Econometria del mercado laboral

Organización Internacional del Trabajo
Programa de Análisis, Investigación y Estadísticas de Empleo
Proyecto RECAP
Análisis de datos de encuestas para el seguimiento de las condiciones del mercado de
trabajo y los progresos en materia de trabajo decente
Taller Nacional
Métodos econométricos para evaluar la
desigualdad en el mercado de trabajo
Fernando Medina
CEPAL
San Salvador, El Salvador
25 de febrero al 1 de marzo de 2013
Motivación
• La literatura especializada identifica al menos cuatro
tipos de desigualdades que se manifiestan en el
mercado de trabajo entre hombres y mujeres:




Desigualdad en la participación: tasas de actividad
Desigualdad ocupacional y sectorial: segregación
Desigualdad en la retribución salarial
Desigualdad en la promoción profesional
¿Porqué se presenta la desigualdad?
• Discriminación: a iguales características del
trabajo y escolaridad, distintas retribuciones.
• Persistencia de factores culturales y
estereotipos en el reparto de tareas y
responsabiliaddes.
• Desigualdad de acceso y desigualdad de
resultados.
Determimantes del salario
• Factores de oferta: Características del capital
humano y experiencia.
• Factores de demanda: rama de actividad,
sector público o privado, tamaño de la
empresa (calidad del empleo).
• Factores socieconómicos: sexo, estado civil,
discriminación.
Funciones de ingreso
• Las funciones de ingreso relacionan un grupo de variables
asociadas al capital humano de la fuerza de trabajo con los
ingresos laborales recibidos por la mano de obra asalariada.
• Esta manera de examinar la relación entre el capital humano y
los ingresos por trabajo fue propuesta por Mincer (1974).
• En este sentido, no obstante las críticas que ha recibido el
trabajo de Mincer (Griliches, 1977), algunos autores han
comprobado que en la práctica se obervan coeficientes de
ajuste consistentes (Card, 1999).
Metodología de descomposición de la
desigualdad de Fields
• La ecuación de capital humano propuesta por Mincer
corregida por sesgo de selección es la siguiente.
ln( w)  0  1Z1   2 Z 2  ...   k Z k   (1)
• En la ecuación anterior ln(w) representa el logarítmo
natural de los salarios por hora de los ocupados en la
oucpación principal en el secto formal de la economía.
• Por ejemplo, Z1 representa los años de educación de
las personas, Z2 los años de experiencia y Z3 su valor al
cuadrado.
Brechas salariales
• Una manera de identifcar las diferencias salariales que se
manifiestan entre hombres y mujeres se logra incluyendo en
la ecuación (1) la variable sexo.
ln( w)  0  1Z1   2 Z 2  3 Z3   4 sexo  
• La variable binaria sexo asume el valor 0 en el caso de las
mujeres y 1 para los hombres.
• En este sentido, si el parámetro asociado a la variable sexo es
positivo (β4>0) se interpreta que los salarios por hora de los
hombres son superiores a los que reciben las mujeres en una
magnitud similar al valor del parámetro.
Metodología de Fields para
descomponer la desigualdad salarial
• Considerando que no se dispone de
infromación acerca de la experiencia de los
ocupados, esta se aproxima a partir de lo que
se denomina experiencia potencial.
• La experiencia potencial se estima restándole
a la edad los años de educación alcanzados y
el valor 6, que se asume como la edad de
ingreso al sistema de enseñanza formal.
Procedimiento de estimación
• Se estima una ecuación de capital humano
(Minceriana) corregida por sesgo de selección.
ln( w)  0  1Z1   2 Z 2  ...   k Z k  
• Si Z1 representa los años de educación de las
personas, entonces β1 representa el retorno (premio)
a la educación por cada año adicional de estudio.
• Cabría esperar que β1>0 y se reconoce que su valor
decrece en la medida que aumenta el nivel de
experiencia de la fuerza de trabajo.
Procedimiento de estimación
• Lo anterior significa que si Z2 y Z3 representan los años de
experiencia y su valor al cuadrado respectivamente, cabe
esperar que β2>0 y β3<0.
• Es decir, la experiencia es importante pero con rendimientos
decrecientes lo cual se manifiesta a partir del signo negativo
asociado al valor del parámetro.
• No obstante, cabe aclarar que la experiencia asociada a la
actualización académica y la adopción de nuevos
conocimientos y habilidades debiera mejorar los ingresos de
los ocupados.
Procedimiento de estimación
• Para conocer la desigualdad en la distribución
de los salarios se utiliza como indicador de
desigualdad, por ejemplo, la varianza de los
logaritmos.
J 2
 2 (ln w)   Cov(  *j Z j ,ln w)
j 1
• Si la ecuación anterior se divide
obtiene la siguiente expresión.
 Cov( Z , ln(w))
1
 S
 [ln( w)]
J 2
*
j
j 1
2
j
J
j 1
j
2

por (ln w)
se
Procedimiento de estimación
• Observe que cada Sj se obtiene de la manera
*
Cov
[

j Z j ,ln( w)]
siguiente: S j 
 2 [ln( w)]
• De esta manera, y utilizando la propiedad de
Cov(  Z ,ln( w)
Corr
(

Z
,ln(
w
))

que
combinada con la
 *
expresión anterior se tiene lo siguiente:
*
j
*
j
j
j
 jZ j
ln( w )
 *j  ( Z j )* Corr[ Z j , ln( w)]
Sj 
 [ln( w)]
Procedimiento de estimación
• En la expresión anterior Corr[Z j ,ln(w)] representa la
correlación entre la j-ésima variable explicativa y el
logaritmo del ingreso por hora.
• Por su parte,  [ln(w)] es la desviación estándar del
logaritmo del salario.
• En tanto que  j * (Z j ) representa el producto entre
el parámetro estimado asociado a la j-ésima variable
explicativa y su desviación estándar.
Procedimiento de estimación
• Observe que Sj representa la contribución de
cada factor (variables de capital humano) a la
desigualdad total.
• Es decir, a la variabilidad asociada al logaritmo
de los salarios.
Ejemplo: El Salvador 2004
• La población objetivo son los ocupados del
área urbana en edad de trabajar que
trabajaron entre 20 y 60 horas a la semana.
• Se estima la siguiente ecuación:
ln( salhora)  0  1  anoest   2 exp 3 exp 2   4 sexo  e
Descriptive Statistics
Variable
Años de educación
Experiencia
Experiencia al cuadrado
Sexo de la persona
N
Minimum
Maximum
Mean
Std. Deviation
1188360
0.00
25.00
9.1939
4.81607
1188360
-5.00
58.00
20.1715
13.43405
1188360
0.00
3364.00
587.3650
682.53734
1188360
0
1
.55
.497
773979
-3.20
5.18
1.8721
.76583
Logaritmo del salario por hora
Valid N (listwise)
773979
Correlación entre las variables explicativas y el
logaritmo del ingreso por hora
Correlations
Variable
Años de educación
Años de
educación
Pearson
Correlation
1
Sig. (2-tailed)
N
Experiencia
-.519**
-.516**
.016**
.494**
0.000
0.000
.000
0.000
1188360
1188360
1188360
773979
-.519**
1
.958**
-.022**
-.006**
Sig. (2-tailed)
0.000
0.000
.000
.000
1188360
1188360
1188360
1188360
773979
Pearson
Correlation
-.516**
.958**
1
-.022**
-.054**
Sig. (2-tailed)
0.000
0.000
.000
0.000
1188360
1188360
1188360
1188360
773979
.016**
-.022**
-.022**
1
.022**
.000
.000
.000
1188360
1188360
1188360
1188360
773979
Pearson
Correlation
.494**
-.006**
-.054**
.022**
1
Sig. (2-tailed)
0.000
.000
0.000
.000
773979
773979
773979
773979
Pearson
Correlation
Sig. (2-tailed)
N
Logaritmo del salario por
hora
Logaritmo del
salario por hora
1188360
N
Sexo de la persona
Sexo de la
persona
Pearson
Correlation
N
Experiencia al cuadrado
Experiencia al
cuadrado
Experiencia
N
**. Correlation is significant at the 0.01 level (2-tailed).
.000
773979
Ecuación de regresión del logaritmo del
ingreso por hora y las variables explicativas
Coefficientsa
Standardized
Coefficients
Unstandardized Coefficients
Model
1
B
Std. Error
Beta
t
Sig.
(Constant)
Años de
educación
.305
.033
9.259
.000
.103
.002
.623
54.729
0.000
.042
.002
.641
19.321
.000
-.001
.000
-.406
-12.211
.000
.111
.016
.071
6.868
.000
Experiencia
Experiencia al
cuadrado
Sexo de la
persona
a. Dependent Variable: Logaritmo del salario por hora
Participación de la escolaridad y la experiencia
en la variabilidad del ingreso
Variables
bj
sigma(Zj)
corr(Zj,lw)
.103
4.82
0.494
.042
13.43
-0.006
-.001
682.54
-0.054
.111
.497
0.022
Sj
Participación
0.0042
93.0
-0.0001
-1.3
0.0004
7.8
0.0000
0.5
0.0046
100.0
Años de educación
Experiencia
Experiencia al cuadrado
Sexo de la persona
Logaritmo del salario por hora
.766
Total
(.103*4.82*.494) / .766  0.042
(.042*13.43* .006) / .766  .001
(0.001*682.54* 0.054) / 0.766  0.004
bj
 (Z j )
corr ( Z j , lw)
representa el coeficiente de regresión estimado de la variable Zj.
desviación estándar de la variable Zj
Correlación entre la variable Zj y el logartimo del salario
Ejemplo: Costa Rica2010
Descriptive Statistics
Minimum
Maximum
Mean
Std.
Deviation
Variables
N
Años de
educación
Experiencia
32538
0.00
19.00
12.6417
4.16005
32538
0.00
68.00
21.0551
12.83719
Experiencia
al cuadrado
32538
0.00
4624.00
32658
0
1
.54
.498
Logaritmo
del salario
por hora
26458
6.92
10.94
9.2492
.75325
Valid N
(listwise)
26338
Variables
Años de
educación
608.1045 642.17996
Sexo
Experienci
Logaritmo
Años de Experienci
a al
Sexo de la del salario
educación
a
cuadrado persona por hora
Pearson
Correlatio
n
Sig. (2tailed)
N
Experiencia Pearson
Correlatio
n
Sig. (2tailed)
N
Experiencia Pearson
al cuadrado Correlatio
n
Sig. (2tailed)
N
Sexo
Logaritmo
del salario
por hora
Pearson
Correlatio
n
Sig. (2tailed)
N
Pearson
Correlatio
n
Sig. (2tailed)
N
1
32538
-.424
**
-.424 **
-.454 **
.052 **
.695 **
0.000
0.000
.000
0.000
32538
32538
32538
26338
1
**
**
0.000
.952
.089
-.032
**
0.000
.000
.000
32538
32538
32538
32538
26338
**
**
1
**
-.086 **
.000
.000
-.454
.952
.129
0.000
0.000
32538
32538
32538
32538
26338
**
**
**
1
.210 **
.052
.089
.129
.000
.000
.000
32538
32538
32538
32658
26458
**
**
**
**
1
.695
-.032
-.086
.000
.210
0.000
.000
.000
.000
26338
26338
26338
26458
26458
Ecuación de regresión del logaritmo del
ingreso por hora y las variables explicativas
Model Summary
Model
1
R
R Square
.755
a
Adjusted
R Square
.570
.570
Std. Error
of the
Estimate
.49056
a. Predictors: (Constant), Sexo de la persona, Experiencia,
Años de educación, Experiencia
ala cuadrado
ANOVA
Sum of
Squares
Model
1
Regression
Residual
Total
Mean
Square
df
8392.572
4
2098.143
6337.069
26333
.241
14729.642
26337
F
Sig.
8718.605
.000 b
a. Dependent Variable: Logaritmo del salario por hora
b. Predictors: (Constant), Sexo de la persona, Experiencia, Años de educación,
a
Experiencia al cuadrado
Coefficients
Unstandardized
Coefficients
Model
1
B
Standardiz
ed
Coefficient
s
Std. Error
Beta
t
481.781
Sig.
0.000
(Constant)
6.896
.014
Años de
educación
Experiencia
.141
.001
.774
170.351
0.000
.026
.001
.447
29.681
.000
Experiencia
al cuadrado
.000
.000
-.193
-12.500
.000
Sexo
.215
.006
.142
34.584
.000
a. Dependent Variable: Logaritmo del salario por hora
Participación de la escolaridad y la experiencia
en la variabilidad del ingreso
Variables
Años de educación
Experiencia
Experiencia al cuadrado
Sexo
Logaritmo del salario por hora
Total
bj
sigma(Zj)
corr(Zj,lw)
.141
4.16005
0.695
.026
-.0002
.215
12.837
642.180
.49833
Sj
Participación
0.5431
94.2
-0.0142
-2.5
0.0175
0.0299
3.0
5.2
0.5763
100.0
-.032
-0.086
0.21
.75325
Comparación 2005 vs 2010
2005
Variables
Años de educación
2010
Experiencia
Experiencia al cuadrado
Sexo
Logaritmo del salario por hora
Total
bj
sigma(Zj)
corr(Zj,lw)
.141
4.16005
0.695
.026
-.0002
.215
12.837
642.180
.49833
Sj
Participación
0.5431
94.2
-0.0142
-2.5
0.0175
0.0299
3.0
5.2
0.5763
100.0
-.032
-0.086
0.21
.75325
Cambios intertemporales en la
varianza de los logaritmos
• Es posible utilizar la descomposición de Fields
para conocer la contribución de cada variable
a la desigualdad desde la óptica
intertemporal.
• Para ello, es necesario multiplicar los Sj de
cada año por el indicador de desigualdad (I)
que se esté utilizando (Gini, Theil, varianza de
los logaritmos, por ejemplo).
It 1  It  [( It 1 * S jt 1 )  ( It * S jt )]
j
Método de Oaxaca para estimar las
didferencias salariales
• Otra manera de examinar las diferencias
salariales entre hombres y mujeres se logra a
partir del método propuesto por Oaxaca.
• A diferencia el método de Fields
Método de Oaxaca para estimar las
diferencias salariales
• Se estiman ecuaciones mincerianas de capital
humano para hombres y mujeres.
ln( w ) h   0 h  1h Z1h   2 h Z 2 h   3h Z 3h   h
ln( w ) m   0 m  1m Z1m   2 m Z 2 m  3m Z 3m   m
• Los coeficientes estimados y los valores promedio
para las variables de capital humano (años de
escolaridad, experiencia, su valor al cuadrado y
sexo) se utilizan para descomponer las diferencias
salariales promedio entre hombres y mujeres.
• Lo anterior se lleva a cabo a partir de la siguiente
ecuación.
Método de Oaxaca para estimar las
diferencias salariales



ln( wh )  ln( wm )  h (Z h  Z m )  (h  m )Z m
• En
la ecuación anterior el término de la izquierda representa la
diferencia entre el logaritmo de los salarios entre hombres y
mujeres.
• El primer término del lado derecho representa la diferencia
entre los valores promedio que asumen las variables de capital
humano de hombres y mujeres (Zs), multiplicado por el valor del
parámetro estimado en la ecuación de los hombres en la variable
de interés ( h ).
• Este componte representa la diferencia salarial explicada por
las diferencias en las características de los hombres y mujeres.
Método de Oaxaca para estimar las
diferencias salariales
• El segundo término corresponde a las diferencias en
los coeficientes de las ecuaciones de ingresos (    )
h
m
multiplicado por las características promedio
de las mujeres incluyendo el valor del término
constante.
• Este término se asume como una medida de
discriminación en el mercado laboral que da cuenta
de un tratamiento diferente entre hombres y
mujeres, más allá de las diferencias observados en
los promedios de educación y experiencia.
Interpretación de la descomposición
• Las diferencias salariales se explican por las
distintas dotaciones de capital humano
(primera parte de la ecuación), así como por
los salarios que se pagan a hombres y
mujeres.
• Es decir, la segunda parte de la ecuación es lo
que propiamante se identifica con la
discriminación salarial.
Representación gráfica
salarios
wm
βm(Xm- Xf)
(βm- βf)Xm
(βm- βf)Xf
βf(Xm- Xf)
wf
Xf
Xm
Características del capital humano
X
Aplicación de la metodología
• Calcular los valores medios de las variables de
capital humano (Z1, Z2 y Z3) para hombres y
mujeres. Asimismo, las desviaciones estándar.
• Estimar las ecuaciones de capital humano
para hombres y mujeres.
• Estimar la diferencia del logaritmo de los
salarios por hora entre hombres y mujeres.
Aplicación de la metodología
• Descomponer la diferencia salarial en dotación de capital
humano
( (Z  Z ) * 
) más la discriminación salarial
hj
(


(  hj   mj ) * Z hj
mj
hj
).
• En la medida de lo posible los factores de oferta y demanda
que contribuyen a explicar los salarios deben estar
incorporados en la ecuación de salarios, este segundo
componente estará cuantificando la discriminación.
• Comparación de parámetros. Es posible llevar a cabo los
siguientes análisis: ( /  ) y (Z / Z )
hj
mj
hj
mj
Aplicación de la metodología
• A partir de este segundo término la medida
propuesta por Oaxaca (1973) para cuantificar
la discriminación agregada sería:
Estadísticas descriptivas
Descriptive Statistics
Variable
N
Minimum
Maximum
Mean
Std.
Deviation
Años de
educación
Experiencia
2311
0.00
19.00
10.6460
4.12712
2311
-2
87
19.77
12.855
Experiencia
al cuadrado
2311
0
7569
556.09
Logaritmo
del salario
por hora
1842
5.60
10.75
8.5969
Valid N
1834
(listwise)
a. Sexo de la persona = Mujer
Variable
N
a
Minimum Maximum
Mean
Std.
Deviation
Años de
educación
Experiencia
3585
0.00
19.00
9.3944
4.12880
3585
-1
91
21.85
13.871
670.252
Experiencia al
cuadrado
3585
0
8281
669.72
794.095
.72655
Logaritmo del
salario por
hora
2528
6.04
11.49
8.6707
.69022
Valid N
2517
(listwise)
a. Sexo de la persona = Hombre
Ecuaciones de Mincer
Sexo de la persona
Mujer
1
Unstandardized
Coefficients
B
Std. Error
1
Beta
t
136.090
Sig.
(Constant)
6.950
.051
Años de
educación
Experiencia
.128
.003
.728
39.601
.000
.020
.003
.333
6.524
.000
-.0002
.000
-.174
-3.388
.001
(Constant)
7.164
.040
177.177
0.000
Años de
educación
Experiencia
.112
.003
.665
41.979
.000
.034
.003
.618
12.765
.000
-.0004
.000
-.387
-7.967
.000
Experiencia al
cuadrado
Hombre
Standardiz
ed
Coefficient
s
Experiencia al
cuadrado
0.000
a. Dependent Variable: Logaritmo del salario por hora
ln(sal _ hora)h  7.164  0.112* anoest  0.034*exp 0.0004*exp2  e
ln(sal _ hora)m  6.950  0.128* anoest  0.020*exp 0.0002*exp2  e
  ln(sh )  ln(sm )  8.6707  8.5969  0.0738
Variable
Constante
Años de Estudio
Experiencia
Experiencia al cuadrado
Logaritmo del ingreso
Suma
Partcipacion
Variable
Constante
Años de Estudio
Experiencia
Experiencia al cuadrado
Logaritmo del ingreso
Suma
Partcipacion
Hombres
Media
Mujeres
Media
Diferencia
9.5
10.6
19.8
556.1
8.6
-1.2
1.3
47.7
0.076
21.0
603.8
8.7
Hombres
Mujeres Bh(Zh-Zm)
Coeficientes Coeficientes
7.16
6.95
0.11
0.13
-0.1333
0.03
0.02
0.0432
-0.0004
-0.0002
-0.0900
-118.2
Hombres
Media
Mujeres
Media
12.9
12.4
21.8
19.8
656.6
518.2
9.4
9.1
Diferencia
0.5
2.0
138.4
0.321
Hombres
Mujeres Bh(Zh-Zm)
Coeficientes Coeficientes
7.493
6.2792
.114
0.1783
.027
0.0393
-.0003
-0.0004
Zh(Bh-Bm)
-0.1504
0.3091
0.1588
208.4
Zh(Bh-Bm)
0.0575
0.0525
-0.8336
-0.2701
0.1100
34.3
-1.1037
Ecuaciones de Mincer
ln( sal _ hora)h  7.458  0.085 * anoest  0.049 * exp 0.001* exp 2  e
ln( sal _ hora)m  7.210  0.105 * anoest  0.044 * exp 0.001* exp 2  e
  ln( sh )  ln( sm )  4.68  4.98  0.30
Diferencias entre hombres y mujeres
Hombres
Mujeres
Variable
Logaritmo
del salario
por hora
años de
estudio
Experiencia
Experiencia
al cuadrao
Minimo
Maximo
Media
Minimo
Maximo Media
4.68
12.15
8.75
4.98
11.74
8.70
0
99
9.14
0
99
10.33
-85.00
87.00
20.92
-86.00
87.00
19.95
.00
7569.00
652.14
.00
7569.00
590.73
Participación de las características
personales en la desigualdad
Diferencia en el logaritmo de los salarios por sexo.
Las mujeres ganan más que los hombres.
  ln( sh )  ln( sm )  4.68  4.98  0.30
Variable
β Hombres β Mujeres β *(Zh-Zm)
constante
7.46
7.21
años de
estudio
Experiencia
.08
.11
Diferencia entre los
promedios de cada
variable multiplicada
por el b de los hombres
0.0819725
.05
.04
0.047047
Experiencia
al cuadrado
.00
.00
R2 ajust.
.304
.339
Carac. Per.
0.1290195
Los años de estudio y la experiencia en el trabajo explican el 43% de las
diferencias en el salario entre hombres y mujeres. A favor de las
mujeres.
Método de Juhn, Murphy y Pierce
JMP
• El método de JMP se sustenta en ecuaciones de capital humano
(Mincer) y permite conocer los efectos agregados de: las
caracteristicas de las personas, los retornos a la educación y los
efectos no observables que explican las diferencias en los salarios de
hombres y mujeres.
• Si se desean conocer las variables que explican las diferencias en el
salarios de hombres y mujeres se procede de la manera siguiente.
• Se estiman por separado ecuaciones de capital humano para hombres
y mujeres.
ln( salh )  0  1anoest  2 exp 3 exp 2  e
ln( salm )  0  1anoest  2 exp 3 exp 2  e
Método de Juhn, Murphy y Pierce
JMP
• Se generan dos distribuciones auxiliares utilizando los
parámetros de las ecuaciones de hombres y mujeres.
• En la ecuación siguiente se genera la distribución
contrafactual de los salarios, utilizando los parámetros
estimados para las mujeres manteniendo fijos los residuales
estimados con la ecuación de los hombres.
y*   0 m  1m anoesth   2 m * exp m  3m * exp 2m  eh
• Otra distribución contrafactual del ingreso se genera
cambiando los residuales de las mujeres con los estimados
con la ecuación de los hombres.
y **  0m  1m anoestm   2m * exp m  3m * exp 2m  eh
Método de Juhn, Murphy y Pierce
JMP
• Al calcular y* y y** en los valores medios o
medianos de las variables explicativas se
obtienen dos nuevas estimaciones del
logaritmo del salario.
• Las distribuciones anteriores se utilizan para
estimar las diferencias salariales entre
hombres y mujeres.
Método de Juhn, Murphy y Pierce
JMP
• A continuación se identifican los componentes
que explican las diferencias salariales entre
hombres y mujeres de la siguiente manera.
Iyh  Iym  (Iyh  Iy*)  (Iy * Iy **)  (Iy **  Iym )
(Diferencia en
salarios
estimados)
(Diferencia en
salarios)
(Diferencia en
características
Individuales)
(Efectos no
Observables)