ESTIMACIÓN DEL SESGO DE SELECCIÓN PARA EL MERCADO

ESTIMACIÓN DEL SESGO DE SELECCIÓN PARA EL MERCADO LABORAL DE
MENDOZA
Lic. Iris PERLBACH de MARADONA 1
Lic. Mónica Iris CALDERÓN2
RESUMEN
El interés de este trabajo se centra en estimar ecuaciones de salarios del tipo Mincer
diferenciando el mercado laboral en masculino y femenino con la idea de captar las
diferencias en los ingresos que no son explicadas por diferencias en las dotaciones de
capital humano. El modelo se estima utilizando la técnica de corrección propuesta por
Heckman para solucionar el llamado Sesgo por Selección presente en la mayoría de las
estimaciones empíricas al analizarse el perfil de ingresos de personas con distintos
niveles de educación. El instrumental econométrico que se utiliza es la corrección para
Distribuciones Truncadas para captar el sesgo por selección a través de modelos Probit.
El objetivo es medir el diferencial de los retornos marginales a la educación y a la
experiencia teniendo en cuenta los salarios de reserva individuales. Las muestras
comprendidas son los trabajadores femeninos y masculinos mendocinos para el año
1997.
Como conclusiones del trabajo se encontraron evidencias de ausencia de sesgo por
selección tanto para hombres como para mujeres.
Campos temáticos: (I2) Educación
(C1) Métodos Econométricos y Estadísticos: General
1
Profesor Asociado Macroeconomía I y Economía Laboral, Fac. de Ciencias Económicas, Universidad
Nacional de Cuyo.
2
Profesor Titular Economía de la Educación, Fac. de Filosofía y Letras, Universidad Nacional de Cuyo y
Profesor Adjunto de Econometría I, Fac. de Ciencias Económicas, Universidad Nacional de Cuyo.
ESTIMATING SELECTION BIAS IN MENDOZA´S LABOUR MARKET
Lic. Iris PERLBACH de MARADONA 3
Lic. Mónica Iris CALDERÓN4
ABSTRACT
The purpose of this paper is to estimate wage equations of the Mincer type distinguishing
between male and female workers with the aim to capture differences in earnings that
cannot be explained by human capital theory. The model was estimated using Heckman,s
technique to solve for the selection bias present in almost all studies that analyse
earnings profiles for different levels of education and experience. The econometric tool
employed to obtain the selection bias was the adjustment for censored distributions
through the estimation of Probit models.
The most important objective is to measure the differential of marginal returns to education
and experience considering the individual reservation wage. The samples used included
workers from Mendoza during 1997.
We didn, t find evidence of selection bias neither in male earning profiles, nor in female,s.
That means one can use the whole labour market data without spliting it.
3
Profesor Asociado Macroeconomía I y Economía Laboral, Fac. de Ciencias Económicas, Universidad
Nacional de Cuyo.
4
Profesor Titular Economía de la Educación, Fac. de Filosofía y Letras, Universidad Nacional de Cuyo y
Profesor Adjunto de Econometría I, Fac. de Ciencias Económicas, Universidad Nacional de Cuyo.
ESTIMACIÓN DEL SESGO DE SELECCIÓN PARA EL MERCADO LABORAL DE
MENDOZA
Lic. Iris PERLBACH de MARADONA
Lic. Mónica Iris CALDERÓN
I. INTRODUCCIÓN
La interpretación de la ecuación de Mincer en cuanto a tasas de retorno a la inversión en
capital humano sugiere que la única distinción entre ingresos de personas proviene
exclusivamente de diferencias en el nivel de educación alcanzado (cantidad de años de
educación) y/o en el nivel de entrenamiento laboral (años de experiencia potencial en el
mercado laboral). Se puede pensar que cada persona tiene una función de producción
que transforma su capital humano (y otros insumos) en un flujo de servicios que se
traducen, en definitiva, en sus ingresos laborales. Pero este enfoque puede no ser
correcto si consideramos que un mayor nivel de educación o entrenamiento tiene una
mayor probabilidad de participación, puesto que tiene mayores costos de oportunidad; la
idea que se intenta mostrar es que puede existir lo que se denomina “sesgo por
selección”: a mayor nivel educativo formal, mayor probabilidad de participación. Se cree y
es lo que se intenta probar que existe un “sesgo por selección” en grupos de mayores
niveles de educación o entrenamiento cuando los ingresos del mercado no alcanzan los
salarios de reserva individuales. La idea básica es que en los datos de la Encuesta
Permanente de Hogares (EPH), no figuran los “ingresos” de personas que no trabajan por
que no desean hacerlo, ya que su salario de reserva o ingreso de propiedad es mayor al
salario que obtendrían empleándose. Si esto ocurre, entonces los coeficientes de la
ecuación mencionada son inconsistentes, puede existir sesgo en los parámetros
estimados.
La metodología de trabajo consiste en estimar el “Sesgo por Selección” a través de la
técnica de corrección propuesta por Heckman. Esta técnica usa un modelo Probit que
tiene por objeto medir la decisión de participación en función de las características
personales y del stock de capital humano de las personas. Luego se incorpora dicha
estimación en la ecuación para ingresos del tipo Mincer, donde el salario de mercado
depende solamente de las dotaciones de capital humano. Se trabaja por separado la
muestra correspondiente a los hombres de la muestra de las mujeres, estimando para
cada caso una ecuación de participación y la posterior ecuación de salarios. La base de
datos corresponde a la Encuesta Permanente de Hogares de Mayo de 1997 para el Gran
Mendoza.
II. ANTECEDENTES
El uso de funciones de salarios se enfrenta usualmente con problemas derivados de
sesgo censal de selección. Este problema se asocia a la ausencia en forma no aleatoria
de observaciones dentro de la muestra, lo cual es equivalente a producir un sesgo en los
coeficientes obtenidos de modelos econométricos que involucran variables obtenidas de
dicha muestra.
Willis y Rosen (1979) estiman perfiles de ingresos incluyendo control por sesgo de
selección y por autoselección, a través de un vector de condiciones personales. Heckman
(1974) propone una corrección a este problema, que posteriormente ha sido utilizada con
resultados exitosos por varios autores a un conjunto de países Latinoamericanos, los
cuales reúnen ciertas condiciones socioeconómicas, caracterizada por un sustancial
subempleo y la presencia de pobreza estructural. Por citar algunos, Psacharopoulos y
Tzannatos (1991), por ejemplo, concluyen que si en los países de menor desarrollo, la
educación, la experiencia y la participación de la mujer aumentaran, entonces su
remuneración crecería más que proporcionalmente.
Riveros y Balmaceda (1993) probaron la presencia de sesgo por selección en El Salvador,
al trabajar en discriminación en un mercado de trabajo segmentado, encontrando
diferencias salariales entre hombres y mujeres.
III. SESGO POR SELECCIÓN
El uso de funciones de salario en el estudio de la discriminación se enfrenta normalmente
con problemas derivados de selectividad o sesgo de selección. Como se sabe, este
problema se asocia a la ausencia en forma no aleatoria de observaciones dentro de la
muestra, lo cual es equivalente a producir un sesgo en los coeficientes obtenidos de
modelos econométricos que incluyen variables obtenidas de dicha muestra. Dicho sesgo
resulta del hecho que la selectividad es equivalente a omitir variables relevantes al
análisis.
Por ejemplo, si los hombres y
las mujeres son homogéneos en sus
características y el salario promedio de los hombres es Wh y el de las mujeres es Wm,
entonces la diferencia D=(Wh-Wm) correspondería a una medida de discriminación. Sin
embargo, si la participación de la mujer es 50 por ciento entonces será cierto que la
discriminación equivale a D siempre y cuando las mujeres excluidas -es decir, aquellas
que no participan en la fuerza de trabajo- posean las mismas características que aquellas
que sí lo hacen (incluidas en la muestra). Si las mujeres excluidas (desempleadas y
trabajadoras desalentadas e inactivas, por ejemplo) tienen características distintas a
aquellas que se observan por medio de las estadísticas salariales (ocupadas, en general)
las diferencias del análisis estadístico estarán dominadas por el sesgo de selección
(Paredes, 1987).
La discriminación medida dependerá del tipo de población que se esté excluyendo del
análisis. Por ejemplo, si las mujeres observadas en la muestra, i.e., las actualmente
ocupadas y perceptoras de ingreso, poseen mayores habilidades innatas que las no
observadas, entonces la discriminación correctamente medida será mayor que D, debido
a que el verdadero salario de las mujeres sería menor. Esto se debe a que la
incorporación de aquellas no observadas, o sea, las caracterizadas por menor habilidad
innata, disminuiría el salario predicho. Del mismo modo, si la población excluida tiene
mayor educación que el grupo cuyos ingresos se observan efectivamente por medio de la
muestra, entonces el diferencial D será una subestimación del diferencial efectivo. Estas
mismas consideraciones son, por supuesto, válidas para los hombres, haciendo
aconsejable la corrección por sesgo de selección para ambos grupos. La idea básica
aquí es que en los datos de la Encuesta Permanente de Hogares (EPH), no figuran los
“ingresos” de personas que no trabajan por que no desean hacerlo, ya que su salario de
reserva o ingreso de propiedad es mayor al salario que obtendrían empleándose. El
ejemplo clásico es el de la participación de la mujer en el mercado laboral: si el salario
que obtendrían es muy bajo en relación de lo que ellas valoran el atender los quehaceres
domésticos, educar a sus hijos, etc. no buscarán empleo. El problema es que dicho
salario de reserva es el resultado de una valoración subjetiva de la persona en razón de
varios conceptos: si está casada o no, la cantidad de hijos en edad escolar, su nivel de
educación alcanzado, su edad, su experiencia laboral anterior, etc., y por lo tanto no es
observable en datos estadísticos.
El sesgo de selección proviene en gran parte del hecho de no poder observar aquellas
mujeres que poseen un salario de reserva más alto o que tienen menores costos de
oportunidad al permanecer en el hogar, o cuyas características le hacen más difícil
obtener empleo. La exclusión no es un problema cuando las personas excluidas están
distribuidas en forma aleatoria a través de diferentes grupos de calificación y niveles de
capital humano o poseen las mismas características que aquellas incluidas en la muestra.
No obstante, es muy probable que ello no sea así cuando se observa un mayor
desempleo femenino junto a una menor tasa de participación femenina. La importancia de
analizar el efecto de esta falta de representatividad de la muestra sobre la discriminación
como se ha dicho, se refiere a la necesidad de contar con parámetros insesgados para
poder establecer un diagnóstico apropiado en cuanto a los orígenes de las diferenciales
salariales observadas. Entonces se tiene un problema de tipo estadístico - inferencial: si
sabemos que los datos de salarios excluyen una parte del universo, las mujeres cuyo
salario de reserva es mayor al salario que ganarían en el mercado, se tiene una regresión
“censurada”, y se debe tomar en cuenta, pues de lo contrario se obtendrán estimadores
no consistentes. El concepto de fondo es el de probabilidad condicional: dado que se
sabe que se trabaja solamente con una parte del universo, es necesario calcular la
probabilidad de participación en función de algunas variables, que no necesariamente son
las mismas usadas en la estimación del modelo de tipo Mincer, y utilizar esta información
en la estimación de la ecuación de salarios para evitar parámetros sesgados.
Para entender mejor los efectos del sesgo de selección sobre la discriminación, se
asumirá que la decisión de participación depende del salario de reserva. Esto es, si el
salario de mercado es mayor que el salario de reserva la persona decide incorporarse a la
fuerza de trabajo, mientras que si es menor no ingresará a ella. Se asumirá también que
el salario de reserva (Wt) depende de características personales y del stock de capital
humano de los individuos, mientras que el salario de mercado (WM) depende del capital
humano solamente. Se supone, además que dicha dependencia es lineal.
(1)
WM=X∼ + ←Ν
(2)
Wt = Yϒ=+ ←Ο===========================================Salario de reserva
Salario del mercado
Donde X corresponde a un vector de características de capital humano e Y a un vector de
características personales y de capital humano. ∼=y=ϒ==son parámetros y, + ←Ν==←Ο====son
errores aleatorios con media cero y varianza constante.
La diferencia entre los salarios de mercado y de reserva representa la propensión de las
personas a participar en el mercado del trabajo, y es medida por una variable continua
llamada I.
(3)
I = WM - Wt = X∼ + Yϒ +
←Ν - ←Ο
En la presente formulación cuando para una mujer en particular esta variable toma signo
positivo, ella decidirá incorporarse al mercado del trabajo. Si este es el caso, el valor
esperado del salario de mercado para la mujer no dependerá solo de las características
de capital humano (X) sino que también de las características personales incluidas en el
vector Y, las cuales se incluyen en la esperanza condicional del término de error.
(4)
E(WM/Xi) =
X∼ + E(←Λφ=[ΜΦ
La esperanza condicional del término de error posee media cero, sin embargo, la
esperanza no condicional, que es la utilizada cuando utilizamos MCO, posee una media
diferente de cero y está correlacionada con las variables independientes; siendo estas las
razones por las cuales las estimaciones por MCO resultarán sesgadas. Se puede
demostrar que la esperanza del término de error condicionada a la decisión de
participación es factible de descomponer en dos términos (Paredes, 1987; Paredes y
Riveros, 1988).
El primero corresponde a la razón entre la función de densidad y la función de densidad
acumulada evaluada en el valor de I para cada individuo. Este término es conocido como
el inverso de la razón de Mill's, y constituye la variable excluida en el análisis de la
ecuación de salario de mercado no corregida por el sesgo de selección. El segundo
término corresponde al coeficiente de la regresión teórica entre los errores de las
ecuaciones (1) y (2). Así, la ecuación de salario de mercado corregida por la presencia de
sesgo de selección se plantea en términos empíricos del siguiente modo:
(5)
Wm = X ∼ + ƒ=↔=Η=⁄
=↔ ⁄
(6)==ƒ=Ζ=ƒ=Ε=←
=←Ν
; ←Ο=Ξ=±
±←Ν
- ←Ο==Φ=============
La variable lambda, corresponde al inverso de la razón de Mill, y el parámetro que le
acompaña se relaciona, como se ha dicho, con las desviaciones estándar y la covarianza
de los errores de ambas ecuaciones salariales. La exclusión de la variable lambda es
causa de sesgo en las estimaciones del vector ∼. Por lo tanto, estimar la magnitud de la
discriminación sin corregir por selectividad tendrá como consecuencia subestimar o
sobrestimar la verdadera discriminación. Por ejemplo, si la exclusión afecta a individuos
de baja escolaridad, es posible que se sobrestime
el nivel promedio de los salarios
debido a que se está considerando una muestra con niveles de educación altos. Para
corregir este problema, se ha propuesto estimar separadamente una variable que
aproxime lambda y que elimine el sesgo implícito en estimaciones por MCO.
El propósito de estimar funciones de ingreso es predecir la variable dependiente W para
hombres y mujeres, bajo supuestos alternativos con respecto a los valores de las
variables independientes. Estas estimaciones estarán sesgadas a menos que se
incorpore un valor para la variable ↔ que corresponderá a la probabilidad de estar incluido
(o excluido) de la muestra de personas con ingreso. Para incorporar el valor de esta
variable, se propone estimar una ecuación de participación en que la decisión de
participar o no en la fuerza de trabajo por parte de una persona --esto es, de estar
desempleado o en situación de inactividad con deseos de trabajar-- depende de un
conjunto de variables de características personales, de ingreso y de capital humano. Esta
ecuación es especificada en forma ad hoc.
La sobre o subestimación de los ingresos que resulta de estimar la ecuación salarial sin
corregir por sesgo de selección no es predecible a priori. Como se ha dicho, esto
dependerá fundamentalmente de que tipo de relación exista entre el capital humano y la
decisión de participación y de la magnitud y signo de la correlación entre los errores de las
ecuaciones de salarios.
IV. METODOLOGÍA Y MODELO A ESTIMAR
La metodología empírica que se utilizará para obtener los índices de discriminación
corregidos se basa en el método propuesto por Heckman (1974) y que ha sido aplicado
por otros autores a un conjunto de países Latino Americanos (Pscharopoulos y
Tzannatos, 1991; Paredes y Riveros, 1992).
Para la aplicación de esta metodología se procedió primero, a dividir la muestra total en
muestras separadas en hombres y mujeres. Segundo, se estimó una ecuación de
participación, --a través del método Probit-- la cual relaciona la probabilidad de observar el
salario de cada individuo. Tercero, se corrigió la estimación por MCO del sesgo de
selección, como propone Heckman, incluyendo en la ecuación de salarios la variable ↔
que cuantifica la probabilidad predicha de observar el salario, la cual es a su vez estimada
sobre la base de la ecuación Probit.
Una vez obtenidos los coeficientes de la ecuación corregida por sesgo de selección, se
obtienen los salarios corregidos.
La estimación empírica del modelo considera dos ecuaciones. La primera, corresponde a
la variable de participación la cual es una variable dicotómica del tipo “participa” o “no
participa” en términos de ser o no ser observado un ingreso del trabajo. Esta ecuación se
interpreta como la forma reducida de un modelo en el cual la decisión de participación –
que es una variable dicotómica—depende del salario de reserva y, por lo tanto, de
características personales y de capital humano. Esta ecuación se supone lineal en los
parámetros y permite estimar la probabilidad predicha de participación de un individuo con
ciertas características.
La segunda ecuación corresponde a la estimación del salario como función de variables
de capital humano y de la probabilidad de participar en el mercado laboral, que llamamos
lambda. Esta última corresponde a un modelo de determinación de ingresos a la Mincer,
corregido por la presencia de sesgo de selección.
La siguiente es la especificación de las ecuaciones:
(7)
Part = ∼o + ∼1*S + ∼2*E+∼3 *E2 + ∼4*Jefe + ↓
(8)
LnW = ϒo+ ϒ1*S*ϒ2*E+ ϒ3*E2+ϒ4*Hm+ ϒ5*EC+ϒ6*TE+ ϒ7*↔+
←
En la ecuación (7) la variable dependiente Part corresponde a una variable dicotómica
que toma el valor 1 cuando la persona obtiene un ingreso positivo y cero en caso
contrario;

S son años de estudio formales;

E son años de experiencia potencial. La experiencia potencial se mide a través de la
aproximación empírica Exp=Edad-educ-6. La aplicación de esta proxy requiere
necesariamente del cumplimiento de dos condiciones, la primera, que el inicio de la
vida laboral comienza inmediatamente después de terminada la etapa escolar. La
segunda, que la vida laboral debe ser ininterrumpida. Indudablemente, este supuesto
es más discutible en el caso de las mujeres y de los grupos caracterizados por altas
tasas de desempleo.

E2 corresponde a la experiencia al cuadrado, se espera que tenga signo negativo,
mostrando la obsolescencia del capital humano.

Jefe es una variable dicotómica que toma el valor 1 si el individuo i es jefe de hogar, y
el valor 0 en caso de no serlo.
En la ecuación (8) la variable dependiente LnW corresponde al logaritmo natural del
salario total mensual;

EC es una variable dicotómica que representa el estado civil tomando el valor 1 en el
caso de que ser casado o conviviente y 0 en los restantes casos;

TE es el tamaño de la empresa, medido por el número de trabajadores, sirviendo
como proxy del grado de informalidad de las empresas en la cual trabajan hombre y
mujeres. La inclusión del tamaño de empresa tiene por finalidad capturar en parte la
dualidad del mercado ya que se postula a que el sector peor remunerado es aquel en
que operan las firmas de menor tamaño en cuanto a capital y a trabajadores. En
general muchas de estas empresas corresponden a empresas de tipo familiar con alta
presencia de familiares no remunerados.

Hm indica el número de horas totales trabajadas en el mes. Incluimos como variable
explicativa a la cantidad de horas mensuales trabajadas para relajar el supuesto de
elasticidad unitaria del salario real respecto de las horas trabajadas.

↔ Es la probabilidad ajustada de que el individuo i participe en el mercado del trabajo y
corresponde a la variable Lambda o al inverso de la razón de Mill’s;
ƒ y ← son errores aleatorios que se asumen con media cero y varianza constante.
En el caso de la ecuación (7), se espera que los parámetros asociados a variables que
aumenten el costo del ocio tengan signo positivo. Es decir, las variables de capital
humano deben tener signo positivo, al igual que el parámetro asociado a la variable Jefe.
Con respecto a la ecuación (8), los signos esperados son los típicos para un modelo de
capital humano, es decir los parámetros de educación y experiencia deben tener signo
positivo, mientras que la variable experiencia al cuadrado debería tener un efecto
negativo. El signo del parámetro asociado a la variable tamaño de empresa, que se
asocia al grado de informalidad, se espera que sea positivo, es decir, a mayor tamaño de
la firma el salario debería ser más alto, manteniendo las otras variables a un nivel
constante. Esto último, es concordante con la mayor parte de las versiones de la teoría de
segmentación del mercado del trabajo, en que el sector informal es el sector de bajos
salarios.
V. ESTIMACIONES ECONOMÉTRICAS
Los datos utilizados en este estudio provienen de la Encuesta Permanente de Hogares,
correspondiente a la onda de Mayo de 1997.
Esta sección presenta tres partes:

Se analiza la muestra de hombres en las ecuaciones de participación y de salarios.

Igual tratamiento se sigue para el caso de las mujeres.

Por último, se realizan las estimaciones para el mercado laboral integrado.
Las ecuaciones utilizadas son las siguientes:
PART = ∼0+ ∼1 NIVELEDU + ∼2 EXPERIE + ∼3 EXPERIE2+ ∼4 JEFE
LOGING = ∼0 + ∼1 NIVELEDU+ ∼2 EXPERIE +∼3 EXPERIE2 + ∼4ESTCIVIL
+ ∼5 TAMEMP + ∼6 LAMBDA+ ∼7 HORAMENS
V.1. HOMBRES
Para estimar la existencia de sesgo de selección, se calculó la variable Participación (↔),
donde las variables corresponden a la descripción que se hizo en el modelo teórico.
CUADRO I
Dependent Variable: PART
Method: ML - Binary Probit
Included observations: 1093
Convergence achieved after 2 iterations
Variable
Coefficient Std. Error
z-Statistic
Prob.
C
NIVELEDU
EXPERIE
EXPERIE2
JEFE
-0.680089
0.012280
0.089043
-0.001724
0.624327
-4.398746
0.996943
7.741687
-8.470314
5.066472
0.0000
0.3188
0.0000
0.0000
0.0000
Log likelihood
-579.3188
Obs with Dep=0
Obs with Dep=1
738
355
0.154610
0.012317
0.011502
0.000204
0.123227
Total obs
1093
A partir de esta ecuación se incorpora la variable ↔ para la estimación de la ecuación de
Mincer. Lo que se tuvo en cuenta es no incorporar la variable NIVELEDU al estimar
LAMBDA, al no resultar significativo el coeficiente que acompaña a la variable.
CUADRO II
Dependent Variable: LOGINGHO
Method: Least Squares
Included observations: 738
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NIVELEDU
EXPERIE
EXPERIE2
ESTCIVIL
TAMEMP
LAMBDA
HORAMENS
4.013195
0.098976
0.004983
0.000107
0.203241
0.003780
0.323372
0.002945
0.123363
0.006791
0.012177
0.000225
0.061368
0.000740
0.106859
0.000291
32.53161
14.57361
0.409225
0.474585
3.311810
5.108520
3.026164
10.13165
0.0000
0.0000
0.6825
0.6352
0.0010
0.0000
0.0026
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.478168
0.473164
0.617228
278.1080
-687.0569
1.991458
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
6.182744
0.850369
1.883623
1.933530
95.55969
0.000000
Los coeficientes de EXPERIE y EXPERIE2 resultaron no significativos. La variable ↔ es
significativa pero fuertemente colineal con los dos variables antes mencionadas, según se
aprecia en la matriz de correlación de primer orden.
Esto dio lugar a una nueva ecuación de participación excluyendo la variable EXPERIE2,
que luego es incorporada a la ecuación de salarios.
CUADRO III
Dependent Variable: PART
Method: ML - Binary Probit
Included observations: 1093
Convergence achieved after 3 iterations
Covariance matrix computed using second derivatives
Variable
Coefficient
Std. Error
z-Statistic
Prob.
C
NIVELEDU
EXPERIE
JEFE
-0.230375
0.017368
-0.002282
1.016158
0.141771
0.012068
0.003810
0.112289
-1.624979
1.439206
-0.598983
9.049501
0.1042
0.1501
0.5492
0.0000
Mean dependent var
S.E. of regression
Sum squared resid
Log likelihood
Restr. log likelihood
LR statistic (3 df)
Probability(LR stat)
Obs with Dep=0
0.675206
0.437092
208.0524
-615.8432
-689.0605
146.4346
0.000000
355
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Avg. log likelihood
McFadden R-squared
Total obs
0.468512
1.134205
1.152491
1.141125
-0.563443
0.106257
1093
Obs with Dep=1
738
La ecuación de participación sólo presenta un coeficiente significativo, que es el
correspondiente a JEFE, construyéndose la variable lambda2 a partir de estos resultados,
lo que equivaldría a decir que la decisión de participar o no depende básicamente de sí se
es jefe o no.
CUADRO IV
Dependent Variable: LOGINGHO
Method: Least Squares
Included observations: 738
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NIVELEDU
EXPERIE
EXPERIE2
ESTCIVIL
TAMEMP
LAMBDA2
HORAMENS
3.881771
0.099588
0.031150
-0.000405
0.215762
0.003770
0.181424
0.002967
0.108857
0.006833
0.006581
0.000120
0.061371
0.000741
0.070783
0.000291
35.65927
14.57412
4.733277
-3.385142
3.515719
5.085221
2.563109
10.19936
0.0000
0.0000
0.0000
0.0007
0.0005
0.0000
0.0106
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.476334
0.471313
0.618311
279.0852
-688.3512
1.990301
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
6.182744
0.850369
1.887131
1.937038
94.85994
0.000000
La ecuación de salarios calculada a partir de lambda2 figura en el cuadro IV, en el cual se
observas que los coeficientes resultaron todos significativos y de signos esperados. La
bondad del ajuste es importante 47%, y no aparecen problemas sobre los supuestos del
modelo clásico. Sin embargo, los coeficientes para las variables tradicionales de la
ecuación de Mincer no son significativamente diferentes cuando se estima la misma
ecuación sin el ↔.
Todos estos resultados nos llevan a concluir que desestimar el sesgo por selección no
lleva a un error de especificación en la ecuación.
V.2. MUJERES
La misma secuencia seguida para los hombres se aplicó a la muestra femenina.
CUADRO V
Dependent Variable: PART
Method: ML - Binary Probit
Included observations: 1194
Convergence achieved after 4 iterations
Covariance matrix computed using second derivatives
Variable
Coefficient
Std. Error
z-Statistic
Prob.
C
NIVELEDU
EXPERIE
EXPERIE2
JEFE
-2.069088
0.090140
0.074797
-0.001307
0.457505
0.159459
0.011434
0.010474
0.000240
0.130123
-12.97568
7.883494
7.141308
-5.440368
3.515952
0.0000
0.0000
0.0000
0.0000
0.0004
Mean dependent var
S.E. of regression
Sum squared resid
Log likelihood
Restr. log likelihood
LR statistic (3 df)
Probability(LR stat)
Obs with Dep=0
Obs with Dep=1
0.340034
0.444136
234.5386
-687.9917
-765.4229
154.8624
0.000000
788
406
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Avg. log likelihood
McFadden R-squared
Total obs
0.473919
1.160790
1.182084
1.168813
-0.576207
0.101161
1194
CUADRO VI
Dependent Variable: LOGINGMU
Method: Least Squares
Included observations: 406
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NIVELEDU
EXPERIE
EXPERIE2
ESTCIVIL
TAMEMP
HORAMENS
LAMBDA
4.128984
0.084789
0.007407
-0.000461
0.052159
0.003214
0.003850
0.324817
0.480558
0.022502
0.020058
0.000214
0.073690
0.001155
0.000380
0.214044
8.592064
3.768105
0.369281
-2.154633
0.707818
2.783202
10.12551
1.517527
0.0000
0.0002
0.7121
0.0318
0.4795
0.0056
0.0000
0.1299
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.467386
0.458018
0.609104
147.6611
-370.7680
2.034185
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
5.789325
0.827369
1.865852
1.944795
49.89398
0.000000
Al incorporar la estimación de participación en la ecuación de salarios, los coeficientes no
resultaron significativos para EXPERIE y para ESTCIVIL. Lo cual lleva a calcular dos
nuevas alternativas de ecuaciones de participación. La variables ↔ 2 y ↔3 se calcularon
eliminando una variable por vez, EXPERIE2 primero y luego EXPERIE y EXPERIE2 .
Posteriormente se incorporaron a las ecuaciones de salarios correspondientes.
CUADRO VII
Dependent Variable: LOGINGMU
Method: Least Squares
Included observations: 406
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NIVELEDU
EXPERIE
ESTCIVIL
TAMEMP
HORAMENS
LAMBDA2
3.810664
0.104032
0.010341
0.040154
0.003261
0.003835
0.146470
0.392803
0.022826
0.005678
0.070308
0.001162
0.000383
0.191744
9.701199
4.557635
1.821342
0.571124
2.805723
10.01606
0.763886
0.0000
0.0000
0.0693
0.5682
0.0053
0.0000
0.4454
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.458635
0.450494
0.613318
150.0872
-374.0763
2.053094
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
5.789325
0.827369
1.877223
1.946298
56.33765
0.000000
CUADRO VIII
Dependent Variable: LOGINGMU
Method: Least Squares
Included observations: 406
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NIVELEDU
ESTCIVIL
TAMEMP
HORAMENS
LAMBDA3
4.360114
0.073105
0.166183
0.003231
0.003902
0.367671
0.174133
0.012232
0.067808
0.001182
0.000389
0.134003
25.03901
5.976707
2.450791
2.733454
10.03227
2.743753
0.0000
0.0000
0.0147
0.0065
0.0000
0.0063
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.438851
0.431836
0.623643
155.5722
-381.3626
2.028518
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
5.789325
0.827369
1.908190
1.967398
62.56453
0.000000
Los resultados no mostraron con claridad la presencia de sesgo por selección, si bien el
coeficiente para la variable de probabilidad de participación LAMBDA3 resulta significativo
presenta fuertes problemas de multicolinealidad con experiencia y experiencia al
cuadrado, que les hace perder significación. Estas variables son fundamentales para la
ecuación de salarios. Sobre la base de estas estimaciones se presupone la ausencia de
sesgo de selección.
V.3. COMPARACIÓN DE LOS RESULTADOS PARA HOMBRES Y MUJERES
A continuación, sobre la base de las ecuaciones salariales, sin corregir por sesgo de
selección; se comparan los resultados correspondientes a los retornos marginales a la
educación y a la experiencia de Hombres y Mujeres. Para esta comparación se utiliza la
ecuación definida teóricamente.
CUADRO IX
VARIABLE (*)
Constante
NIVELEDU
EXPERIE
EXPERIE2
ESTCIVIL
TAMEMP
HORAMENS
R2 AJUSTADO
Nº OBSERVAC.
TEST F
DURBINWATSON
HOMBRES
3.823683
0.104761
0.036692
-0.000477
0.281636
0.003807
0.002997
0.467285
738
108.7465
1.988
MUJERES
3.437387
0.116233
0.034117
-0.000470
-0.001383
0.003290
0.003854
0.456249
406
57.6376
2.041
(*) Errores estándar entre paréntesis.
Para evaluar las diferencias entre los coeficientes de hombres y mujeres, se utiliza el test
′2 de homogeneidad, dado que se trata de muestras no independientes entre sí. El valor
para ′ es de 0.06386357 inferior al ′ crítico. Por lo cual no se rechaza la hipótesis nula
2
2
de diferencias entre los coeficientes estimados para hombres de los estimados para
mujeres.
V.4. COMPARACIÓN DE LOS RETORNOS MARGINALES A LA EDUCACIÓN
Para poder calcular los retornos por nivel educativo es necesario estimar otro tipo de
ecuaciones de salarios, donde se crean variables dummies según el nivel alcanzado por
la persona. Se considera como variable dependiente al logaritmo del ingreso real; las
variables independientes son los años de experiencia potencial, su valor al cuadrado, la
educación de la persona en cuestión, medida a través de cinco variables dummies y las
horas mensuales trabajadas.
Las dummies corresponden a: primaria completa, secundaria incompleta, secundaria
completa, superior incompleta y superior completa. La educación primaria incompleta ha
sido excluida por encontrarse esta incluida dentro del valor de la constante. Se incluye
como variable explicativa a la cantidad de horas mensuales trabajadas para relajar el
supuesto de elasticidad unitaria del logaritmo del salario real respecto de las horas
trabajadas; esta metodología en alguna literatura aparece como más general.
Como se desprende del análisis realizado, se espera que los coeficientes sean positivos
para la experiencia, negativo para la experiencia al cuadrado (señal que el retorno a los
años de experiencia crece a tasa decreciente), y valores positivos para las dummies de
educación, con valores crecientes según el nivel alcanzado.
A continuación se muestran los resultados de las estimaciones:
CUADRO X
Retornos marginales a la educación
(en %)
NIVEL EDUCATIVO
PRIMARIA COMPLETA
SECUNDARIA INCOMPLETA
SECUNDARIA COMPLETA
UNIV. INCOMPLETA
UNIV. COMPLETA
AÑOS
HOMBRES
PROMEDIO
(%)
DE
EDUCACION
7
0.42
9
0.15
12
0.25
13
0.19
17
0.48
MUJERES
(%)
0.27
0.13
0.24
0.22
0.47
Esta comparación permite concluir que no hay diferencias significativas en los retornos
marginales a la educación entre hombres y mujeres para niveles de educación
equivalentes o superiores a primaria completa. Las diferencias se dan especialmente en
los niveles primario y secundario incompleto, donde la mujer aparece con menores
retornos salariales, sin embargo, la diferencia se invierte a favor de la mujer para el nivel
universitario incompleto. En función de estos resultados se calculó un ↔4, considerando
solamente el grupo de mujeres con nivel educativo inferior a secundario completo.
CUADRO XI
Dependent Variable: LOGINGMU
Method: Least Squares
Included observations: 176
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NIVELEDU
EXPERIE
EXPERIE2
TAMEMP
ESTCIVIL
LAMBDA4
4.093534
0.078026
0.040231
-0.000580
0.085618
0.012105
0.102100
0.435905
0.024616
0.023008
0.000421
0.024100
0.048617
0.207518
9.390894
3.169733
1.748585
-1.376583
3.552629
0.248984
0.492004
0.0000
0.0018
0.0822
0.1705
0.0005
0.8037
0.6234
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.186602
0.157723
0.656576
72.85466
-172.1156
1.685765
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
5.387502
0.715415
-0.802472
-0.676373
6.461708
0.000004
Nuevamente al incorporarse la variable ↔ no dio significativa. Esto permite concluir que,
de acuerdo a la metodología empleada en este trabajo, el mercado laboral en Mendoza
para la onda estudiada (mayo de 1997) no presenta sesgos de selección.
Como un aporte adicional se calculó la ecuación de salarios de Mincer para la muestra
completa. Los resultados fueron altamente significativos y con los signos correctos.
CUADRO XII
Dependent Variable: LOGINGTO
Method: Least Squares
Included observations: 1144
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
EXPERIE
EXPERIE2
HORAMENS
PRIMCOM
SECINCOM
SECCOM
UNIVINCO
UNIVCOM
3.926928
0.045671
-0.000603
0.004064
0.386777
0.607887
0.838777
1.130266
1.505455
0.095657
0.005292
0.000106
0.000231
0.074059
0.078467
0.083492
0.085804
0.085171
41.05229
8.629847
-5.674049
17.56972
5.222527
7.747067
10.04615
13.17269
17.67561
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.417444
0.413338
0.660792
495.5932
-1144.770
1.869442
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
6.043122
0.862722
2.017080
2.056749
101.6640
0.000000
CUADRO XIII
Dependent Variable: LOGINGTO
Method: Least Squares
Included observations: 1143
Excluded observations: 1
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
NIVELEDU
EXPERIE
EXPERIE2
ESTCIVIL
TAMEMP
HORAMENS
3.609828
0.098326
0.035939
-0.000458
0.220299
0.004223
0.003925
0.092160
0.005169
0.005362
0.000104
0.042527
0.000644
0.000225
39.16902
19.02203
6.702698
-4.422999
5.180219
6.559838
17.46459
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.452434
0.449542
0.639690
464.8549
-1107.676
1.904004
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
6.044287
0.862199
1.950439
1.981314
156.4391
0.000000
VI. CONCLUSIONES
En este trabajo se trata de determinar si se encuentran diferencias salariales entre
hombres y mujeres en el mercado laboral motivado por la existencia de sesgos de
selección. La metodología aplicada consiste en incorporar vectores de cualificaciones
personales a la ecuación de salarios de tipo Mincer, con la idea de aproximar los salarios
de reserva a los de mercado.
Esta técnica no mostró la existencia de sesgos por selección ni para hombres ni para
mujeres. Al existir diferencias salariales marginales, especialmente para primaria
completa, que no se explican por diferentes niveles educativos, ni por experiencia
potencial, ni por sesgos de selección, según los resultados obtenidos, estas divergencias
salariales se podrían atribuir a la existencia de un mercado segmentado.
Si se tienen en cuenta los antecedentes en la aplicación de esta metodología, se observa
que muestran sesgos de selección, un conjunto de países Latinoamericanos, que reúnen
ciertas condiciones socio - económicas, caracterizadas por un sustancial subempleo y la
presencia de pobreza estructural. Estos autores concluyen que si en los países de menor
desarrollo, la educación, la experiencia y la participación de la mujer aumentaran,
entonces su remuneración crecería más que proporcionalmente. Estas consideraciones
indican que para estimar correctamente la discriminación salarial contra la mujer, cuando
esta existe, es fundamental corregir el sesgo de selección en la información muestral.
Cuando existe sesgo de selección las diferencias salariales tienden a sobrestimarse o
subestimarse, según sea el caso. Una vez estimada la diferenciación salarial, corregida
por sesgo de selección; se pueden establecer medidas de política económica tendientes
a homogeneizar los salarios entre hombres y mujeres con iguales características. Es
posible que dichas medidas apunten más a políticas que faciliten el acceso a la educación
formal e informal y a medidas que permitan el acceso a puestos de trabajo formales,
gozando de beneficios sociales y de la protección de las leyes laborales.
De acuerdo a estas características, no es de extrañar que no exista en Mendoza, ni sesgo
de selección, ni segmentación del mercado laboral, salvo para los sectores de educación
bajos, puesto que las tasas de desempleo en la década del 90 no han superado el 8% y
las tasas de subempleo equivalente (en las cuales se supone que los subocupados
trabajan las mismas horas que un ocupado), han llegado al 15,6%; niveles inferiores a los
nacionales. Por otro lado, Mendoza presenta tasas de escolaridad primaria del 96%, tasas
de escolaridad media de un 71% y para el nivel superior tasas del 36%, que son
comparativamente razonables con las del resto del mundo industrializado.
VI. REFERENCIAS BIBLIOGRÁFICAS
1) BECKER, GARY, “Human Capital”, Columbia University Press (New York, 1964).
2) FUNDACIÓN DE INVESTIGACIONES ECONÓMICAS LATINOAMERICANAS,
“Educación y mercados de trabajo en la Argentina”, Asociación de Bancos
Argentinos, Décima Convención Anual de Bancos Privados (Buenos Aires, 1994).
3) HECKMAN, J. “Sample selection bias as a especification error”, Econométrica 47.
4) MADDALA, G.S., “Limited-dependent and qualitative variables in econometrics”,
Econometric Society Monographs Nº3, Cambridge University Press, 1983.
5) MINCER, JACOB, “The distribution of labor income: a survey; With special
reference to human capital approach” , Journal of Economic Literature, Vol. VIII,
Nro. 1, March 1970.
6) PSACHAROPOULOS, G. y TZANNATOS, Z. “Women´s employment and pay in
Latin America - Overview and metodology”, World Bank (Washington, 1992)
7) RIVEROS, L. y BALMACEDA, F. “Discriminación en un mercado de trabajo
segmentado: diferencias salariales entre hombres y mujeres en El Salvador”, XII
Encuentro Latinoamericano de la Sociedad Econométrica, Tucumán, Argentina, 1993.
8) WILLIS, R. y ROSEN, S., “Education and self-selection”, Journal of Political
Economy, Vol.87, Nº5, 1979.