Para dar respuesta a esta pregunta vamos a analizar los datos de la encuesta de estructura salarial del INE, cuyos últimos microdatos disponibles corresponden al año 2006. Vamos a utilizar el software libre R.
El script de este documento está disponible en script
El INE proporciona un fichero plano de ancho fijo y un fichero excel con el diseño del registro, dónde se indica el nombre , tamaño y etiqueta de las variables.
El fichero se puede descargar aqui. El fichero contiene información sobre el salario, tipo de ocupación, nivel de estudios, sector de la empresa , etc.
En primer lugar leemos un fichero csv que tiene dos columnas: tamaño del campo y nombre de las variables . Estas columnas las he copiado del fichero excel de diseño del registro.
disenno <- read.csv("http://dl.dropbox.com/u/2712908/dis_registro.csv")
Ahora ya podemos proceder a leer el archivo con los datos.
estructura.salarial <- read.fwf(file = "http://dl.dropbox.com/u/2712908/EES06%20FAWEB.txt",
widths = disenno$tam, col.names = disenno$nombre)
# pasamos los nombres de las variables a minúsculas
names(estructura.salarial) <- tolower(names(estructura.salarial))
R considera como variable cuantitativa todo aquello que parece un número. Tenemos que transformar las que no lo sean a factores. Podríamos dejarlo así y utilizar as.factor(variable) para los análisis, pero es preferible especificar las variables de clase factor y sus distintos niveles.
No lo hago con todas, sólo las más relevantes (pereza)
# sexo
estructura.salarial$sexo <- factor(estructura.salarial$sexo, labels = c("Hombre",
"Mujer"))
# propiedad o control , público o privado
estructura.salarial$control <- factor(estructura.salarial$control,
labels = c("Publico", "Privado"))
# estrato2: tamaño de la unidad. No me queda claro que son los estratos 0
# (incluye todos los estratos) y 4 (incluye estrato 2 y 3)
estructura.salarial$estrato2 <- factor(estructura.salarial$estrato2,
labels = c("Incluye todos los estratos", "De 1 a 49", "De 50 a 199", "200 y más",
"Incluye estrato 2 y 3"))
# Mercado
estructura.salarial$mercado <- factor(estructura.salarial$mercado,
labels = c("Regional", "Nacional", "UE", "Mundial"))
# Convenio
estructura.salarial$convenio <- factor(estructura.salarial$convenio,
labels = c("De sector", "Interprovincial", "De empresa", "Centro de trabajo",
"Otro"))
# Nacionalidad
estructura.salarial$tipopais <- factor(estructura.salarial$tipopais,
labels = c("Española", "Extranjera"))
# Estudios
estructura.salarial$estu <- factor(estructura.salarial$estu, labels = c("Sin estudios",
"Primaria", "Secundaria I", "Secundaria II", "FP grado medio", "FP grado superior",
"Diplomatura", "Licenciatura o superior"))
# Tipo Jornada
estructura.salarial$tipojor <- factor(estructura.salarial$tipojor,
labels = c("Tiempo Completo", "Tiempo Parcial"))
# Duración contrato
estructura.salarial$tc <- factor(estructura.salarial$tc, labels = c("Indefinido",
"Duracion determinada"))
# Edad
names(estructura.salarial)
## [1] "ordenccc" "ordentra" "nuts1" "cnace" "estrato2" "control"
## [7] "mercado" "convenio" "sexo" "tipopais" "cno1" "responsa"
## [13] "estu" "mesanti" "anoanti" "tipojor" "tc" "val"
## [19] "van" "puentes" "jap" "jsp1" "jsp2" "hextra"
## [25] "salbase" "extraorm" "phextra" "comsal" "comsaltt" "comsalv"
## [31] "irpfmes" "cotiza" "afecmes" "dias" "salbruto" "pextraaf"
## [37] "pextraav" "vesp" "afecano" "mescoma" "diacoma" "anos2"
## [43] "factotal"
# cambiamos el nombre de anos2 a gedad, (suena mejor)
names(estructura.salarial)[42] <- "gedad"
estructura.salarial$gedad <- factor(estructura.salarial$gedad, labels = c("Menos de 20",
"20-29", "30-39", "40-49", "50-59", "Más de 59"))
En el diseño de registro pone “menos de 19” y luego “ De 20 a 29 ” ¿dónde caen los que tengan 19 años? Opto por poner Menos de 20
Vamos a seleccionar el subconjunto de los trabajadores a tiempo completo en vez de todos los datos. ¿Motivo? No sé, quizá así sea más comparable el nivel salarial
table(estructura.salarial$tipojor)
##
## Tiempo Completo Tiempo Parcial
## 200881 34391
esalarial <- subset(estructura.salarial, tipojor == "Tiempo Completo")
nrow(esalarial)
## [1] 200881
Siempre es aconsejable un primer vistazo a los datos, aunque me voy a limitar a summary de algunas variables
# seleccionamos variables para el summary
variables <- c("cnace", "estrato2", "control", "mercado", "convenio",
"sexo", "tipopais", "cno1", "estu", "mesanti", "tipojor", "tc", "salbase",
"salbruto", "gedad")
summary(esalarial[, variables])
## cnace estrato2 control
## F045 : 17715 Incluye todos los estratos: 73 Publico: 16218
## KK00 : 16718 De 1 a 49 :76671 Privado:184663
## DABC : 15538 De 50 a 199 :56118
## NN00 : 14331 200 y más :66761
## DMN0 : 11866 Incluye estrato 2 y 3 : 1258
## DFGH : 11286
## (Other):113427
## mercado convenio sexo
## Regional:84391 De sector :73214 Hombre:133942
## Nacional:83839 Interprovincial :86560 Mujer : 66939
## UE :14852 De empresa :36868
## Mundial :17799 Centro de trabajo: 3730
## Otro : 509
##
##
## tipopais cno1 estu
## Española :188405 F0 :30541 Secundaria I :51170
## Extranjera: 12476 G0 :25244 Primaria :38045
## Q0 :23675 Licenciatura o superior:25777
## N0 :16695 Secundaria II :21369
## M0 :15784 FP grado superior :19939
## T0 :13235 Diplomatura :18761
## (Other):75707 (Other) :25820
## mesanti tipojor tc
## Min. : 0.00 Tiempo Completo:200881 Indefinido :152686
## 1st Qu.: 2.00 Tiempo Parcial : 0 Duracion determinada: 48195
## Median : 5.00
## Mean : 5.15
## 3rd Qu.: 8.00
## Max. :70.00
##
## salbase salbruto gedad
## Min. : 0 Min. : 32 Menos de 20: 1643
## 1st Qu.: 783 1st Qu.: 12653 20-29 :43860
## Median : 951 Median : 17705 30-39 :66423
## Mean : 1116 Mean : 21399 40-49 :51371
## 3rd Qu.: 1233 3rd Qu.: 26377 50-59 :31895
## Max. :21211 Max. :312513 Más de 59 : 5689
##
Veamos como se distribuye el salario bruto anual
hist(esalarial$salbruto, main = "Histograma\nsalario bruto anual",
xlab = "salario bruto en Euros")
Aumentamos el número de breaks para ver mejor la distribución
hist(esalarial$salbruto, main = "Histograma\nsalario bruto anual",
xlab = "salario bruto en Euros", breaks = 200)
Hacemos un boxplot condicionando por sexo para ver si se aprecian diferencias
with(esalarial, boxplot(salbruto ~ sexo))
Comparemos el salario bruto en hombres y mujeres
tapply(esalarial$salbruto, esalarial$sexo, summary)
## $Hombre
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 32 13700 19000 23100 28100 313000
##
## $Mujer
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 536 11000 15400 18100 22800 267000
##
Podríamos utilizar un test de diferencia de medias
with(esalarial, t.test(salbruto ~ sexo))
##
## Welch Two Sample t-test
##
## data: salbruto by sexo
## t = 78.73, df = 182992, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 4858 5106
## sample estimates:
## mean in group Hombre mean in group Mujer
## 23059 18077
##
Pues el p-valor cercano a 0 nos indica que la diferencia es significativa
¿Qué pasa con el salario bruto anual medio si controlamos por ocupación?
Podríamos utilizar aggregate para calcular las medias para cada combinación con
aggregate(esalarial$salbruto,by=list(esalarial$sexo,esalarial$cno1),mean)
Pero mejor lo vemos gráficamente utilizando interaction.plot
with(estructura.salarial, interaction.plot(cno1, sexo, salbruto,
mean, xlab = "Ocupación", ylab = "Salario bruto anual", lwd = 3, col = c("darkred",
"darkgreen"), main = "Salario bruto medio\n por sexo y ocupación",
legend = FALSE))
legend("topright", legend = c("Hombre", "Mujer"), col = c("darkred",
"darkgreen"), lwd = 3)
# pendiente hacerlo con ggplot2
Las diferencias de salario se dan en todas las ocupaciones e incluso son más acentuadas en las ocupaciones dónde más se gana.
Veamos por nivel de estudios y por edad
with(estructura.salarial, interaction.plot(estu, sexo, salbruto,
mean, xlab = "Nivel de estudios", ylab = "Salario bruto anual", lwd = 3,
col = c("darkred", "darkgreen"), main = "Salario bruto medio\n por sexo y nivel de estudios",
legend = F))
legend("topleft", legend = c("Hombre", "Mujer"), col = c("darkred",
"darkgreen"), lwd = 3)
with(estructura.salarial, interaction.plot(gedad, sexo, salbruto,
mean, xlab = "Grupos de edad", ylab = "Salario bruto anual", lwd = 3, col = c("darkred",
"darkgreen"), main = "Salario bruto medio\n por sexo y grupos de edad",
legend = F))
legend("topleft", legend = c("Hombre", "Mujer"), col = c("darkred",
"darkgreen"), lwd = 3)
Veamos si estas diferencias se dan tiempo según la variable control que indica si el control de la empresa es privado o público
with(estructura.salarial, interaction.plot(control, sexo, salbruto,
mean, xlab = "Sector", ylab = "Salario bruto anual", lwd = 3, col = c("darkred",
"darkgreen"), main = "Salario bruto medio\n por sexo y sector", legend = F))
legend("topright", legend = c("Hombre", "Mujer"), col = c("darkred",
"darkgreen"), lwd = 3)
En las otras variables se dan también estás diferencias. Utilizando la mediana en vez de la media los gráficos son muy similares.
modelo.salario <- lm(salbruto ~ factores,data=esalarial)
y luego analizar la tabla anova.