TESIS de MA GÍSTER

E C O N O M Í A
TESIS de MAGÍSTER
IInstituto
N S T I de
T Economía
U T O
D E
DOCUMENTO
DE TRABAJO
2014
Efecto de la Educación en Comportamiento de Toma de Deuda:
Evidencia para Chile
Pilar de la Barra.
www.economia.puc.cl
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
INSTITUTO
MAGISTER EN
DE
ECONOMIA
ECONOMIA
TESIS DE GRADO
MAGISTER EN ECONOMIA
de la Barra Lioi, Ana Pilar
Diciembre, 2014
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
INSTITUTO
MAGISTER EN
DE
ECONOMIA
ECONOMIA
Efecto de la Educación en Comportamiento de Toma de Deuda:
Evidencia para Chile
Ana Pilar de la Barra Lioi
Comisión
José Díaz
Francisco Gallego
Jeanne Lafortune
Rolf Lüders
Cassandra Sweet
Matias Tapia
José Tessada
Gert Wagner
Santiago, diciembre de 2014
Efecto de la Educación en Comportamiento de Toma de Deuda:
Evidencia para Chile
Pilar de la Barra
Diciembre, 2014
Resumen
En este trabajo se estima el efecto causal de la educación en distintas medidas de endeudamiento en
Chile. Se usa una estrategia de estimación por variables instrumentales, con la reforma educacional de
1981 como instrumento. En este contexto, se encuentra que un año de educación disminuye la probabilidad
de tener atraso y disminuye el número de tarjetas de casas comerciales cuya cuota los hogares no están
pagando completamente. Sin embargo, no se encuentra un efecto significativo en la probabilidad de tener
deudas no convencionales. Tampoco se encuentra un efecto significativo en la probabilidad de tener un
error de renegociación, incluso tomando en cuenta el sesgo de selección que se produce al solo medir el
error para quienes tienen una hipoteca a tasa fija. Aunque no es posible diferenciar si el nivel educacional
afecta el uso de deuda a través de la oferta o la demanda, vemos que existe una especie de segmentación
en los comportamientos de toma de deuda: hogares con mayor educación no se atrasan tanto en sus pagos
y tienen menos tarjetas en casas comerciales en deuda.
Trabajo realizado en el Seminario de Tesis de Magister EH Clio Lab (Conicyt PIA SOC 1102), Instituto de Economía UC.
Agradezco los comentarios de José Díaz, Francisco Gallego, Jeanne Lafortune, Rolf Lüders, Cassandra Sweet, Matías Tapia y
Gert Wagner. Además, quisiera agradecer a José Tessada por su gran ayuda y apoyo durante la realización de este trabajo y a
mis compañeros de trabajo; Claudia Fischer, Jose Ignacio Loeser, Nicolás Martorell y Bernardita Pantoja. Agradezco también
a Carlos Madeira por la entrega de los datos de las Encuestas Financieras de Hogares. Todos los errores son de mi completa
responsabilidad, Email: [email protected]
1
1.
Introducción
Los modelos económicos intertemporales asumen que los hogares eligen sus niveles de consumo, ahorro
y deuda de acuerdo a la hipótesis del ciclo de vida (Modigliani y Brumberg, 1954). Esta teoría predice que
las personas se endeudan cuando esperan que su ingreso futuro crezca, para poder suavizar su consumo a lo
largo de la vida. En este contexto, los mercados del crédito funcionan como un instrumento para transferir
ingresos futuros al presente y poder suavizar shocks de ingreso. Sin embargo, el acceso al crédito no solo hace
que un hogar sea menos vulnerable ante un shock, sino puede también aumentar la exposición de un hogar
a shocks de ingreso (Dynan y Kohn, 2007).
Así, aunque variaciones en el endeudamiento en el tiempo y entre individuos no necesariamente indican que alguien está “sobre” o “sub apalancado”, hay indicadores que sugieren que hay hogares que toman
decisiones de deuda que terminan siendo muy costosas. Por ejemplo, existe evidencia de que los hogares
no minimizan su costo de deuda al no refinanciar óptimamente sus hipotecas (Agarwal, Driscoll y Laibson,
2013). Además, varios trabajos documentan una dispersión considerable en el costo de deuda, aún controlando por riesgo de crédito de los hogares y otros atributos de los productos de crédito (Stango y Zinman, 2014;
Agarwal et al, 2009). En Chile, existe una considerable diferencia en algunos indicadores de deuda a través
de niveles educacionales. Según la Encuesta Financiera de Hogares (EFH) 2011-12, los hogares con mayor
carga financiera sobre sus ingresos (RCI) de deuda no asegurada son aquellos que tienen educación media
(20.9 %). Los hogares con educación universitaria tienen un RCI no asegurada de 17.8 %, mientras que para
quienes tienen más de 17 años de estudio, éste es de 13.3 %. Por otro lado, la probabilidad de estar atrasado
en el pago de una deuda es de 22.5 % para quienes tienen educación básica y 26.3 % para quienes completaron
educación media. Esta probabilidad cae a 17.4 % y 14.1 % para quienes tienen estudios universitarios y más
de 17 años de estudio, respectivamente.
El objetivo de este trabajo es tratar de identificar el efecto causal de la educación en distintas medidas
que reflejan el comportamiento de los hogares respecto al endeudamiento. Identificar el efecto causal de la
educación en el uso de deuda es relevante debido a la creciente disponibilidad y variedad de crédito a personas.
Muchos instrumentos de deuda no asegurada son accesibles para la gran mayoría de los adultos y, dado que
un hogar medio no consulta sus decisiones financieras de este tipo, nuestro estudio determina el rol de la
educación en las decisiones de crédito. A nuestro saber no hay ningún trabajo que utilice la gran variedad
de datos que proporciona la Encuesta Financiera de Hogares para medir el efecto causal de educación en
medidas de endeudamiento.
2
Existen dos desafíos importantes en este estudio. Primero, dado que es probable que existan variables
inobservables que afecten las decisiones de deuda y correlacionan con educación, existen razones para creer
que el estimador OLS estará sesgado. Segundo, es necesario encontrar variables proxy, pero lo más limpias
posibles, para medir errores o decisiones que no son óptimas en cuanto a la toma de deuda. En esta línea,
se calcula una variable que indica si un hogar no renegoció su hipoteca a tasa fija en un minuto en el
que le convenía y el número de tarjetas de casas comerciales cuya cuota los hogares no están pagando
completamente.
En cuanto al hecho de que los estimadores OLS estarían sesgados, se desarrolla una estrategia de estimación por variables instrumentales. Explotamos el impacto heterogéneo que tuvo la reforma educacional
de 1981 sobre la escolaridad de las personas en Chile. Esta reforma transfirió la administración de establecimientos públicos a las municipalidades e incentivó la provisión de educación por parte del sector privado con
recursos públicos a través de un sistema de vouchers. Esto llevó a una expansión considerable del sistema
de establecimientos subvencionados, aumentando la cobertura en educación. Esta reforma se reflejó en un
aumento la tasa de graduación y de la escolaridad promedio del país. La variación en el tiempo del impacto
de la reforma permitiría identificar el efecto causal de educación sobre el sobre endeudamiento.
Estudiando el impacto de la reforma educacional de 1981 sobre la escolaridad de los individuos encontramos que éste se reflejó, principalmente, en un aumento de los años de educación. Tomando en cuenta este
resultado y usando una estrategia de estimación Two Sample 2SLS (en adelante TS2SLS), encontramos que
un año de educación disminuye en cerca de 20 % la probabilidad de tener una deuda atrasada para quienes
están cercanos al año de la reforma y disminuye en 0.23 el número de tarjetas de casas comerciales en deuda. No encontramos un efecto significativo de los años de educación en la probabilidad de tener deudas no
convencionales (como lo son los créditos de prestamistas, créditos en casas prendarias y fiado, entre otros) ni
en la probabilidad de no haber renegociado una deuda hipotecaria cuando convenía hacerlo. Estos resultados
sugieren que aunque no es posible diferenciar si el nivel educacional afecta el uso de deuda a través de la
oferta o la demanda, existe una especie de segmentación en los comportamientos de toma de deuda: hogares
con mayor educación no se atrasan tanto en sus pagos y tienen menos tarjetas en casas comerciales en deuda.
Esto puede deberse a que hogares con mayor educación tienden a tener mayores ingresos y, por lo tanto,
están menos restringidos, lo que hace que tengan mayor acceso a créditos más baratos y no tengan que llegar
al extremo de atrasarse en el pago de sus deudas o de usar instrumentos más caros como lo son las tarjetas
de casas comerciales. Por otro lado, esta especie de segmentación puede deberse a que hogares con mayor
educación tienen mayor financial literacy y son más conscientes de que atrasarse en sus pagos de deuda trae
3
consigo multas y mayores intereses. De la misma manera, son conscientes de que es posible reducir el costo
de la deuda concentrándola en los instrumentos menos costosos.
Este trabajo se relaciona con una creciente literatura empírica que trata de identificar distintos factores
que inciden las decisiones de toma de deuda y ahorro de los hogares. Campbell (2006) encuentra que existe
una correlación negativa entre ingresos y educación y probabilidad de refinanciar hipotecas en períodos en que
los intereses caen. Stango y Zinman (2009) encuentran que quienes no son capaces de calcular correctamente
intereses compuestos terminan acumulando más deuda y menos riqueza. Disney y Gathergood (2006), Lusardi
y Tufano (2009), Lusardi y de Bassa Scheresberg (2012) y Disney y Gathergood (2011) muestran la existencia
de una correlación negativa entre financial literacy y uso de deuda costosa. Por último, Cole, Paulson y Shastry
(2012) encuentran evidencia de una relación causal entre educación y probabilidad de declarase en bancarrota
y entre educación y credit scores.
El resto del trabajo se organiza de la siguiente manera. En la sección 2 se realiza una breve revisión de
la literatura relevante. En la sección 3 se explica la estrategia empírica usada para identificar el efecto de la
educación y en la sección 4 muestra los resultados. En la sección 5 se discuten los posibles canales a través
de los cuáles la eduación podría afectar las variables de deuda estudiadas. En la sección 6 se realizan tres
ejercicios de robustez y, finalmente, se concluye con la sección 7.
2.
Revisión de Literatura
La teoría clásica plantea que los hogares minimizan el costo de su deuda, sin embargo, muchas veces
el comportamiento financiero de los hogares dista de lo que plantean estas teorías. Existe evidencia de que
los hogares no minimizan su costo de deuda al no refinanciar óptimamente sus hipotecas (Agarwal, Driscoll
y Laibson, 2013). Además, varios trabajos documentan una dispersión considerable en el costo de deuda,
aún controlando por riesgo de crédito de los hogares y otros atributos de los productos de crédito (Stango
y Zinman, 2014; Agarwal et al, 2009). Esto último implica que hay hogares tomando productos más caros
cuando podrían no hacerlo. Por otro lado, el atraso en pagos de tarjetas de crédito, así como sobrepasar el
límite de crédito, puede llevar a aumentar el costo de la deuda a niveles que no son óptimos (Mottola,2012).
Varios trabajos se han enfocado en identificar distintos factores que ayudan a explicar el sobreendeudamiento y
resultados relacionados con deuda como los mencionados anteriormente. Sin embargo, son pocos los trabajos
que encuentran relaciones causales, la gran mayoría documenta correlaciones. El presente trabajo busca
identificar el efecto causal de la educación en distintas medidas de deuda que son usadas en los trabajos
4
anteriores.
La correlación entre distintas medidas de toma de deuda y educación ha sido ampliamente documentada en
la literatura. Usando un modelo probit que controla por varias características demográficas, Campbell (2006)
reporta que quienes tienen menores ingresos y educación son menos propensos a refinanciar sus hipotecas en
períodos en que los intereses caen. Stango y Zinman (2009) encuentran que quienes no son capaces de calcular
correctamente intereses compuestos, terminan acumulando más deuda y menos riqueza. Los autores llaman
a este fenómeno “sesgo de crecimiento exponencial” y plantean que éste lleva a subestimar los intereses, el
pago mensual y duración de las deudas.
También se relacionan con este trabajo las investigaciones que se enfocan en financial literacy. Este
concepto se refiere a la habilidad de las personas para procesar información económica y tomar decisiones
sobre acumulación de riqueza, pensiones y deuda (Lusardi y Mitchell, 2013). En este ámbito, Moore (2003)
encuentra que los individuos menos educados en temas financieros tienen mayores probabilidades de tomar
deudas hipotecarias caras. Otro estudios encuentran una correlación negativa entre educación financiera y
uso de deuda costosa, como payday loans, casas de empeño, entre otros (Disney y Gathergood, 2006; Lusardi
y Tufano, 2009; Lusardi y de Bassa Scheresberg, 2012). Por último, Disney y Gathergood (2011) muestran
que hogares con bajo financial literacy tienen mayor probabilidad de estar atrasados en sus pagos de cuotas y
tienen mayores dificultades para pagar sus deudas. De existir un efecto de educación en la forma en que toman
deuda los hogares, estos resultados sugieren que la educación financiera podría ser un canal de transmisión.
Dentro de los trabajos que buscan identificar efectos causales se encuentra el de Cole, Paulson y Shastry
(2012). Los autores usan la variación exógena en educación generada por cambios en las leyes de escolaridad
mínima obligatoria en Estados Unidos y muestran que la educación tiene un efecto causal positivo y estadísticamente significativo en credit scores. Encuentran efectos más pequeños, pero estadísticamente significativos
y económicamente relevantes en la probabilidad de declararse en bancarrota y la probabilidad de sufrir foreclosures en tiempos de crisis financieras. Lamentablemente, la especificación econométrica de este trabajo no
logra identificar efectos causales correctamente ya que incluye variables, como el ingreso, que pueden ser bad
controls, lo que hace que persista el problema de endogeneidad. También existen investigaciones que buscan el
efecto causal de financial literacy en medidas de toma de deuda: Cole, Paulson y Shastry (2014) encuentran
que aunque cursos de finanzas en nivel de enseñanza media no tienen efecto, mediante a una estimación
de dif-in-dif encuentran que los cursos de matemáticas reducen la probabilidad de foreclosure en 0.3 puntos
porcentuales en promedio (de una base de 9 %) y la probabilidad de estar moroso en pago de tarjetas de
crédito en 0.2 puntos porcentuales (de una base de 12 %).
5
Para el caso de Chile, los trabajos existentes se han centrado en la identificación del efecto de financial
literacy sobre participación financiera, ahorro y riqueza. Behrman et al. (2010), usando datos de la Encuesta
de Protección Social y un enfoque de variables instrumentales, busca el efecto causal de financial literacy y
educación en la acumulación de riqueza de los hogares. Encuentra un efecto positivo de financial literacy, pero
no encuentra efectos de la educación condicional en financial literacy. Por su parte, Landerretche y Martínez
(2012), instrumentando la variable financial literacy, obtienen resultados que sugieren que un mayor nivel de
esta variable aumenta la probabilidad de participar en el mercado financiero. Por último, García (2012) usa
un enfoque de variables instrumentales y encuentra un efecto positivo de la educación en la participación en
el mercado financiero.
Finalmente, existe una amplia literatura que usa cambios exógenos de política como instrumentos para
educación. Dentro de los más importantes se encuentra el trabajo de Card (2001), que hace una revisión
de la literatura hasta la fecha sobre la relación causal entre educación e ingresos, discutiendo las diferencias
entre estimar por OLS y por variables instrumentales (IV). Duflo (2001) estudia el efecto de educación en
ingresos en Indonesia explotando la variación exógena que produjo la implementación de un programa de
construcción de establecimientos educacionales entre 1973 y 1978. En Chile, García usa la reforma de 1981
como instrumento para educación.
3.
Estrategia Empírica
3.1.
Datos
La principal fuente de datos de este trabajo es la Encuesta Financiera de Hogares (en adelante EFH) del
año 2011-12. Esta encuesta, realizada por el Banco Central de Chile se efectúa de forma anual desde el año
2007. Hasta ahora, esta es la única fuente de datos que permite relacionar los ingresos, activos, deudas y
gastos financieros de cada unidad familiar en Chile. Su objetivo es generar información detallada del balance
financiero de los hogares, indagando sobre aspectos como niveles de deuda, tipo de deuda, ingresos y activos de
los hogares chilenos. Esta encuesta también contiene información sobre trabajo y características educacionales
para los 4059 hogares entrevistados. La EFH 2011-12 incorpora un panel rotativo con la EFH 2007, de esta
forma el 44.2 % de los hogares entrevistados el 2011-12 corresponde a hogares entrevistados el año 2007. La
EFH es representativa a nivel urbano nacional para los años 2007 y 2011-12, sin embargo, los demás años la
encuesta es representativa a nivel metropolitano urbano.
6
Se usan cuatro variables dependientes que son resultados de distintas decisiones en el proceso de toma
de deuda de los hogares. Primero, se construye la variable Atraso, una dummy que indica si el hogar estuvo
en mora de algún compromiso de crédito en el último año (Disney et al., 2008; Cole et al. 2012, 2014). Se
considera que han tenido atraso quienes reportan haber caído en morosidad en los últimos 12 meses para los
distintos tipos de crédito que se registran en la EFH 1 . Además, se usa la variable Deuda No Convencional,
que indica si un hogar tiene alguna de las siguientes deudas:
Crédito de Prestamistas
Crédito en Casa Prendaria
Fiado
Otros
Estos tipos de deuda son considerados como costosos (Lusardi y Tufano, 2009; Disney y Gathergood,
2011, 2012) por lo que podrían indicar niveles excesivos de deuda debido a decisiones de endeudamiento. Sin
embargo, también es posible que reflejen el hecho de que existen hogares que no pueden acceder a otro tipo
de deuda menos costosa, por ejemplo, porque no tienen el colateral suficiente.
Dado que el simple sobre endeudamiento de los hogares no es un indicador de que existió un error en la
toma de decisiones y puede estar indicando un problema de inclusión financiera, buscamos alguna variable
que sea más limpia para medir “malas decisiones”. Por un lado, la variable Deuda Casa Com indica el número
de tarjetas de casas comerciales cuya cuota los hogares no están pagando completamente. Con esto se trata
de diferenciar entre quienes usan este tipo de tarjetas solo como medio de pago y quienes las usan como medio
de endeudamiento. Se considera que una cuenta de tarjeta de crédito en casas comerciales está en deuda si los
hogares reportan estar pagando las cuotas con atrasos o no estar pagando las cuotas. La idea es que aunque
podría ser óptimo tener varias tarjetas con distintas casas comerciales, por los beneficios que pueden traer,
no debería ser óptimo mantener deuda en varias tarjetas y muchas veces es posible disminuir el costo de la
deuda consolidando los créditos y reasignándolos al de menor costo.
Por otro lado, siguiendo a Agarwal et al. (2013), se construye la variable Error de Renegociación, que toma
valor 1 si un hogar tiene un crédito hipotecario a tasa fija y no lo renegoció siendo que le hubiera convenido
hacerlo. Los autores desarrollan una forma cerrada para resolver el problema de si conviene refinanciar o
no una hipoteca cuando hay una baja de tasas. Existe un cambio mínimo x⇤ de la tasa a partir del cual
1 Esto
no incluye deuda educacional ni deudas con familiares o amigos
7
es conveniente refinanciar, tomando en cuenta costos de renegociación, impuestos y probabilidad de que las
tasas sigan bajando (y, por lo tanto, convenga esperar).
⇤
x ⇡
donde
r
 p
2(⇢ +
M (1 ⌧
(3.1)
es la desviación estándar de las tasas de créditos hipotecarios,  es el costo de refinanciar,
es el
parámetro de una función Poisson para el evento de repactación, ⇢ es la tasa de descuento, M es el valor real
de la hipoteca y ⌧ es la tasa de impuestos.
Se construyó la variable x⇤ para cada hogar que tenía vigente un crédito hipotecario a tasa fija en tres
momentos del tiempo en que la tasa de interés promedio de las hipotecas estuvo en un mínimo: enero
2005, mayo 2007 y octubre 2011. Así, para cada una de las tasas vigentes en estas tres fecha, si xit <
tasat
tasainicial, convenía refinanciar en t. Luego, se creó una dummy que toma valor uno si convenía
refinanciar y el hogar reportó no haber refinanciado su deuda. La variable Error de Negociación toma valor
uno si un hogar no refinanció su deuda conviniéndole hacerlo en alguna de las tres fechas.
En la Tabla 1 se resume la relación entre estas cuatro variables y el nivel de escolaridad. Vemos que el
porcentaje de hogares que presenta un atraso en alguno de sus instrumentos de deuda y el porcentaje de
hogares que tiene deuda no convencional cae a medida que aumenta el nivel de educación. Sin embargo, el
porcentaje de hogares que comete errores de renegociación y el número de tarjetas de casas comerciales en
deuda aumenta al pasar del Nivel 1 al Nivel 2, para luego ir disminuyendo al aumentar el nivel educacional.
Es importante notar que aunque es bastante común estar atrasado en el pago de una deuda y tener un error
de renegociación, son pocos los hogares que poseen deuda no convencional y el número de tarjetas de casas
comerciales con saldos impagos es bastante bajo.
Tabla 1: Estadística Descriptiva
Nivel 1
Nivel 2
Nivel 3
Nivel 4
Nivel 5
Todos
Porcentaje del Total
13.9 %
16.1 %
34.4 %
18.4 %
17.2 %
–
Atraso
39.42 %
39.06 %
36.9 %
30.86 %
23.93 %
34.48 %
Deuda No Convencional
5.98 %
5.87 %
4.77 %
3.31 %
2.61 %
4.47 %
Error de Renegociación
54.55 %
71.43 %
71.07 %
55.01 %
51.56 %
57.90 %
0.096
0.147
0.144
0.076
0.026
0.102
No Deuda Tarjeta de Casas Comerciales
Niveles Educacionales: Nivel 1 = menos de 5 años Nivel 2 = entre 5 y 8 años
Nivel 3: entre 9 y 12 años Nivel 4 = entre 13 y 16 años Nivel 5 = más de 17 años
8
3.2.
Estrategia de Identificación
Aunque los datos presentados en la literatura existente sugieren que el nivel educacional afecta el comportamiento de toma de deuda de las personas, la existencia de factores no observables y la correlación entre
educación e ingresos llevan a que los estimadores OLS estén sesgados. Para solucionar este problema de
identificación se usa una estrategia de estimación por variables instrumentales que explota la variación entre
cohortes en la intensidad de exposición de los individuos a la reforma educacional de 1981. Además, para dar
mayor precisión a la estimación, se usa la metodología de Two Sample IV presentado por Angrist y Krueger
(1995). Este se basa en estimar la primera etapa con una muestra que contiene datos para la variable endógena y el instrumento y luego usar los momentos de esta estimación para desarrollar la segunda etapa con
otra muestra distinta, que contiene datos de la variable dependiente y el instrumento. Siguiendo la variante
de Two Saple IV presentada en Angrist y Pischke (2009), usamos Two Sample 2SLS que consiste en estimar
la primera etapa para los datos de las cinco EFH y estimar una segunda etapa usando los valores predichos
con los estimadores de la primera etapa en la muestra EFH 2011-12. La razón de estimar usando sólo la
encuesta realizada los años 2011-12 es que las preguntas varían ligeramente año a año, siendo más detalladas
para las últimas encuestas. Para corregir la varianza de los estimadores se usa la corrección propuesta por
Inoue y Solon (2010). Es importante mencionar que dado que el método de Two Sample 2SLS usa dos etapas
lineales, los estimadores obtenidos son LATE, esto significa que miden el efecto de la educación para quienes
fueron afectados por la reforma educacional de 1981.
Específicamente, nos interesa estimar la siguiente relación:
yi = ↵ + educi + Xi + ✏i
(3.2)
donde yi es una de las dos variables definidas en la sección anterior, educi es el nivel de educación del
individuo i y Xi es un set de controles que incluye un polinomio de tercer grado para la edad y dummies para
el género, región y año de la encuesta. Introducir un polinomio de edad permite controlar por el hecho de que
las posiciones de deuda dependen del el ciclo de vida de una persona. El parámetro de interés es , que mide
el efecto de un año de educación en la probabilidad de atraso, probabilidad de tener deuda no convencional,
probabilidad de haber cometido un error de renegociación y el número de tarjetas de casas comerciales con
deuda.
9
3.3.
Primera Etapa
La estrategia de identificación de este trabajo se basa en el impacto de la reforma educacional de 1981 en
los años de escolaridad de las personas. Personas nacidas después de 1975 (es decir, que entraron a educación
básica después de 1981) se vieron expuestas a una mayor oferta de establecimientos educacionales, lo que
afecta positivamente su nivel de escolaridad.
Hasta 1980, la administración del sistema educacional chileno se encontraba totalmente centralizada en
el Ministerio de Educación. Éste no solo era responsable de los planes y programas, sino además era el
administrador directo de los establecimientos fiscales, que eran cerca del 80 % del total de establecimientos
del país. La reforma educacional transfirió, en 1980, la administración de establecimientos públicos a las
municipalidades e incentivó la provisión de educación por parte del sector privado con recursos públicos a
través de un sistema de vouchers. Este sistema consiste en que el gobierno entrega a cada establecimiento
un monto de recursos por alumno que efectivamente asiste a clases. Así, los establecimientos particulares
subvencionados pasaron de representar el 15.1 % de la matrícula a representar un 53.2 % el 2012 2 .
El efecto de este cambio fue progresivo. Aunque personas nacidas antes de 1963 no se vieron afectadas
por la reforma, debido a que ya tenían 18 años cuando fue implementada, personas nacidas entre 1963 y 1975
se vieron parcialmente afectadas. Por otro lado, quienes nacieron después de 1975 estuvieron completamente
expuestos a los efectos de la reforma ya que partieron educación básica con el sistema de vouchers en marcha,
pero su efecto también puede ser gradual debido a que las escuelas no se construyen de inmediato. Además, la
reforma tuvo distintos niveles de impacto entre las diferentes zonas del país, por lo que se explotará tanto la
variación en el tiempo como la variación a nivel regional del impacto de la reforma en los años de educación.
Así, con respecto a la primera etapa, se estima:
educi = + expi + interi + ⌘Xi +
i
(3.3)
donde expi es una variable que mide el grado de exposición del individuo a la reforma, interi representa
la interacción entre el grado de exposición a la reforma y la región de vivienda, y educi son los años de
escolaridad del individuo.
En esta etapa se trabaja con cuatro especificaciones:
2 Mineduc,
2012
10
1. En la primera, ref corresponde a una dummy que indica si el individuo nació después de 1975, lo que
implica que estuvo expuesto totalmente a la reforma.
2. La segunda separa en 2 grados de exposición, siendo exp1 una dummy para nacidos entre 1970 y 1975,
exp2 una dummy para nacidos después de 1975.
3. La tercera incluye interacciones entre ref y zona3 .
4. Por último, la cuarta agrega las interacciones entre los dos factores de expansión y las zonas.
La Tabla 2 muestra los resultados de las cuatro especificaciones. Se aprecia en la primera columna que el
coeficiente de la variable ref es significativo y positivo, indicando que, en promedio, haber estado expuesto
a la reforma aumenta los años de escolaridad de un individuo en 0.66 años. Además, en la columna 2
vemos que la reforma también tuvo un efecto positivo y significativo para cohortes que ya se encontraban
en educación básica al momento de la reforma, sin embargo este efecto es sustancialmente menor al de
generaciones más jóvenes. Es esperable que exista este efecto, dado que a quienes les faltan entre 8 y 12 años
para graduarse de educación media al momento de la reforma también son afectados por el cambio en el
número de establecimientos educacionales.
Tabla 2: Primera Etapa
Variable Dependiente: Años de Educación
Ref
Grado Exposición 1
(1)
0.662***
(0.219)
Grado Exposición 2
Interacción Centro Ref
Interacción Sur Ref
Interacción Centro 1
Interacción Centro 2
Interacción Sur 1
Interacción Sur 2
(2)
0.389**
(0.184)
0.993***
(0.269)
(3)
0.825*
(0.440)
-0.172
(0.414)
-0.224
(0.551)
(4)
0.0295
(0.495)
1.127**
(0.469)
0.351
(0.505)
-0.142
(0.417)
0.856
(0.695)
-0.147
(0.555)
Observaciones
11,280
11,280
11,280
11,280
Test F
69.6
66.37
62.97
55.37
Se omiten coeficientes de las variables de control: Edad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
3 Se
divide el país en tres zonas: Norte (I, II, III, IV, XV), Centro (V, VI, VII, XIII) y Sur (VIII, IX, X, XI, XII, XIV).
11
3.4.
Identificación y Robustez
Siguiendo a Duflo (2001), hacemos una regresión de los años de escolaridad con un set de interacciones
entre las dummies eref _k, que indican si el individuo tenía k años en 1981, con k entre 1 y 26, y la intensidad
de la reforma en cada región. La intensidad de la reforma es el porcentaje de colegios subvencionados de la
región en 1996, ya que esto captura el hecho de que hay regiones en que el aumento de establecimientos fue
más pronunciado. Las personas que tenían 26 años son el grupo de control, por lo que la interacción con la
dummy eref _26 se omite.
Vemos que los coeficientes son cercanos a 0.2 para quienes tenían menos de 7 años de edad al momento de
la reforma. Para personas mayores a 10 años, no existe un efecto estadísticamente significativo. Esto refleja
el hecho de que la reforma tiene un impacto en aquellas personas que estuvieron más años en edad escolar
expuestas a ella.
Figura 1: Coeficientes de la edad en 1981 para educación con Intervalos de Confianza al 95 %
0.3%
0.2%
0.1%
0%
25% 24% 23% 22% 21% 20% 19% 18% 17% 16% 15% 14% 13% 12% 11% 10% 9% 8% 7% 6% 5% 4% 3% 2% 1%
!0.1%
Edad)en)1981)
!0.2%
Coeficiente)Dummy))Edad)en)1981)
0.4%
!0.3%
Por último, para validar nuestra estrategia de identificación hacemos un ejercicio de falsificación que
consiste en incluir en la regresión de la primera columna de la Tabla 3 una dummy falsa que adelanta la
reforma en l años, con l entre 3 y 8. Así, por ejemplo, la variable Post 1979 es una dummy que toma
valor 1 para quienes nacieron después de 1979. Las variables falsas para los años 79 y 80 no se incluyen por
encontrarse muy cerca de la verdadera reforma. Si la reforma produjo un efecto distinto a la tendencia en
educación, los coeficientes de las dummies desfasadas no deberían ser significativos una vez que se controla
12
por la dummy verdadera de la reforma. La Tabla muestra que la dummy con el timing verdadera de la
reforma es significativa en las seis columnas. La variable desfasada no es estadísticamente significativa al 1 %
en ninguna de las columnas.
Tabla 3: Ejercicio de Falsificación
Variable Dependiente: Años de Educación
Ref
Falsa 1978
Falsa 1977
(1)
(2)
(3)
(4)
(5)
(6)
(7)
0.662***
(0.219)
0.557**
(0.250)
0.197
(0.228)
0.613***
(0.227)
0.604***
(0.220)
0.658***
(0.219)
0.674***
(0.219)
0.650***
(0.220)
Falsa 1976
Falsa 1975
Falsa 1974
Falsa 1973
0.158
(0.197)
0.389**
(0.184)
0.288
(0.176)
0.145
(0.172)
Observaciones
11,280
11,280
11,280
11,280
11,280
11,280
Se omiten coeficientes de las variables de control: Edad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
4.
-0.0780
(0.169)
11,280
Resultados
En esta sección se presentan los resultados de la segunda etapa de la estimación, es decir, el efecto
estimado de los años de educación sobre las variables de deuda. Se estima la ecuación 3.2 para las cuatro
variables dependientes mediante Two Sample 2SLS para la EFH 2011-12 usando en la primera etapa los
datos agregados de todas las EFH.
En la Tabla 4 se presentan los resultados de las estimaciones OLS y TS2SLS de la ecuación 3.2. La columna
1 corresponde a la estimación OLS; en ésta vemos que los coeficientes son significativos y negativos para las
cuatro variables dependientes. Como se esperaba, un mayor nivel de escolaridad disminuye la probabilidad
de atraso, de tener deuda no convencional, de tener un error de renegociación y la cantidad de tarjetas de
casas comerciales en deuda. Se esperaría que haya un sesgo hacia abajo en los estimadores OLS, ya que hay
otras características no observables que pueden llevar a errores a los hogares con mayor educación.
Los resultados de las estimaciones TS2SLS usando las distintas especificaciones para la primera etapa se
13
presentan en las columnas 2 a 5 de la Tabla 4. En éstas vemos que los estimadores punto sugieren un efecto
negativo y significativo del nivel de educación en la probabilidad de atraso. Específicamente, estar expuesto
a la reforma disminuye la probabilidad de atraso en 12.9 puntos porcentuales 4 . Tomando en cuenta que
la probabilidad de estar atrasado para quienes fueron afectados por la reforma es 29.6 %, un año extra de
educación para este grupo aumenta en 65 % su probabilidad de atrasarse. Para el caso de la probabilidad
de tener deudas no convencionales y de tener un error de renegociación, el efecto no es significativo. Para
el caso de deudas no convencionales esto puede deberse a que hay muy pocos hogares que presentan este
tipo de deuda (en promedio solo un 6.39 % de los hogares). En cuanto a los errores de renegociación, el
efecto estimado es condicional a que los hogares tengan una hipoteca pactada a tasa fija, lo que hace que la
muestra sea bastante reducida y tenga un sesgo de selección. Por último, vemos que existe un efecto negativo
y significativo de los años de escolaridad en el número de tarjetas de casas comerciales en deuda para las
cuatro especificaciones de la primera etapa. Haber estado expuesto a la reforma educacional disminuye este
número en 0.155 , un efecto importante en el contexto de que el número promedio de tarjetas en deuda para
quienes fueron afectados por la reforma es 0.23.
La dirección del sesgo de los estimadores OLS es la esperada en el caso del efecto en la probabilidad
de atraso y en el número de tarjetas de casas comerciales en deuda; los estimadores TS2SLS son mayores
a los OLS y siguen siendo estadísticamente significativos. Sin embargo, para deudas no convencionales, el
estimador deja de ser significativo al usar variables instrumentales. Lo mismo pasa con el estimador del efecto
en la probabilidad de tener un error de renegociación.
Aunque no es posible distinguir si algunas de las variables de deuda que ocupamos miden errores en
la toma de decisiones de las personas o miden el hecho de que éstas han quedado excluidas del mercado
de alternativas de endeudamiento menos costosas, los resultados sugieren que la educación es un factor
importante para explicar algunos hechos estilizados. Vemos que hogares con menos educación tienen más
probabilidad de atrasarse en el pago de sus deudas, esto lleva a que tengan que pagar mayores tasas de
interés y multas de atraso. Además, hogares menos educados tienden a tener un mayor número de tarjetas
en casas comerciales en deuda. Esto implica, no solo que se endeudan con instrumentos costosos como lo son
las tarjetas de casas comerciales, sino que no están concentrando la deuda en el instrumento menos costoso.
Por ejemplo, si un hogar tiene dos tarjetas y se atrasa en el pago de las dos, no solo va a pagar mayores
intereses, sino también probablemente va a tener que pagar dos multas. Si hubiera tenido toda su deuda en
una tarjeta, habría tenido que pagar un interés mayor, pero solo tendría que pagar una multa 6 .
4 0.662
* -0.196 = 0.129
* -0.225 = 0.1485
6 Según la información sobre tasas de interés de tarjetas de casas comerciales para el año 2011, 3 de las 11 casas comerciales
5 0.662
14
Tabla 4: Estimación Lineal Two Sample 2SLS EFH 2011-12
OLS
(1)
TS2SLS
(2)
TS2SLS
(3)
TS2SLS
(4)
TS2SLS
(5)
-0.0191***
(0.00215)
-0.196**
(0.0934)
-0.162**
(0.0692)
-0.206**
(0.0930)
-0.157**
(0.0631)
2,376
2,376
2,376
2,376
2,376
(1)
(2)
(3)
(4)
(5)
-0.0070***
(0.00969)
-0.0970
(0.132)
-0.124
(0.128)
-0.0743
(0.130)
-0.134
(0.120)
3,692
3,692
3,692
3,692
3,692
(1)
(2)
(3)
(4)
(5)
-0.00702***
(0.000969)
-0.00299
(0.0327)
0.00958
(0.0258)
0.00980
(0.0321)
0.0152
(0.0240)
Observaciones
317
317
317
317
317
Var. Dep.: N. Deuda Casa Com.
(1)
(2)
(3)
(4)
(5)
-0.0128***
(0.00128)
-0.225***
(0.0837)
-0.154***
(0.0513)
-0.226***
(0.0818)
-0.154***
(0.0475)
3,692
3,692
3,692
3,692
3,692
Var. Dep.: Atraso
Educación
Observaciones
Var. Dep.: Deuda No Convencional
Educación
Observaciones
Var. Dep.: Error de Renegociación
Educación
Educación
Observaciones
Instrumentos Excluídos
Dummy Reforma
–
Si
No
Si
No
Grados de Exposición
–
No
Si
No
Si
Interacciones Reforma
–
No
No
Si
No
Interacciones G. Exposición
–
No
No
No
Si
Se omiten coeficientes de las variables de control: Edad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
Sin embargo, no se encuentra que los años de educación sean un factor importante para explicar el hecho
de que los hogares recurran a deudas no convencionales. Esto puede deberse a que en el último tiempo han
surgido alternativas de endeudamiento más simples y de fácil acceso, como lo son las tarjetas de crédito de
casas comerciales. Finalmente es posible que recurrir a deudas no convencionales no dependa tanto de la
educación del jefe de hogar y dependa de qué tan urgente son las necesidades de liquidez de los hogares. De
para las que se tiene información cobran la misma tasa sin importar el monto del crédito o avance de efectivo. Además, otras 3
cobran una tasa menor a medida que aumenta el monto del crédito. Esto lleva a pensar que no es óptimo repartir la deuda en
distintas tarjetas.
15
hecho, en el Anexo A.3 se muestran los resultados de hacer una regresión que tiene como variable dependiente
una dummy que toma valor 1 cuando el hogar tiene deuda no convencional y como variables independientes
la variable Gasto Inesperado y los controles de la regresión principal. Los resultados muestran que el hecho de
que un hogar declare haber tenido que enfrentar gastos inesperados de magnitud importante o disminuciones
de ingreso de magnitud importante en los últimos dos años se asocia a un aumento en la probabilidad de tener
deuda no convencional de un 2 %. Aunque ésta no es una relación causal, es de una magnitud importante
si tomamos en cuenta que solo el 4.5 % de la muestra presenta este tipo de deudas. Por último, tampoco
se encuentra que la educación sea relevante como predictor de un que hubo un error de renegociación. Esto
puede deberse a que en Chile muy pocos hogares renegocian su deuda.
5.
Canales de Transmisión
En esta sección se discuten potenciales canales a través de los cuales la educación afecta la probabilidad
de atraso y el número de tarjetas de casas comerciales. Como mencionamos anteriormente, estas dos variables
dependen tanto de factores de demanda como de oferta. Por el lado de la demanda, la escolaridad puede tener
un efecto en financial literacy, en la aversión al riesgo de las personas y en su ingreso. Por el lado de la oferta,
se esperaría que mayor educación haga que un hogar esté menos restringido al crédito.
5.1.
Educación y Restricción al Crédito
Una razón por la que los hogares pueden estar atrasándose en sus pagos y tomando deuda en casas
comerciales (deuda relativamente cara y de fácil acceso) es porque no tienen otra alternativa de financiamiento
mejor. En este sentido, una vía por la cual educación puede afectar la probabilidad de estas dos variables
es a través de la restricción al crédito. Si tener un mayor nivel educacional hace que un hogar esté menos
restringido al crédito, habrá menos probabilidad de que este hogar se atrase en el pago de una deuda o tome
deuda costosa, como lo es la de tarjetas de casas comerciales.
No conocemos de estudios que busquen el efecto causal de la educación en la restricción al crédito, pero sí
existen varios autores que estudian los determinantes de esta restricción. La incidencia de la escolaridad varía
a través de distintos estudios. Los resultados de Crook y Hochguertel (2005) en Italia y Tailandia muestran que
una mayor educación, en general, reduce la probabilidad de estar restringido, pero tiene un efecto positivo
en ésta para estudios en Estados Unidos. Por otra parte, en Boznia y Herzegovina y Nueva Zelanda, se
16
encuentra que la educación no tiene un impacto significativo en la probabilidad de estar restringido (Chen y
Chivakul, 2008). Es importante notar que todos estos estudios también incluyen como variable independiente
el ingreso, por lo que probablemente (si la educación afecta positivamente al ingreso) subestiman el efecto de
la educación.
De la misma manera que Alvarado (2010), construimos por contraposición una proxy para definir a
un hogar restringido al crédito. Se define un hogar no restringido como aquel que declara no haber hecho
solicitudes de crédito porque no lo necesita o declara haber hecho solicitudes de crédito, pero éstos fueron
otorgados y, además, mantiene un nivel de endeudamiento relativamente bajo 7 . Luego, todos los hogares que
no cumplen con alguna de estas características están restringidos. En la Tabla 5 se muestran los resultados
de testear el efecto de la educación sobre la probabilidad de estar restringido. Vemos que al usar variables
instrumentales hay evidencia de un efecto negativo pero no significativo de los años de educación en la
probabilidad de estar restringido.
Tabla 5: Efecto Causal de Educación en Probabilidad de Restricción al Crédito
Var. Dep.: Restricción al Crédito
Educación
Observations
OLS
(1)
TS2SLS
(2)
TS2SLS
(3)
TS2SLS
(4)
TS2SLS
(5)
-0.0251***
(0.00185)
-0.0468
(0.0651)
-0.0270
(0.0503)
-0.0686
(0.0654)
-0.0422
(0.0470)
3,692
3,692
3,692
3,692
3,692
Instrumentos Excluídos
Dummy Reforma
–
Si
No
Si
No
Grados de Exposición
–
No
Si
No
Si
Interacciones Reforma
–
No
No
Si
No
Interacciones G. Exposición
–
No
No
No
Si
Se omiten coeficientes de las variables de control: Edad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
5.2.
Educación y Financial Literacy
Es posible que la educación aumente el financial literacy de los individuos, permitiéndoles un mayor
entendimiento de conceptos financieros básicos y un mejor procesamiento de la información económica. Esto,
a su vez, conduciría a los hogares a no tomar decisiones muy costosas como atrasarse y tener deuda en casas
comerciales.
7 Su
carga financiera es menor a 20 %. Los resultados no varían significativamente si cambiamos este límite
17
García (2012) encuentra un efecto positivo, significativo y de gran magnitud de la educación en un índice
que mide financial literacy. En base a seis preguntas realizadas en la Encuesta de Protección Social del 2006 en
Chile, que buscan medir la capacidad de los individuos para realizar cálculos simples y procesar información
financiera, construye un índice y busca el efecto causal de haber completado educación media en éste. Sus
resultados muestran que haber completado educación media aumenta en aproximadamente 0.4 el promedio
de respuestas buenas.
Por otro lado, existe evidencia de que financial literacy afecta medidas de endeudamiento como las estudiadas en este trabajo. Disney y Gathergood (2011), usando una estrategia de variables instrumentales,
encuentran que existe un efecto significativo y negativo de financial literacy en la probabilidad de mantener
deudas de alto costo
8
y en la probabilidad de estar atrasado en al menos un mes en el pago de al menos un
instrumento de deuda. Sus resultados sugieren que una disminución de un punto en el puntaje de financial
literacy está asociado a un aumento de 17 % en la probabilidad de tener deuda costosa y a un aumento de
15 % en la probabilidad de estar atrasado en el pago. Estas magnitudes sugieren que la educación financiera
es un canal importante a través del cual actúa el nivel de educación. Sin embargo, es difícil medir cuánto del
efecto de educación viene de un aumento en financial literacy debido a que no sabemos cómo es la escala del
índice de Disney y Gathergood (2011).
6.
Robustez y Extensiones
6.1.
Especificación con Polinomio del Ingreso
Aunque estamos conscientes de que al agregar un polinomio de ingreso como control los parámetros
volverán a estar sesgados, se agregan con el objetivo de ver si la variable educación sigue siendo significativa
o si hay una parte importante del efecto de ingreso que está siendo capturado por los años de educación.
En la Tabla 6 se presentan los resultados de incluir un polinomio de tercer grado de ingreso como control.
Notamos que al controlar por el polinomio del ingreso el coeficiente de educación sigue siendo significativo
para la probabilidad de atraso y para el número de tarjetas de casas comerciales en deuda. Los coeficientes son
mayores, pero esto puede deberse al sesgo que surge por introducir como variable de control una variable que
podría ser la variable dependiente de la ecuación9 . En conclusión, los resultados son robustos a la inclusión
8 Deuda costosa incluye Hire Purchase, Tarjetas de Casas Comerciales, Catálogos de Compra por Correo, Custom Union
Loans y Pay-Day Lender Loan
9 No se presentan en la Tabla 5 los coeficientes de Ingreso, Ingreso2 e Ingreso3 . Aunque estos son positivos y significativos
18
del ingreso como control en la regresión principal, aunque hay que ser cuidadosos al interpretarlos, dado que
existen problemas de endogeneidad.
Tabla 6: Estimación Lineal Two Sample 2SLS EFH 2011-12 con Ingreso
OLS
(1)
TS2SLS
(2)
TS2SLS
(3)
TS2SLS
(4)
TS2SLS
(5)
-0.00955***
(0.00248)
-0.198**
(0.0979)
-0.198**
(0.0979)
-0.196*
(0.107)
-0.166**
(0.0819)
2,376
2,376
2,376
2,376
2,376
(1)
(2)
(3)
(4)
(5)
-0.00502***
(0.00112)
0.0136
(0.0355)
0.0136
(0.0355)
-0.00131
(0.0393)
0.0105
(0.0316)
3,692
3,692
3,692
3,692
3,692
(1)
(2)
(3)
(4)
(5)
-0.00913
(0.0111)
-0.106
(0.250)
-0.146
(0.235)
-0.126
(0.250)
-0.244
(0.210)
Observaciones
309
309
309
309
309
Var. Dep.: N. Deuda Casa Com.
(1)
(2)
(3)
(4)
(5)
-0.00992***
(0.00273)
-0.470**
(0.190)
-0.398***
(0.152)
-0.465**
(0.189)
-0.308***
(0.115)
3,692
3,692
3,692
3,692
3,692
Var. Dep.: Atraso
Educación
Observaciones
Var. Dep.: Deuda No Convencional
Educación
Observaciones
Var. Dep.: Error de Renegociación
Educación
Educación
Observaciones
Instrumentos Excluídos
Dummy Reforma
–
Si
No
Si
No
Grados de Exposición
–
No
Si
No
Si
Interacciones Reforma
–
No
No
Si
No
Interacciones G. Exposición
–
No
No
No
Si
Se omiten coeficientes de las variables de control: Edad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
para la variable dependiente Deuda Casa Com, no lo son para las otras variables, lo cual es extraño
19
6.2.
Inclusión de Deudas con Familiares y Amigos
Inicialmente se construyó la variable Deuda No Convencional con el propósito de agrupar deudas costosas.
Dado que las deudas con familiares o amigos no necesariamente son costosas, incluso pueden no tener intereses,
es posible que sean mejores indicadores de que un hogar está excluido del mercado del crédito y no de que ha
cometido un error y tomado deuda muy costosa. Para asegurarnos de que los resultados no dependen de la
exclusión de este tipo de deuda, se estima el efecto de años de escolaridad en la probabilidad de tener deudas
no convencionales, incluida la deuda de amigos o familiares.
Los resultados se encuentran en la Tabla 7, que muestra que el efecto de la educación sigue sin ser
estadísticamente significativo. Vemos en la columna 1 que el estimador OLS casi no cambia, mientras que en
las columnas 2 a 5 el efecto es bastante menor y no cambia su significancia. Esto implica que los resultados
mostrados anteriormente que indican que no existe un efecto de educación en la probabilidad de tener deudas
no convencionales siguen siendo válidos al incluir las deudas con familiares y amigos a esta definición.
Tabla 7: Estimación Lineal Two Sample 2SLS Incluyendo Familiares y Amigos
Educación
Observaciones
OLS
(1)
TS2SLS
(2)
TS2SLS
(3)
TS2SLS
(4)
TS2SLS
(5)
-0.00750***
(0.00117)
-0.0160
(0.0396)
-0.00677
(0.0310)
-0.00546
(0.0384)
-0.00549
(0.0286)
3,692
3,692
3,692
3,692
3,692
Instrumentos Excluídos
Dummy Reforma
–
Si
No
Si
No
Grados de Exposición
–
No
Si
No
Si
Interacciones Reforma
–
No
No
Si
No
Interacciones G. Exposición
–
No
No
No
Si
Se omiten coeficientes de las variables de control: Edad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
6.3.
Heckit para la Probabilidad de Tener Hipoteca a Tasa Fija
El efecto estimado en la sección IV de educación en errores de renegociación es condicional en que los
hogares tengan una hipoteca pactada a tasa fija, esto implica que existe un sesgo de selección en los estimadores. Dado que la decisión de tomar un crédito hipotecario a tasa fija o variable depende de las expectativas
de inflación al momento de tomar el crédito, las usamos como instrumento para predecir la probabilidad
20
de que un hogar haya preferido financiarse a tasa fija. La decisión depende de la inflación esperada porque
un crédito a tasa variable tiene el riesgo de que ante una eventual variación de las tasas, el dividendo aumente significativamente. Así, en momentos de tasas bajas con expectativas de control inflacionario, en una
economía estable, puede ser una buena alternativa pactar un crédito hipotecario a tasa variable.
En la Tabla 8 se presentan los resultados del ejercicio descrito anteriormente. Siguiendo el procedimiento
de Woolridge para un Heckit con variables instrumentales y llevándolo al contexto de TS2SLS, se calculó el
Inverso de la Razón de Mills (IMR) con los datos de todas las EFH y luego se usó TS2SLS incluyendo el
IMR como regresor. Además, se hizo Wild Bootstrap para las desviaciones estándar. La columna 1 muestra
la estimación OLS al usar la EFH 2011-12 y la columna 2-5 muestra la estimación por TS2SLS de un modelo
Heckit para las 4 especificaciones de la primera etapa.
Tabla 8: Efecto de Educación en Error de Renegociación con Heckit para la Probabilidad de Tener Hipoteca
a Tasa Fija
Educación
Observaciones
OLS
(1)
TS2SLS
(2)
TS2SLS
(3)
TS2SLS
(4)
TS2SLS
(5)
-0.00008
(0.02065)
-0.00007
(0.01652)
-0.00008
(0.02156)
-0.00007
(0.01860)
0.00011
(0.02817)
2,144
2,144
2,144
2,144
Instrumentos Excluídos
Dummy Reforma
–
Si
No
Si
No
Grados de Exposición
–
No
Si
No
Si
Interacciones Reforma
–
No
No
Si
No
Interacciones G. Exposición
–
No
No
No
Si
Se omiten coeficientes de las variables de control: Edad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
La Tabla 8 muestra que, a diferencia de cuando no se usa Heckit, al estimar por OLS el coeficiente de
educación no significativo. Al tomar en cuenta el sesgo de selección que se producía antes, los resultados
siguen mostrando que no hay un efecto causal significativo de la educación en la probabilidad de cometer
un error de renegociación, sin embargo para todas las especificaciones de la primera etapa excepto la última
(Columna 5) el efecto es negativo, lo que es esperable. Es importante notar que hay que ser cuidadosos con
la interpretación de estos resultados, ya que no estamos conscientes de la validez de usar una metodología
Heckit cuando se están usando dos muestras distintas para la estimación 2SLS.
21
7.
Conclusiones
El principal objetivo de este trabajo era investigar si el nivel educacional es capaz de explicar, en parte, la
diferencia de comportamiento o formas de endeudamiento de los hogares. Un problema que surge al estudiar
esto es que la educación se encuentra correlacionada con factores no observables que también afectan la forma
en que los hogares toman deuda, por lo que la estimación OLS no es capaz de capturar el efecto causal de
la educación sobre las variables estudiadas. Por esta razón se estimó el efecto causal mediante una estrategia
de variables instrumentales, usando como instrumento el impacto de la reforma educacional de 1981 en Chile
sobre la escolaridad.
Los resultados principales muestran que un año de educación extra disminuye en alrededor de 20 % la
probabilidad de estar atrasado en alguna deuda para aquellos jefes de hogar afectados por la reforma de
1981. Además, un año de educación disminuye el número de tarjetas de casas comerciales en deuda de los
hogares en aproximadamente 0.23 para este grupo. Es importante mencionar que los estimadores encontrados
miden el efecto LATE, por lo que en promedio el efecto de la educación puede ser menor. Por otro lado, no
se encuentra ningún efecto significativo de los años de educación en la probabilidad de tener deudas no
convencionales ni en la probabilidad de no renegociar la deuda hipotecaria cuando convenía hacerlo. Esto
sigue siendo así aunque cambie la definición de deudas no convencionales y aunque se tome en cuenta el sesgo
de selección que surge de solo observar errores para quienes tienen hipoteca a tasa fija y no variable. Los
resultados obtenidos mediante la estrategia IV son mayores a los que se obtienen cuando no se considera el
problema de endogeneidad, lo que sugiere la presencia de variables omitidas en la especificación OLS.
Aunque no es posible diferenciar si el nivel educacional afecta el uso de deuda a través de la oferta o la
demanda, vemos que existe una especie de segmentación en los comportamientos de toma de deuda. Hogares
con mayor educación no se atrasan tanto en sus pagos y tienen menos tarjetas en casas comerciales en deuda.
Esto puede deberse a que hogares con mayor educación tienden a tener mayores ingresos y estén menos
restringidos, lo que hace que tengan mayor acceso a créditos más baratos y no tengan que llegar al extremo
de atrasarse en el pago de sus deudas o de usar instrumentos más caros como lo son las tarjetas de casas
comerciales. Por otro lado, esta especie de segmentación puede deberse a que hogares con mayor educación
tienen mayor financial literacy y son más conscientes de que atrasarse en sus pagos de deuda trae consigo
multas y mayores intereses. De la misma manera, es posible reducir el costo de la deuda concentrándola en
los instrumentos menos costosos.
22
Finalmente, para entender más claramente el rol de la educación en el comportamiento de toma de deuda
de los hogares se hace necesario buscar una forma de separar el efecto de educación del efecto ingreso. Esto
es posible usando un instrumento para educación y uno para ingreso, lo que era difícil debido a la naturaleza
de los datos. Además, es importante buscar formas más limpias de medir errores en el proceso de toma
de decisiones de los hogares. Esto permitiría medir el rol de la educación y otras variables relevantes en el
mejoramiento de las decisiones de crédito de los individuos.
23
Referencias
Agarwal, S., J. C. Driscoll, X. Gabaix y D. I. Laibson (2009), The Age of Reason: Financial
Decisions over the Lifecycle with Implications for Regulation. Brookings Papers on Economic Activity. Fall,
51-117.
Agarwal, S., J. C. Driscoll y D. I. Laibson (2013), Optimal Mortgage Refinancing: A Closed-Form
Solution. Journal of Money, Credit and Banking, 45, 591–622.
Angrist, J. y J.S. Pischke (2009), Mostly Harmless Econometrics: An Empiricists Companion. Princeton
University Press
Behrman, J., O. Mitchell, C. Soo y D. Bravo (2012), Financial Literacy, Schooling, and Wealth
Accumulation. American Economic Review, 102, 3, 300–304.
Bertaut, C.C. y M. Haliassos (2001), Debt Revolvers for Self Control. University of Cyprus Working
Papers in Economics 0208.
Bertaut, C.C., M. Haliassos y M. Reiter (2009), Credit Card Debt Puzzles and Debt Revolvers for
Self Control. Review of Finance, 13, 4, 657–692.
Cameron, A.C y P. K. Trivedi (2010), Microeconometrics Using Stata. Revised Edition, StataCorp LP.
Campbell, J. (2006), Household Finance. Journal of Finance, 61, 1553-1604.
Card, D. (2001), Estimating the Return to Schooling: Progress on Some Persistent Econometric Problems.
Econometrica, 69, 5, 1127-1160.
Chen, K. y M. Chivakul (2008), What Drives Household Borrowing and Credit Constraints? Evidence
from Bosnia & Herzegovina. IMF Working Paper.
Cole, S., A. Paulson y G.K. Shastry (2012), Smart Money: The Effect of Education on Financial
Behavior. Review of Financial Studies (forthcoming).
Cole, S., A. Paulson y G.K. Shastry (2014), High School Curriculum and Financial Outcomes: The
Impact of Mandated Personal Finance and Mathematics Courses. Harvard Business School Working Paper,
No. 13-064
Contreras, D. (2001), Evaluating a Voucher System in Chile. Individual, Family and School Characteristics. Serie Documentos de Trabajo de Departamento de Economía de la Universidad de Chile.
24
Crook, J y S. Hochguertel (2005), Household Debt and Credit Constraints: Evidence from OECD
Countries. Credit Research Center, University of Edinburgh Working Paper Series No. 05/02
Dynan, K. y D. Kohn (2007), The Rise in U.S. Household Indebtedness: Causes and Consequences. FEDS
Working Paper No. 2007-37
Disney, R., S. Bridges y J. Gathergood (2008), Drivers of Overindebtedness. Department of Business,
Innovation & Skills.
Disney, R. y J. Gathergood (2011), Financial Literacy and Indebtedness: New Evidence for UK Consumers. University of Nottingham Working Paper.
Disney, R. y J. Gathergood (2013), Financial Literacy and Consumer Credit Portfolios. Journal of
Banking and Finance 37, 7, 2246–2254.
Duflo, E. (2001), Schooling and Labor Market Consequences of School Construction in Indonesia: Evidence
from Unusual Policy Experiment. American Economic Review, 91, 4, 795-813.
García, R. (2012), El Efecto de la Educación en la Participación en el Mercado Financiero: Evidencia
para Chile. Tesis Magíster en Economía, IE-PUC
Inoue, A. y G. Solon (2010), Two-sample intrumental variables estimators. The Review of Economics
and Statistics, MIT Press, 92, 3, 557-561.
Johnson, W. y G. Li (2007), Do high debt payments hinder household consumption smoothing? Finance
and Economics Discussion Series, 2007-52, Board of Governors of the Federal Reserve System (U.S.).
Laibson, D. (1997), Golden Eggs and Hyperbolic Discounting. Quarterly Journal of Economics, 112, 2,
443-77.
Landerretche, O. y C. Martínez (2013), Voluntary Savings, Financial Behavior and Pension Finance
Literacy: Evidence from Chile. Journal of Pension Economics and Finance, 12, 251-297.
Lusardi, A. y P. Tufano (2009), Debt Literacy, Financial Experiences and Overindebtedness. NBER
Working Paper Series, Working Paper 14808.
Lusardi, A. y C de Bassa Scheresberg (2012), Financial Literacy and High-Cost Borrowing in the
United States. NBER Working Paper No. 18969
Modigliani, F. y R. Brumberg (1954), Utility Analysis and the Consumption Function: An Interpretation
of Cross-section Data. en Post-Keynesian Economics, ed. K. K. Kurihara. New Brunswick.
25
Moore, D. (2003), Survey of Financial Literacy in Washington State: Knowledge, Behavior, Attitudes and
Experiences. Washington State University Social and Economic Sciences Research Center Technical Report
03-39.
Ruiz-Tagle, J., L. Gracía y A. Miranda (2013), Proceso de Endeudamiento y Sobre Endeudamiento
de los Hogares en Chile. Banco Central de Chile, Documento de Trabajo No 703.
Stango, V. y J. Zinman (2009), Exponential Growth Bias and Household Finance. Journal of Finance,
64, 2807–2849.
Stango, V. y J. Zinman (2014), Borrowing High vs. Borrowing Higher: Price Dispersion, Shopping Behavior and Debt Allocation in the U.S. Credit Card Market. Working paper. University of California Davis,
Davis, CA.
26
A.
Anexos
A.1.
Construcción Variable Error de Renegociación
Agarwal et al. (2013) desarrollan una forma cerrada para resolver el problema de si conviene refinanciar o
no una hipoteca cuando hay una baja de tasas. Existe un cambio mínimo x de la tasa a partir del cual es
conveniente refinanciar, tomando en cuenta costos de renegociación, impuestos y probabilidad de que las
tasas sigan bajando (y, por lo tanto, convenga esperar).
⇤
x ⇡
donde donde
r
 p
2(⇢ +
M (1 ⌧
(A.1)
es la desviación estándar de las tasas de créditos hipotecarios,  es el costo de refinanciar,
es el parámetro de una función Poisson para el evento de repactación, ⇢ es la tasa de descuento, M es el
valor real de la hipoteca y ⌧ es la tasa de impuestos.
Además,
=µ+
i0
exp[i0 ]
1
+⇡
donde i0 es la tasa inicial de la hipoteca, µ es la probabilidad de cambiarse de casa,
(A.2)
es la cantidad de años
que quedan del crédito y ⇡ es la inflación esperada.
Para calcular x⇤ asumimos los siguientes parámetros:
 = 460000+ 3 meses de intereses. Los 460000 incluyen un promedio de los costos de tasación, títulos
y escritura, mientras que los 3 meses de intereses son el costo de prepago promedio en el mercado.
µ = 0,2 según el supuesto usado por Agarwal et al.
⇢ = 0,05 según el supuesto usado por Agarwal et al.
⌧ = 0,15
⇡ = 0,03
= 0,01096, corresponde a la desviación estándar de las tasas de créditos hipotecarios entre 20 y 30
años reportadas por la SBIF.
27
A.2.
Corrección de Varianza para Two Sample 2SLS
Siguiendo a Inoue y Solon (2010), se hace una corrección a la varianza de los estimadores. La matriz de
varianza y covarianza debe ser multiplicada por:
1 + [(n1 /n2 ) ˆT0 S2SLS ˆ⌘ ˆT S2SLS /ˆ11 ]
(A.3)
donde ˆ⌘ es un estimador de la matriz de covarianzas de los errores de la primera etapa y ˆ11 es el sample
mean squared residual de la regresión de la segunda etapa.
En Stata:
reg depvar [varlist]
predict depvar, xb
matrixmse2 = e(rmse)2
matrix n2=e(N)
reg depvar2 depvar [varlist] if year==2011
matrix beta=e(b)
matrix V1=e(V) matrixmse1 = e(rmse)2
matrix n1=e(N)
matrix beta1=beta[1,1]
matrix A=beta1*beta1*n1*mse2
matrix B=syminv(n2*mse1)
matrix C=1+A*B
matrix V=C*e(V)
eret post beta V
ereturn display
A.3.
Deuda No Convencional y Gastos Inesperados
En esta subsección se muestran los resultados de hacer una regresión que tiene como variable dependiente
una dummy que toma valor 1 cuando el hogar tiene deuda no convencional y como variables independientes
la variable Gasto Inesperado y los controles de la regresión principal, incluyendo educación. Los resultados
muestran que el hecho de que un hogar declare haber tenido que enfrentar gastos inesperados de magnitud
importante o disminuciones de ingreso de magnitud importante en los últimos dos años se asocia a un
aumento significativo en la probabilidad de tener deuda no convencional de un 2 %.
28
Tabla A.1: Regresión de Deuda No Convencional y Gastos Inesperados
(1)
Variable: Deuda No Convencional
Gasto Inesperado
0.0211***
(0.00777)
Observations
4,058
R-squared
0.019
Se omiten coeficientes de las variables de control: EducacinEdad, Edad2 , Edad3 , DummiesRegion, Genero
Errores estándar robustos entre paréntesis
*** p<0.01, ** p<0.05, * p<0.1
29