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