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

"������ � (��� ��� ��� �� � �������� (������ > (������ (������ � � � ������

��� ���� �����

����

TESIS DE GRADO MAGISTER EN ECONOMIA

Julio/Diciembre 2009

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

------------------------------------------------------------------------------