.623207 .0301518 -53.83 0.000 -1.682303 -1.56411
_cons | .2625487 .1051902 2.50 0.013 .0563797 .4687176
-------------+----------------------------------------------------------------
mills |
lambda | -.2591914 .0409807 -6.32 0.000 -.3395122 -.1788707
-------------+----------------------------------------------------------------
rho | -0.40042
sigma | .64729726
lambda | -.25919143 .0409807
------------------------------------------------------------------------------
top related