Aplicación de la teoría del capital humano a partir de ecuaciones mincerianas

Un estudio de caso para los ocupados en Salto, Uruguay


Case Study, 2020

13 Pages


Excerpt


Tabla de materias

I. Introducción

II. Revisión de antecedentes

III. Preguntas de investigación e hipótesis de trabajo

IV. Presentación de la base de datos
IV. I Filtrado de la base de datos
IV. II Recodificación de variables a emplear en el modelo

V. Modelo Econométrico

VI. Estadísticos descriptivos univariados

VII. Modelos de regresión lineal múltiple ajustados

VIII. Conclusiones

Bibliografía

Aplicación de la teoría del capital humano a partir de ecuaciones mincerianas. Un estudio de caso de los ocupados en Salto, Uruguay.1

Lic. Rodrigo Ríos 2

Resumen

El presente trabajo tiene como objetivo general estudiar qué factores explican las variaciones en el salario para los ocupados del departamento de Salto, Uruguay, utilizando los microdatos de la Encuesta Continua de Hogares del año 2018. Para esto, se hace una revisión de la literatura existente, la cual describe una serie de variables independientes que explican el salario percibido. En tal sentido, se emplea una metodología cuantitativa aplicando una técnica de regresión lineal múltiple para poder responder a la pregunta de investigación que desarrollaremos más adelante, en los siguientes apartados del estudio, así como otras decisiones metodológicas en cuanto a la transformación de algunas variables explicativas.

Palabras clave: salarios, ocupados, variaciones

I. Introducción

Lo que respecta a los determinantes del salario ha sido una temática ampliamente estudiada a nivel global por diversos académicos, existiendo en este sentido una variedad de estudios que tienen como finalidad explicar dicho fenómeno en cuestión para una serie de regiones, localidades y países. Asimismo, se debe reconocer la relevancia del estudio en lo que refiere al salario dado que el mismo es signo del estado de una economía y del bienestar de las personas en la sociedad moderna.

En tal sentido, la mayoría de los antecedentes existentes en cuanto a la temática se han basado en la relación existente entre educación y mercado laboral, teniendo aceptación la teoría del capital humano (Becker, 1964; Mincer, 1974; Schultz, 1960), en este sentido, los aportes realizados por esta teoría se basan en que los años de escolaridad y la experiencia laboral del individuo son variables que explican los ingresos salariales.

Es posible observar que, en el contexto de Uruguay, las empresas al momento de solicitar contratación de personal no únicamente se concentran en la formación educativa, sino que es de esencial importancia la experiencia como requisito para ingresar al mercado laboral, lo que indica en cierta medida los altos niveles de desempleo en los jóvenes, un 19% en Uruguay y en Salto un 21%, estando por encima del promedio nacional (INE, 2018).

Por otra parte, algunos estudios han incluido otras series de variables independientes o explicativas en cuanto a las variaciones en el salario. Con respecto a esto, se desarrollará en los siguientes apartados una breve revisión de antecedentes con respecto al problema de investigación aquí planteado. Cabe aclarar que la revisión bibliográfica que se realizó, se basó en la selección de antecedentes donde el método de investigación se basa en técnicas econométricas, relacionando el salario como variable dependiente con una serie de variables explicativas como los años de escolaridad, el género, la experiencia laboral, la localidad de residencia y edad, entre algunas otras.

II. Revisión de antecedentes

En primer lugar, Carrera y Chala (2018) realizan una investigación en la cual estudian la relación entre los años de educación, la experiencia laboral y el género con el salario (variable dependiente) en Bogotá en el año 2018. El modelo llevado a cabo por los investigadores genera hallazgos, entre los cuales se encuentra la comprobación de la relación positiva de los años de escolaridad y la experiencia con el salario, así como la existencia de brechas salariales entre hombres y mujeres y los retornos decrecientes de la experiencia al salario. Por otra parte, Méndez (2002, citado en Ordoñez y Sanabria, 2014) da cuenta de las diferencias en el retorno del salario debido al sector al que pertenece el trabajador, siendo aquellos que pertenecen a la economía informal los que presentan menores ingresos por salario. Otros autores como Contreras y Gallegos (2007) consideran tomar el sector donde trabaja (público o privado), como forma de control de diferencias salariales.

Por otra parte, Lema y Casellas (2009), a diferencia de los anteriores, incorporan la localidad de residencia, analizando el impacto que tiene la educación sobre las remuneraciones de los individuos que trabajan en zonas rurales de Argentina, los autores relacionan el salario del sector agropecuario como variable dependiente y la educación en total de años, la edad del individuo, explotaciones agropecuarias y el estado civil, como variables independientes. Las conclusiones del estudio dan como resultado que los trabajadores agropecuarios tienen retornos menores que los trabajadores no agropecuarios.

III. Preguntas de investigación e hipótesis de trabajo

Luego de haber descrito los antecedentes de investigación, las variables más relevantes que se incluyen a la hora de estudiar las variaciones en el salario, se plantea las siguientes preguntas de investigación:

¿Existe relación positiva entre los años de escolaridad y el salario? ¿En qué medida explica las variaciones en el salario de los trabajadores salteños?

¿En qué medida la experiencia tiende a explicar las variaciones en el ingreso por salario de los trabajadores salteños? ¿Tiene una influencia positiva sobre el salario dicha variable?

¿Existe penalización o discriminación salarial al introducir en el modelo variables tales como el género, la localidad de residencia o el sector (público o privado) en el cual desarrollan su empleo?

Para responder a estas preguntas se desarrollan a continuación una serie de hipótesis basadas en la bibliografía revisada:

H1: Los años de escolaridad están relacionados directamente con el salario, de este modo, se puede decir que, a mayor cantidad de años de educación, el ingreso por salario aumenta.

H2: La experiencia tiene una influencia positiva sobre el salario. Por cada año de trabajo el salario tiende al aumento, aunque expresa rendimientos decrecientes con respecto al salario por cada año adicional de experiencia.

H3: Existe discriminación salarial al introducir en el modelo las variables género y localidad de residencia, así como también el sector donde desarrolla su empleo, en este caso si es público o privado y si forma parte de la economía informal donde percibirá menos ingresos salariales.

IV. Presentación de la base de datos

La base de datos empleada en este estudio es la Encuesta Continua de Hogares 2018 realizada por el Instituto Nacional de Estadística de Uruguay. La muestra se compone de un n total de 108.608 casos. El diseño muestral de la encuesta es aleatorio estratificado, para la selección de la muestra la población es particionada en estratos.

IV. I Filtrado de la base de datos

En primer lugar, se adoptó la decisión de filtrar la base de datos por departamento, en este caso, seleccionando al Departamento de Salto, a partir del software SPSS, mediante la selección de datos a partir de la variable dpto, seleccionando en este caso el código 15 que pertenece al departamento respectivo.

Posteriormente, se filtró la base mediante la variable g126_1 que hace referencia al sueldo, para dicha variable se excluyeron aquellos que no perciben sueldo y se transformaron estos valores en perdidos, dando lugar a una nueva variable llamada SalarioRecodificada .

Finalmente, se creó una nueva variable a partir de la variable edad (e27 ), seleccionando aquellos entre 18 y 65 años, esta decisión se justifica en que en estos estratos etarios se concentra la mayoría de ocupados. Dicha variable fue denominada como edadt , a partir de esta variable se hace el filtrado final de la base, con un n de 1270 casos.

IV. II Recodificación de variables a emplear en el modelo

Como se mencionó anteriormente, la base se filtró en primer lugar por departamento, seleccionado el departamento de Salto. Posteriormente, se tomó como variable filtro: sueldos (g126_1), la que se procedió a recodificar excluyendo aquellos casos en los que el valor hacía referencia a 0, es decir, no percibían salario, por tanto, se excluyeron los valores perdidos. A esta variable recodificada se le dio el nombre de SalarioRecodificada .

En consecuencia, como se expresará más adelante, en la metodología a emplear en este trabajo, que se basa en un modelo de regresión lineal múltiple, se adopta la ecuación de Mincer. Para poder llevar adelante esto, se calcula el logaritmo de la variable

SalarioRecodificada , creando una nueva variable a partir de este procedimiento, a esta se le llama logaritmosalarios , la cual será considerada aquí como la variable dependiente . Asimismo, se crea la variable de la Experiencia al cuadrado (exp_2 ) para apreciar los rendimientos decrecientes de la experiencia con respecto al salario. Para la creación de esta se hace el cálculo al cuadrado a partir de la cantidad de años trabajando denominada años de experiencia (años_exp ), originalmente f88_2 de la Encuesta Continua de Hogares, esta variable se transformó y todos aquellos valores no correspondidos se asignaron como missing values, para que no afecten los resultados de la regresión.

Por otra parte, en cuanto a las variables independientes, las posibilidades y limitaciones de la base de datos empleada en este estudio, llevaron a calcular una nueva variable con respecto a los años de escolaridad (a_educ ) de los individuos. Dicha creación de esta nueva variable se basó en el siguiente cálculo1:

Abbildung in dieser Leseprobe nicht enthalten

Con respecto al género y lugar de residencia, dichas variables se dicotomizaron y se les asigno valores entre 0 y 1 (dummy variable). Tal es el caso para la variable sexo (masculino ), mujer toma el valor 0 y hombre 1. Con respecto a lugar de residencia, se recodifico la variable region_4 que en la base de la Encuesta Continua de Hogares hace referencia a localidad de residencia, en este caso, se agrupo y se les asignó el valor de 0 a aquellas localidades que corresponden al Interior y 1 a la zona Rural (ruralzone ).

Asimismo, se realiza el mismo procedimiento de transformar otras variables cualitativas en dummies que son relevantes según la literatura revisada. El estado civil se dicotomiza y se le asigna dos valores, en este caso, 0 para no solteros y 1 para solteros (single ). Por otra parte, con respecto al sector donde los ocupados desarrollan su empleo (público o privado) se recodifico la variable f73 (categoría de la ocupación), generando una nueva variable dummy llamada publicsec , que presenta dos categorías entre 0 (no público) y 1 (público). Asimismo, se recodifica la variable f82 (aporte a la caja de jubilaciones), asignando el valor 0 para quien no aporta y 1 para el aportante a la seguridad social (formal ).

V. Modelo Econométrico

Con el objetivo de dar respuesta a la pregunta de investigación planteada al principio del documento, se utiliza la ecuación de ingresos de Mincer, utilizando en este caso como variable dependiente el logaritmo del salario o jornales líquidos percibidos y como variables independientes años de escolaridad, experiencia, la experiencia al cuadrado. Asimismo, se incluirán otra serie de variables explicativas señaladas por la bibliografía como explicativas a fin de testear modelos de regresión lineal múltiple. A continuación, se expresa la ecuación de regresión:

Log Salario

= Años de escolaridad + Experiencia (años en que trabaja en la empresa de forma continua) + ExperienciaLaboral2 + u

La regresión múltiple se utiliza para construir modelos que predicen el comportamiento de la variable dependiente. Tal como expresa Wooldridge (2010):

“El análisis de regresión múltiple es el más adecuado para un análisis ceteris paribus debido a que permite controlar de manera explícita muchos otros factores que afectan de forma simultánea a la variable dependiente”.

Para utilizar este modelo, deben cumplirse los siguientes supuestos: 1) los parámetros β constantes son desconocidos y u es un error aleatorio no observable, 2) se tiene una muestra aleatoria de n observaciones que sigue el modelo poblacional del primer supuesto, 3) no hay colinealidad perfecta entre las variables independientes, 4) el valor esperado del error u es cero, y 5) homocedasticidad: dado cualquier valor de las variables explicativas, la varianza de u es siempre la misma. (Wooldridge, Op.cit).

A partir de estos supuestos es que se tratara de ajustar el modelo que cumpla con las condiciones mencionadas. Para esto, se ejecutarán las pruebas estadísticas correspondientes para detectar problemas en el modelo, ya sea de multicolinealidad, normalidad o heterocedasticidad.

Según los antecedentes bibliográficos revisados y las hipótesis de trabajo planteadas en este estudio, se espera que los coeficientes que surjan del modelo regresión tengan los siguientes signos en cuanto a las variables independientes seleccionadas:

- Años de escolaridad: Se espera que, con respecto a esta variable, el coeficiente tenga signo (+).
- Experiencia (medida en años que trabaja de forma continua): Con respecto al coeficiente de esta variable en el modelo de regresión, se espera que el signo sea (+).
- Experiencia al cuadrado: El coeficiente esperado es de signo (-), como lo demuestra Mincer (1974), dado los rendimientos decrecientes de la experiencia a partir de un nivel de años determinado.
- Género: Con respecto a la variable género, el coeficiente sería (+). Cabe aclarar que se recodifico, asignándole el valor de 1 si es hombre y 0 si es mujer.
- Localidad de residencia: Esta variable es dummy, asume el valor de 0 cuando es Interior y 1 cuando refiere a zona rural. Según los antecedentes se espera que el coeficiente sea negativo.
- Sector donde desarrolla su empleo (público o privado): Variable dummy (0 cuando es privado y 1 cuando es público). Esta variable se incluye a modo de controlar las diferencias salariales.
- Formalidad: Adopta el valor de 0 cuando es informal y 1 cuando es formal (+).

VI. Estadísticos descriptivos univariados

A continuación, se presentan los estadísticos descriptivos de las principales variables a estudiar2:

Tabla 1. Estadísticos descriptivos

Abbildung in dieser Leseprobe nicht enthalten

Fuente: Estimación propia en STATA en base a datos de la ECH

VII. Modelos de regresión lineal múltiple ajustados.

En primer lugar, en cuanto al Modelo I, se introducen como variables explicativas: los años de escolaridad, la experiencia (medida en años en que trabaja de forma continua) y la experiencia al cuadrado. Con respecto a la variable dependiente se toma el logaritmo del salario, con tal de cumplir con los requisitos de la ecuación de ingresos de Mincer. De este modo, la ecuación quedaría expresada de la siguiente manera:

Log Salario

= Años de escolaridad + Experiencia (años en que trabaja de forma continua) + ExperienciaLaboral2 + r

A partir de lo anterior, se calculan los coeficientes y el r23 para el modelo explicativo, como se expresa a continuación:

Tabla 2. Modelo I

Abbildung in dieser Leseprobe nicht enthalten

Fuente: Estimación propia a partir de STATA con datos de la ECH.

El modelo cumple con las hipótesis planteadas al principio del documento, dado que el signo de la escolaridad, así como el de la experiencia es positivo, lo que indica una coherencia con los antecedentes bibliográficos que se revisaron. Por otra parte, en cuanto a la experiencia al cuadrado, se aprecia que el coeficiente es negativo, este representaría los rendimientos decrecientes por cada año de experiencia del trabajador. Por otra parte, todas las variables explicativas son estadísticamente significativas a un nivel de confianza del 95%.

También se debe destacar en cuanto a los coeficientes calculados respectivos a la escolaridad y experiencia, explican en casi la misma medida las variaciones sobre el salario, un 5% por ciento por cada año adicional de experiencia y un 4,9% por cada año de escolaridad.

Asimismo, los retornos decrecientes de la experiencia en relación al salario, por cada año de aumento de experiencia, expresan un decrecimiento de -0.007%.

En cuanto a la capacidad explicativa del modelo, cabe señalar que el r2 ajustado (Adj R-squared = 0.2186) explica un 21% de las variaciones en la variable dependiente (salario). En este sentido, se añadirán más variables al modelo para mejorar su capacidad explicativa del salario.

En consecuencia, la ecuación de regresión se representaría de la siguiente manera:

Log Salario

= 9.038178 + 0.0494568 *Años de escolaridad + 0.0501954 * Experiencia (años en que trabaja de forma continua) + -0.0007954 *ExperienciaLaboral2 + r

Habiendo desarrollado el modelo I y validado el mismo, considerando las variables tomadas en cuenta por Mincer y los principales teóricos del capital humano, se buscará a continuación mejorar la capacidad explicativa del modelo incluyendo otras variables que también son señaladas según los antecedentes bibliográficos como relevantes.

Modelo II

En el modelo que se presenta a continuación, se introduce la variable género para poder falsear otra de las hipótesis planteadas en cuanto al objeto de investigación. En este sentido, para aplicar este modelo se recodifico la variable sexo para poder apreciar la existencia de discriminación salarial entre el hombre y la mujer. En este caso se recodifico la variable como se mencionó anteriormente, asignándole el valor de 1 a hombre y 0 mujer.

Tabla 3. Modelo II

Abbildung in dieser Leseprobe nicht enthalten

Fuente: Estimación propia a partir de STATA con datos de la ECH

En cuanto a la salida que se puede apreciar, se comprueban las hipótesis desarrolladas en cuando al signo de los coeficientes como la escolaridad, experiencia y experiencia al cuadrado, como en el modelo I. Pero también aquí se puede constatar que la discriminación salarial existe, por lo tanto, se comprueba una de las hipótesis del trabajo al intentar conocer si existían diferencias salariales entre hombres y mujeres. En este caso, los hombres ganan un 37% más que las mujeres en términos salariales si mantenemos todas las demás variables constantes.

Por otra parte, en este modelo aumentan los coeficientes para los años de escolaridad y la experiencia laboral. En este sentido, por cada año de escolaridad el salario aumenta un 5% y si tomamos la experiencia laboral, lo hace en la misma medida. Con respecto a los retornos decrecientes de la experiencia en relación al salario, por cada año de aumento de experiencia, los ingresos por salario decrecen un -0.008%. Todas las variables independientes del modelo son significativas a un nivel de confianza del 95%.

El modelo explica casi un 30% las variaciones en el salario si tomamos el r2 ajustado (Adj R-squared = 0.2919). Este modelo tiene una mayor capacidad predictiva que el modelo I; sin embargo, se podrían tomar otras variables a forma de controlar diferencias salariales y no únicamente el sexo, tal como lo son la localidad de residencia, el sector donde desarrolla su empleo y si forma parte de la economía formal o informal.

No obstante, cabe destacar que el siguiente modelo cumple con el requisito de homocedasticidad4, no hay correlación perfecta entre las variables independientes, y la distribución de los residuos es normal.

Finalmente, la ecuación de regresión sería la siguiente:

Log Salario

= 8.746392 + 0.0568731 *Años de escolaridad + 0.0516474 * Experiencia (años en que trabaja de forma continua) + -0.0008387 *ExperienciaLaboral2 + 0.3746972 * Sexo + r

Modelo III

En este modelo se introducen la mayor cantidad de variables explicitadas por la bibliografía que no habían sido incluidas en los dos modelos anteriormente descritos. En este caso se incluye la edad y otras variables de control de diferencias salariales como la localidad de residencia, estado civil, el sector donde desarrolla su empleo (si es público o privado) y si forma parte de la economía formal.

Tabla 4. Modelo III

Abbildung in dieser Leseprobe nicht enthalten

Fuente: Estimación propia a partir de STATA con datos de la ECH

En consecuencia, luego de apreciar la salida del modelo de regresión lineal múltiple, se puede comprobar que los coeficientes adoptan los signos que indica la bibliografía revisada. Los años de escolaridad, la experiencia, si la persona es de sexo masculino, así como la localidad de residencia, pertenecer a el sector público y formar parte de la economía formal. Por otra parte, los coeficientes respectivos a la experiencia al cuadrado y la localidad de residencia también coinciden con los hallazgos realizados por investigaciones mencionadas en este trabajo.

Asimismo, con respecto a la magnitud de los coeficientes calculados, se puede apreciar que cambian en cuanto a su poder explicativo, por cada año de escolaridad adicional el salario aumenta un 3% y por experiencia un 2%. Se aprecian diferencias salariales si tomamos las variables formalidad, sector público, género y territorio. En tal sentido, se comprueban las hipótesis de trabajo manejadas al principio de este trabajo, existe

discriminación salarial en un 37% si tomamos el género, en este caso, los hombres presentan un mayor ingreso salarial, así como también en el sector público y de la economía formal, sobre todo, los ingresos por salario son un 57% mayor. En cuanto a la localidad de residencia (rural o no) esta denota un signo negativo, también comprobándose lo que se halla en investigaciones ya realizadas. En este caso, vivir en zonas rurales afecta negativamente al salario en un porcentaje del 17%.

En cuanto a la significación de las variables, años_exp, a_educ, masculino, Ruralzone, Publicsec y formal son significativas a un nivel de confianza del 95%. No son significativas las variables: single (soltero), edadt y exp_2 (experiencia al cuadrado), por lo que habría que evaluar quitarlas del modelo.

El modelo tiene una buena capacidad explicativa de las variaciones del salario, un 45% (Adj R-squared = 0.4512); no obstante, presenta problemas de heterocedasticidad al realizar el test de Breusch-Pagan, lo que estaría indicando que se violaría uno de los supuestos de la regresión lineal múltiple, la homocedasticidad.

VII. Modelo seleccionado

Con respecto a la selección del modelo, se adopta el modelo II. ¿En qué se justifica esta decisión? Aunque el modelo II explica en menor medida el salario que el Modelo III (si tenemos en cuenta el r2 = 0,4512), este cumple con los supuestos de la regresión lineal múltiple. En cambio, el Modelo III presentaba problemas de heterocedasticidad, como se menciona anteriormente utilizando las pruebas estadísticas correspondientes. En tal sentido, esto generaría como consecuencia problemas en relación a los estimadores, en consecuencia, se estaría violando uno de los supuestos de la regresión lineal. Por otra parte, se descarta el Modelo I, el cual cumple con todos los supuestos; pero explica en menor medida las variaciones del salario en comparación al modelo II (un 21% contra un 30%).

VIII. Conclusiones

- Las hipótesis planteadas se cumplen al observar el signo de las variables señaladas como explicativas según los antecedentes. La educación guarda una relación positiva con el salario, así como también la experiencia. Asimismo, si tomamos variables como el género, localidad de residencia, sector y formalidad se expresan diferencias salariales que generan una penalización para el caso de las mujeres, los empleados privados e informales y residentes en zonas rurales del departamento.
- El modelo III tiene una buena capacidad explicativa. Alrededor de un 45% de las variaciones del salario son explicadas por las variables independientes; no obstante, presenta problemas en el cumplimiento de los supuestos de la regresión lineal múltiple al no cumplir con el requisito de homocedasticidad. En este modelo se presente un hallazgo importante: no son estadísticamente significativas las variables edad, estado civil y retornos de la experiencia.
- El modelo II cumple con los supuestos de la regresión lineal, siendo el que mejor se ajusta a la explicación del salario, aunque se debe reconocer que solo explica un 30% de las variaciones del mismo, considerándose este un porcentaje no muy alto. De la misma manera el Modelo I, pero teniendo menos capacidad explicativa que el modelo II.
- No existe multicolinealidad perfecta en ninguno de los modelos presentados; sin embargo, difieren en cuanto a homocedasticidad/heterocedasticidad. El modelo I y II no presentan problemas de heterocedasticidad, en cambio el modelo III sí presenta problemas.
- En cuanto al modelo seleccionado y su coeficiente de determinación, que no es tan alto (un 30%), sería bueno incorporar o seguir estudiando futuras modificaciones en el modelo II, para mejorar su capacidad predictiva.

Bibliografía

Becker, G. (1964) Human capital: a theoretical and empirical analysis, with especial reference to education. Londres: National Bureau of Economic Research.

Carrera, X. y Chala, Y. (2018) Relación de los años de educación, experiencia y el género con el salario en Bogotá para el año 2018. Recuperado el 26 de enero de 2020, de

https://repository.ucatolica.edu.co/bitstream/10983/15983/1/TDGII%20CHALAYCAR RERA%20FINAL.pdf

Contreras, D., & Gallegos, S. (2007). Descomponiendo la desigualdad salarial en América Latina: ¿Una década de cambios? En Estudios Estadísticos y Prospectivos. División de Estadística y Proyecciones Económicas CEPAL, (51), 5-45.

INE (2018) Encuesta Continua de Hogares 2018 [Fichero de datos]. Recuperado de http://www.ine.gub.uy/c/document_library/get_file?uuid=b63b566f-8d11-443d-bcd8-944f137c5aaf&groupId=10181

Lema, D. y Casellas, K. (2009). Retornos a la educación en zonas rurales En Revista Argentina de Economía Agraria, 10 (1), 75-94.

Mincer, J. (1974) Schooling, experience and earning. Cambridge: National Bureau of Economic Research.

Ordoñez, I. y Sanabria, J. (2014) Retornos de la educación para los trabajadores formales e informales en Cali: Una aproximación con regresiones cuantílicas y spilines lineales En Entramado, 10 (2), 12-22.

Schultz, T. (1960) “Capital formation by Education” En Journal Of Political Economy, 68 (6), 571-583.

Wooldridge, J. (2010) Introducción a la econometría. México: Cengage Learning

[...]


1 Documento elaborado en el marco de la materia Métodos Cuantitativos de la Maestría en Políticas Públicas

2 Candidato a Magíster en Políticas Públicas por la Facultad de Ciencias Sociales, Universidad de la República

1 Para esta sumatoria se incluyen los años aprobados en educación primaria común, ciclo básico, bachillerato, bachillerato tecnológico, educación técnica y universidad.

2 No se incluyen las variables dummy (género, formal, localidad de residencia, sector público, estado civil) dado que las mismas al aplicar estadísticos descriptivos no generan información relevante. Asimismo, la experiencia al cuadrado tampoco se incluye en los descriptivos, dado que es una variable que se calcula a partir de años_exp .

3 Coeficiente de determinación.

4 Se realizó el test de Breusch-Pagan

Excerpt out of 13 pages

Details

Title
Aplicación de la teoría del capital humano a partir de ecuaciones mincerianas
Subtitle
Un estudio de caso para los ocupados en Salto, Uruguay
College
University of the Republic (Uruguay)  (Social Sciences Faculty)
Course
Métodos Cuantitativos
Author
Year
2020
Pages
13
Catalog Number
V538695
ISBN (eBook)
9783346145734
ISBN (Book)
9783346145741
Language
Spanish; Castilian
Keywords
econometría
Quote paper
Rodrigo Ríos (Author), 2020, Aplicación de la teoría del capital humano a partir de ecuaciones mincerianas, Munich, GRIN Verlag, https://www.grin.com/document/538695

Comments

  • No comments yet.
Look inside the ebook
Title: Aplicación de la teoría del capital humano a partir de ecuaciones mincerianas



Upload papers

Your term paper / thesis:

- Publication as eBook and book
- High royalties for the sales
- Completely free - with ISBN
- It only takes five minutes
- Every paper finds readers

Publish now - it's free