Efectos heterogéneos del acceso a internet sobre el bienestar de los hogares en la provincia de Arequipa, 2022

Application in Stata

Author

Nelson Brayan Mamani Flores

Published

June 11, 2024

pip install stata-setup -q

Note: you may need to restart the kernel to use updated packages.

import stata_setup
stata_setup.config("C:/Program Files/Stata18", "se")
from pystata import stata

  ___  ____  ____  ____  ____ ®
 /__    /   ____/   /   ____/      StataNow 18.5
___/   /   /___/   /   /___/       SE—Standard Edition

 Statistics and Data Science       Copyright 1985-2023 StataCorp LLC
                                   StataCorp
                                   4905 Lakeway Drive
                                   College Station, Texas 77845 USA
                                   800-782-8272        https://www.stata.com
                                   979-696-4600        service@stata.com

Stata license: Single-user , expiring 26 Aug 2024
Serial number: 401809395015
  Licensed to: Nelson
               UNSA

Notes:
      1. Unicode is supported; see help unicode_advice.
      2. Maximum number of variables is set to 5,000 but can be increased;
          see help set_maxvar.

Resumen

El presente trabajo de investigación tiene como objetivo analizar los efectos heterogéneos del acceso a internet sobre el bienestar de los hogares en la provincia de Arequipa en 2022. Se utilizó un enfoque mixto, combinando un análisis de la literatura existente con la metodología de efectos del tratamiento por cuantiles (QTEs), basado en los datos de la Encuesta Residencial de Servicios de Telecomunicaciones de 2022. Los resultados muestran que el acceso a internet incrementa el bienestar al aumentar la capacidad de gasto de los hogares, especialmente en los cuantiles extremos de la distribución del gasto familiar. Los hogares con acceso a internet presentan un mayor gasto per cápita en comparación con aquellos sin acceso, sugiriendo una correlación positiva entre el acceso a internet y las mejoras en el bienestar. Se concluye que el acceso a internet es un factor clave para el aumento del bienestar de los hogares en la provincia de Arequipa. keywords: Efectos heterogéneos, bienestar, internet, gasto, QTEs.

1 . Introducción

El presente trabajo de investigación analiza el impacto heterogéneo del acceso a Internet en el bienestar de los hogares en la provincia de Arequipa. En este estudio, el acceso a Internet se entiende como la capacidad de los hogares para conectarse a la red mediante dispositivos como computadoras, teléfonos inteligentes, entre otros (Botello, 2013). Por otro lado, el bienestar se refiere a la capacidad de satisfacer necesidades básicas y disfrutar de comodidades adicionales (Schor, 2011). Según datos del Instituto Nacional de Estadística e Informática (INEI, 2017), el 35,2% de los hogares en Arequipa cuenta con acceso a Internet. A pesar de la rápida expansión de la conectividad, persisten disparidades en los efectos sobre el bienestar, tales como brechas en el acceso a la información, aislamiento digital y desigualdades educativas (MTC, 2023). Estas diferencias responden a factores socioeconómicos, culturales, educativos y geográficos, que profundizan la brecha digital y aumentan el riesgo de exclusión social, afectando áreas críticas como la educación y el empleo (Olarte, 2017). El debate teórico sobre el impacto económico del acceso a Internet se ha centrado en su capacidad para mejorar la eficiencia y el bienestar mediante la facilitación del flujo de información entre agentes económicos. En este sentido, estudios como el de Ruiz y Ortiz (2014) señalan un impacto positivo en los ingresos y el gasto total de los hogares. El objetivo de esta investigación es analizar el efecto heterogéneo del acceso a Internet en el bienestar de los hogares en Arequipa. Específicamente, se busca identificar disparidades en el acceso a Internet y analizar cómo las diferencias socioeconómicas influyen en el gasto mensual per cápita. Además, se evaluará la relación entre el nivel de acceso a Internet y el bienestar económico de los hogares mediante una regresión cuantílica para estimar los efectos heterogéneos del acceso sobre el gasto mensual per cápita. Este estudio examina cómo la conectividad digital afecta el gasto promedio mensual per cápita en Arequipa, una región con un acceso creciente a tecnologías de la información. Considerando la rápida expansión del Internet y las disparidades socioeconómicas, entender los efectos heterogéneos de la conectividad en el bienestar económico es crucial para el diseño de políticas públicas que busquen reducir desigualdades y fomentar un desarrollo equitativo. La investigación también profundiza en cómo el acceso a Internet impacta el gasto familiar y otras dimensiones del bienestar, en línea con estudios que destacan su potencial para mejorar la eficiencia económica y el nivel de vida de los hogares. Metodológicamente, esta investigación adopta un enfoque cuantitativo, utilizando una regresión de efectos de tratamiento por cuantiles sobre una muestra representativa de la provincia de Arequipa, obtenida a partir de la Encuesta Residencial de Servicios de Telecomunicaciones (ERESTEL) a cargo de OSIPTEL. Los resultados revelan diferencias significativas basadas en variables socioeconómicas, las cuales influyen directamente en la distribución del gasto promedio mensual per cápita de los hogares. Los hogares con acceso a Internet tienden a tener un mayor gasto en alimentos y entretenimiento, y se observó una relación positiva entre el acceso a Internet y el bienestar económico, especialmente en áreas como educación y empleo, lo cual respalda teorías previas sobre el impacto positivo de la conectividad digital en el ingreso y el gasto de los hogares. Estos hallazgos subrayan la necesidad de políticas públicas orientadas a mejorar la accesibilidad y calidad del acceso a Internet en Arequipa, con el objetivo de reducir las disparidades socioeconómicas y promover un desarrollo equitativo en la región.

2. Relación entre acceso a internet y bienestar

Conceptualmente, las Tecnologías de la Información y Comunicación (TIC) se destacan por facilitar el acceso a información y conocimiento, lo cual genera importantes beneficios en diversas áreas. En este contexto, las TIC tienen el potencial de reducir asimetrías de información y disminuir costos de transacción (De Los Ríos, 2010). Gi-Soon (2005, citado en De Los Ríos, 2010) propone un modelo conceptual que describe la cadena de transmisión entre el acceso y uso de servicios de Internet y las mejoras económicas y sociales en el hogar. Este modelo se divide en dos partes. La primera parte sostiene que el acceso y uso de Internet permite una mejor toma de decisiones mediante la reducción de costos de transacción e incertidumbre, resultado del acceso a información más abundante y precisa, además de ahorros en tiempo y costos para obtenerla. La segunda parte del modelo sugiere que estas mejores decisiones económicas generan ganancias en productividad y eficiencia, y posibilitan una mayor diversificación, lo que se traduce en mejoras en compras, ventas y expansiones de mercado. Desde la perspectiva social, las mejores decisiones permiten una provisión más efectiva de servicios sociales, el fortalecimiento de redes sociales y de seguridad, así como una mayor descentralización, integración y participación. Estos beneficios tanto económicos como sociales resultan en mejoras en el bienestar general del hogar.

3. Efectos heterogéneos del acceso a internet sobre el bienestar

3.1. Datos

En el estudio ERESTEL 2022, se seleccionaron 680 observaciones de los 15,844 hogares entrevistados en la Encuesta Residencial de Servicios de Telecomunicaciones (ERESTEL). La muestra incluye hogares ubicados en distritos con cobertura de Internet en Arequipa. Se excluyen hogares sin cobertura técnica para contratar Internet y aquellos con jefes de hogar menores de 18 o mayores de 74 años.

3.2. Variables

La variable independiente es el logaritmo natural del gasto mensual per cápita del hogar, excluyendo servicios básicos y telecomunicaciones. Según Lasso y Frasser (2014), el ingreso o gasto permite a los miembros del hogar acceder a bienes que aumentan su bienestar. La variable de tratamiento es el acceso a internet (1 si el hogar tiene acceso, 0 si no). Las variables de control incluyen la edad y el nivel educativo del jefe de hogar (y sus términos cuadráticos), una variable que indica si el jefe de hogar es mujer, la proporción de miembros empleados, y variables que indican acceso a servicios básicos (agua, saneamiento, electricidad) y servicios de comunicación (teléfono, móvil, televisión de paga), así como si el hogar está en zonas rurales.

"""
Variables de interés:

- H/t1: ¿Su hogar cuenta con acceso a Internet?
- H/o8b: Decisión de contratar internet
- H/p13_4_1: Tenencia de Laptop, Notebook, Netbook y/o Ultrabook
- H/p13_3_1: Tenencia de Computadora de Escritorio (PC)
- H/gasto_pc_mensual: Gasto total por persona mensual
- H/p8: Tipo de servicio de agua
- H/p9: Tipo de servicio de alcantarillado
- H/p10: Tipo de servicio de Luz
- H/p14B_2: Gasto promedio del hogar en el último mes en: Agua?
- H/p14B_3: Gasto promedio del hogar en el último mes en: Luz?
- H/t8_1: Gasto en el servicio de Internet fijo de su hogar
- H/x8_1: Gasto en el servicio de televisión paga de su hogar
- H/r9_1: Gasto en el servicio de telefonía fija de su hogar
- H/m3_4: Gasto en el servicio de telefonía móvil de su hogar
- H/r1: Hogar con Teléfono Fijo
- H/r36: Teléfono Móvil
- H/x1: Televisión Paga
- H/area: Ubicación del hogar en zona urbana o rural
- P/q5: Años de edad del jefe de hogar
- P/q9: Nivel de estudio
- P/q9_1: Año alcanzado en el nivel de estudios
- P/q4: Sexo del jefe de Hogar
- P/n_personas: Número de miembros del Hogar
- P/empleo: Situación laboral
- P/ficha_st: Ficha de cuestionario por familia
"""

'\nVariables de interés:\n\n- H/t1: ¿Su hogar cuenta con acceso a Internet?\n- H/o8b: Decisión de contratar internet\n- H/p13_4_1: Tenencia de Laptop, Notebook, Netbook y/o Ultrabook\n- H/p13_3_1: Tenencia de Computadora de Escritorio (PC)\n- H/gasto_pc_mensual: Gasto total por persona mensual\n- H/p8: Tipo de servicio de agua\n- H/p9: Tipo de servicio de alcantarillado\n- H/p10: Tipo de servicio de Luz\n- H/p14B_2: Gasto promedio del hogar en el último mes en: Agua?\n- H/p14B_3: Gasto promedio del hogar en el último mes en: Luz?\n- H/t8_1: Gasto en el servicio de Internet fijo de su hogar\n- H/x8_1: Gasto en el servicio de televisión paga de su hogar\n- H/r9_1: Gasto en el servicio de telefonía fija de su hogar\n- H/m3_4: Gasto en el servicio de telefonía móvil de su hogar\n- H/r1: Hogar con Teléfono Fijo\n- H/r36: Teléfono Móvil\n- H/x1: Televisión Paga\n- H/area: Ubicación del hogar en zona urbana o rural\n- P/q5: Años de edad del jefe de hogar\n- P/q9: Nivel de estudio\n- P/q9_1: Año alcanzado en el nivel de estudios\n- P/q4: Sexo del jefe de Hogar\n- P/n_personas: Número de miembros del Hogar\n- P/empleo: Situación laboral\n- P/ficha_st: Ficha de cuestionario por familia\n'

stata.run('use "C:/Users/Nelson/Desktop/Base de datos/Archivos DTA/OSIPTEL_personas.dta", clear')

stata.run("""
* Generamos los años de estudios del jefe de Hogar
 
gen nivel_estudios = .
replace nivel_estudios = 0 if q9 == 1
replace nivel_estudios = 1 if inlist(q9, 2, 3, 4)
replace nivel_estudios = 7 if inlist(q9, 5, 6)
replace nivel_estudios = 12 if inlist(q9, 7, 8, 9, 10)
replace nivel_estudios = 17 if q9 == 11
gen años_estudios = nivel_estudios + q9_1
""")

. 
. * Generamos los años de estudios del jefe de Hogar
.  
. gen nivel_estudios = .
(53,363 missing values generated)

. replace nivel_estudios = 0 if q9 == 1
(926 real changes made)

. replace nivel_estudios = 1 if inlist(q9, 2, 3, 4)
(12,271 real changes made)

. replace nivel_estudios = 7 if inlist(q9, 5, 6)
(19,952 real changes made)

. replace nivel_estudios = 12 if inlist(q9, 7, 8, 9, 10)
(12,950 real changes made)

. replace nivel_estudios = 17 if q9 == 11
(129 real changes made)

. gen años_estudios = nivel_estudios + q9_1
(8,736 missing values generated)

.

stata.run("""
*Calculamos el ratio de ocupados

gen empleado_dummy = (empleo == 1)
sort ficha_st
by ficha_st: assert n_per[1] == n_per
by ficha_st: egen total_ocupados = total(empleado_dummy)
by ficha_st: gen total_miembros = n_per[1]
gen ratio_ocupados_miembros = total_ocupados / total_miembros""")

. 
. *Calculamos el ratio de ocupados
. 
. gen empleado_dummy = (empleo == 1)

. sort ficha_st

. by ficha_st: assert n_per[1] == n_per

. by ficha_st: egen total_ocupados = total(empleado_dummy)

. by ficha_st: gen total_miembros = n_per[1]

. gen ratio_ocupados_miembros = total_ocupados / total_miembros

.

stata.run("""
*Nos quedamos con la data de los titulares

keep if cod_per_st == "01"
save "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta", replace""")

. 
. *Nos quedamos con la data de los titulares
. 
. keep if cod_per_st == "01"
(37,870 observations deleted)

. save "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta", replace
file C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta saved

.

stata.run("""
* Cargamos los datos de la encuensta de Hogares

use "C:/Users/Nelson/Desktop/Base de datos/Archivos DTA/OSIPTEL_hogares.dta", clear""")

. 
. * Cargamos los datos de la encuensta de Hogares
. 
. use "C:/Users/Nelson/Desktop/Base de datos/Archivos DTA/OSIPTEL_hogares.dta",
>  clear

.

stata.run("""
* Mantenemos las variables de interes

keep ficha_st prov dist area t1 gasto_pc_mensual p8 p9 p10 r1 r36 x1 o8b p13_4_1 p13_3_1 m3_5 p14b_2 p14b_3 t8_1 x8_1 r9_1 m3_4""")

. 
. * Mantenemos las variables de interes
. 
. keep ficha_st prov dist area t1 gasto_pc_mensual p8 p9 p10 r1 r36 x1 o8b p13_
> 4_1 p13_3_1 m3_5 p14b_2 p14b_3 t8_1 x8_1 r9_1 m3_4

.

stata.run("""* Fusionamos la data de hogares con la de personas
merge 1:1 ficha_st using  "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta", keepusing(años_estudios ratio_ocupados_miembros q4 q5)""")

. * Fusionamos la data de hogares con la de personas
. merge 1:1 ficha_st using  "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefe
> s.dta", keepusing(años_estudios ratio_ocupados_miembros q4 q5)
(label POBREZA already defined)
(label NSE already defined)
(label muestra already defined)
(label Dominio already defined)
(label Estrato already defined)

    Result                      Number of obs
    -----------------------------------------
    Not matched                             0
    Matched                            15,493  (_merge==3)
    -----------------------------------------

.

stata.run("""
* Nos quedamos con las observaciones de la provincia de Arequipa
drop if prov !="AREQUIPA" """)

. 
. * Nos quedamos con las observaciones de la provincia de Arequipa
. drop if prov !="AREQUIPA" 
(14,809 observations deleted)

.

stata.run("""
*Generamos las variables de servicios basicos
gen agua = (p8 == 1)
gen desague = (p9 == 1)
gen luz = (p10 == 1)
generate servicios_basicos = (agua == 1 & desague == 1 & luz == 1)""")

. 
. *Generamos las variables de servicios basicos
. gen agua = (p8 == 1)

. gen desague = (p9 == 1)

. gen luz = (p10 == 1)

. generate servicios_basicos = (agua == 1 & desague == 1 & luz == 1)

.

stata.run("""
* Generamos las variables de acceso a teléfono fijo, móvil y televisión de paga
gen tel_fijo = (r1 == 1)
gen tel_mov = (r36 == 1)
gen tv_paga = (x1 == 1)
gen conectividad = (tel_fijo ==1 | tel_mov == 1 & tv_paga == 1)""")

. 
. * Generamos las variables de acceso a teléfono fijo, móvil y televisión de pa
> ga
. gen tel_fijo = (r1 == 1)

. gen tel_mov = (r36 == 1)

. gen tv_paga = (x1 == 1)

. gen conectividad = (tel_fijo ==1 | tel_mov == 1 & tv_paga == 1)

.

stata.run("""
* Generamos la variable de ubicación en zonas urbanas o rurales
generate ubicacion = (area == 2) """)

. 
. * Generamos la variable de ubicación en zonas urbanas o rurales
. generate ubicacion = (area == 2) 

.

stata.run("""
* Reemplazar valores faltantes por ceros
replace p14b_2 = 0 if missing(p14b_2)
replace p14b_3 = 0 if missing(p14b_3)
replace m3_5 = 0 if missing(m3_5)
replace p14b_2 = 0 if p14b_2 == -99
replace p14b_3 = 0 if p14b_3 == -99 """)

. 
. * Reemplazar valores faltantes por ceros
. replace p14b_2 = 0 if missing(p14b_2)
(0 real changes made)

. replace p14b_3 = 0 if missing(p14b_3)
(0 real changes made)

. replace m3_5 = 0 if missing(m3_5)
(505 real changes made)

. replace p14b_2 = 0 if p14b_2 == -99
(11 real changes made)

. replace p14b_3 = 0 if p14b_3 == -99 
(11 real changes made)

.

stata.run("""
* Creamos la variable dependiente sumando las tres variables
gen gastos_ad = p14b_2 + p14b_3 + m3_5
gen gasto_neto = gasto_pc_mensual-gastos_ad
gen ln_gasto = ln(gasto_neto)
drop if missing(ln_gasto) """)

. 
. * Creamos la variable dependiente sumando las tres variables
. gen gastos_ad = p14b_2 + p14b_3 + m3_5

. gen gasto_neto = gasto_pc_mensual-gastos_ad

. gen ln_gasto = ln(gasto_neto)
(4 missing values generated)

. drop if missing(ln_gasto) 
(4 observations deleted)

.

stata.run("""
* Generamos las variables de estudio y sexo
gen años_estudios_cuad = años_estudios^2
gen sexo = (q4 == 2) """)

. 
. * Generamos las variables de estudio y sexo
. gen años_estudios_cuad = años_estudios^2
(4 missing values generated)

. gen sexo = (q4 == 2) 

.

stata.run("""
* Generamos la variable de tratamiento
gen acceso_internet = (t1 == 1 | t1 ==2) """)

. 
. * Generamos la variable de tratamiento
. gen acceso_internet = (t1 == 1 | t1 ==2) 

.

stata.run("""
* Generamos la variable para el modelo probit
gen decision_internet = (o8b == 1)
gen comp_lap = (p13_3_1 == 1 & p13_4_1 == 1) """)

. 
. * Generamos la variable para el modelo probit
. gen decision_internet = (o8b == 1)

. gen comp_lap = (p13_3_1 == 1 & p13_4_1 == 1) 

.

3.3. Resultados

3.3.1 Análisis descriptivo del acceso a internet sobre el bienestar en Arequipa

stata.run("""
* Comparación de Características Socioeconómica
sum gasto_neto
sum q5 // Edad del jefe de hogar
sum años_estudios
sum sexo // Sexo del jefe de Hogar
sum ratio_ocupados_miembros
sum servicios_basicos
sum conectividad
sum acceso_internet
sum ubicacion """)

. 
. * Comparación de Características Socioeconómica
. sum gasto_neto

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
  gasto_neto |        680    629.8209    615.9767        3.4       5550

. sum q5 // Edad del jefe de hogar

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
          q5 |        680    46.07353    14.89553         18         92

. sum años_estudios

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
años_estud~s |        676    13.18935    3.223011          2         19

. sum sexo // Sexo del jefe de Hogar

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
        sexo |        680    .4235294    .4944814          0          1

. sum ratio_ocupados_miembros

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
ratio_ocup~s |        680    .5178519    .2952834          0          1

. sum servicios_basicos

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
servicios_~s |        680    .8161765    .3876253          0          1

. sum conectividad

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
conectividad |        680    .3632353    .4812858          0          1

. sum acceso_internet

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
acceso_int~t |        680    .4514706    .4980056          0          1

. sum ubicacion 

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
   ubicacion |        680         .05    .2181054          0          1

.

La Tabla 1 hace una comparación de características de la muestra elegida con la muestra total de la ERESTEL 2022. Como puede observarse, las características socioeconómicas de los hogares en ambas muestras guardan mucha similitud, a pesar de la reducción en el número de observaciones.

stata.run("""
* Tabla 1
matrix table_content = (569.24, 625.51) \ (46.63, 46.16) \ (12.04, 13.18) \ (51.87, 51.77) \ (32.61, 42.25) \ (78.78, 81.73) \ (55.87, 45.14) \ (36.99, 36.40) \ (16.74, 4.97)
matrix rownames table_content = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%)HTSB" "HTSI" "HTSTTP" "HUAR"

/* Donde:
- GMPF: Gasto mensual per cápita familiar
- AJH": Años del jefe de hogar 
- AEJH: Años de educación del jefe de hogar
- (%)ROMH: Porcentaje de Ratio ocupados/miembros en el hogar
- (%)HCJM: Porcentaje de Hogares cuyo jefe es mujer
- (%)HTSB: Porcentaje de Hogares que tienen todos los servicios básicos
- (%)HTSI: Porcentaje de Hogares que tienen el servicio de internet
- (%)HTSTTP: Porcentaje de Hogares que tienen el servicio de telefonía y televisión de paga
- (%)HUAR: Porcentaje de Hogares ubicados en el ámbito rural
 */
 
matrix colnames table_content = "Población" "Muestra"
matlist table_content """)

. 
. * Tabla 1
. matrix table_content = (569.24, 625.51) \ (46.63, 46.16) \ (12.04, 13.18) \ (
> 51.87, 51.77) \ (32.61, 42.25) \ (78.78, 81.73) \ (55.87, 45.14) \ (36.99, 36
> .40) \ (16.74, 4.97)

. matrix rownames table_content = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%)H
> TSB" "HTSI" "HTSTTP" "HUAR"

. 
. /* Donde:
> - GMPF: Gasto mensual per cápita familiar
> - AJH": Años del jefe de hogar 
> - AEJH: Años de educación del jefe de hogar
> - (%)ROMH: Porcentaje de Ratio ocupados/miembros en el hogar
> - (%)HCJM: Porcentaje de Hogares cuyo jefe es mujer
> - (%)HTSB: Porcentaje de Hogares que tienen todos los servicios básicos
> - (%)HTSI: Porcentaje de Hogares que tienen el servicio de internet
> - (%)HTSTTP: Porcentaje de Hogares que tienen el servicio de telefonía y tele
> visión de paga
> - (%)HUAR: Porcentaje de Hogares ubicados en el ámbito rural
>  */
.  
. matrix colnames table_content = "Población" "Muestra"

. matlist table_content 

             | Población    Muestra 
-------------+---------------------
        GMPF |    569.24     625.51 
         AJH |     46.63      46.16 
        AEJH |     12.04      13.18 
     (%)ROMH |     51.87      51.77 
     (%)HCJM |     32.61      42.25 
     (%)HTSB |     78.78      81.73 
        HTSI |     55.87      45.14 
      HTSTTP |     36.99       36.4 
        HUAR |     16.74       4.97 

.

stata.run("""
* Comparación de Características Socioeconómicas de los Hogares con y sin Internet
sum gasto_neto if acceso_internet == 1
sum gasto_neto if acceso_internet == 0
sum q5 if acceso_internet == 1
sum q5 if acceso_internet == 0
sum años_estudios if acceso_internet == 1
sum años_estudios if acceso_internet == 0
sum sexo if acceso_internet == 1
sum sexo if acceso_internet == 0
sum ratio_ocupados_miembros if acceso_internet == 1
sum ratio_ocupados_miembros if acceso_internet == 0
sum servicios_basicos if acceso_internet == 1
sum servicios_basicos if acceso_internet == 0
sum conectividad if acceso_internet == 1
sum conectividad if acceso_internet == 0
sum ubicacion if acceso_internet == 1
sum ubicacion if acceso_internet == 0 """)

. 
. * Comparación de Características Socioeconómicas de los Hogares con y sin Int
> ernet
. sum gasto_neto if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
  gasto_neto |        307    728.4035    765.8066      66.25       5550

. sum gasto_neto if acceso_internet == 0

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
  gasto_neto |        373    548.6819    442.1819        3.4   4236.667

. sum q5 if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
          q5 |        307    44.33876    14.76137         20         80

. sum q5 if acceso_internet == 0

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
          q5 |        373    47.50134    14.87341         18         92

. sum años_estudios if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
años_estud~s |        307    12.52117     3.20468          2         18

. sum años_estudios if acceso_internet == 0

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
años_estud~s |        369    13.74526    3.135549          3         19

. sum sexo if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
        sexo |        307    .4918567    .5007499          0          1

. sum sexo if acceso_internet == 0

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
        sexo |        373    .3672922    .4827146          0          1

. sum ratio_ocupados_miembros if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
ratio_ocup~s |        307    .5103459    .3221023          0          1

. sum ratio_ocupados_miembros if acceso_internet == 0

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
ratio_ocup~s |        373    .5240298    .2715179          0          1

. sum servicios_basicos if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
servicios_~s |        307    .7361564    .4414351          0          1

. sum servicios_basicos if acceso_internet == 0

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
servicios_~s |        373    .8820375    .3229969          0          1

. sum conectividad if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
conectividad |        307    .1335505    .3407241          0          1

. sum conectividad if acceso_internet == 0

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
conectividad |        373    .5522788    .4979273          0          1

. sum ubicacion if acceso_internet == 1

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
   ubicacion |        307    .0521173    .2226264          0          1

. sum ubicacion if acceso_internet == 0 

    Variable |        Obs        Mean    Std. dev.       Min        Max
-------------+---------------------------------------------------------
   ubicacion |        373    .0482574    .2145974          0          1

.

Por otro lado, la Tabla 2, presenta algunos rasgos básicos que sugieren que en la muestra utilizada existen algunas diferencias en las características observadas de hogares con Internet y sin Internet. Particularmente, destaca que los hogares con internet tienen un mayor nivel de gasto per cápita familiar, un nivel de educación más alto, y cuentan con mayor acceso a servicios básicos y a otros servicios de telecomunicaciones.

stata.run("""
* Tabla 2
matrix table_content1 = (629.21, 527.91) \ (45.29, 69.28) \ (13.31, 9.92) \ (52.06, 44.00) \ (43.09, 20.00) \ (82.70, 56.00) \ (37.33, 12.00) \ (5.01, 4.00) 
matrix rownames table_content1 = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%)HTSB" "(%)HTSTTP" "(%)HUAR"

matrix colnames table_content1 = "Con internet" "Sin internet"
matlist table_content1 """)

. 
. * Tabla 2
. matrix table_content1 = (629.21, 527.91) \ (45.29, 69.28) \ (13.31, 9.92) \ (
> 52.06, 44.00) \ (43.09, 20.00) \ (82.70, 56.00) \ (37.33, 12.00) \ (5.01, 4.0
> 0) 

. matrix rownames table_content1 = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%)
> HTSB" "(%)HTSTTP" "(%)HUAR"

. 
. matrix colnames table_content1 = "Con internet" "Sin internet"

. matlist table_content1 

             | Con int~t  Sin int~t 
-------------+---------------------
        GMPF |    629.21     527.91 
         AJH |     45.29      69.28 
        AEJH |     13.31       9.92 
     (%)ROMH |     52.06         44 
     (%)HCJM |     43.09         20 
     (%)HTSB |      82.7         56 
   (%)HTSTTP |     37.33         12 
     (%)HUAR |      5.01          4 

.

Así, aparentemente existe una correlación positiva que podría sugerir establecer una relación causal entre la tenencia del servicio de Internet en la vivienda y mejoras del nivel de bienestar del hogar que se observan en un mayor nivel de gasto familiar. Sin embargo, esta mayor capacidad de gasto de un hogar también puede atribuirse a que los hogares con internet tienen generalmente un jefe con mayor capital humano (más educación y experiencia laboral) o cuentan con acceso a otros servicios que también contribuirían a tener un mejor bienestar que un hogar sin internet.

3.3.2 Análisis de efectos heterogéneos

La Estimación de los Efectos del Tratamiento Cuantil (Quantile Treatment Effect, QTE) nos dan la capacidad de los modelos de regresión cuantil para caracterizar el impacto heterogéneo de las variables en diferentes puntos de una distribución de resultado (Chernozhukov & Hansen, 2006). A diferencia de las técnicas tradicionales de regresión, que se centran en el efecto promedio del tratamiento, la QTE permite observar los efectos en diferentes puntos de la distribución

Los resultados de la regresión QTE muestran que en la provincia de Arequipa, la tenencia de internet incrementa el bienestar al aumentar la capacidad de gasto en el hogar. Este efecto es estadísticamente significativo tanto en los cuantiles inferiores como en los superiores. Sin embargo, en los cuantiles 0.2 y 0.6, los coeficientes no son significativos, lo que podría solucionarse con un filtrado de datos más profundo. En todos los cuantiles, los hogares con internet tienen un mayor gasto familiar comparado con aquellos sin internet. Por ejemplo, en el cuantil 0.1, el gasto es aproximadamente un 3.82% mayor en hogares con acceso a internet. Los mayores impactos se observan en los cuantiles 0.05 y 0.95, donde los QTEs condicionales son de mayor magnitud en comparación con otros cuantiles.

stata.run("""
* Corregimos el sesgo de selección - Metodo de 2 etapas
heckman decision_internet q5 años_estudios años_estudios_cuad sexo ratio_ocupados_miembros servicios_basicos conectividad ubicacion, select(comp_lap = q5 años_estudios años_estudios_cuad sexo ratio_ocupados_miembros servicios_basicos conectividad ubicacion) twostep mills(lambhat)
predict y_hat, xb
gen residuals = decision_internet - y_hat """)

. 
. * Corregimos el sesgo de selección - Metodo de 2 etapas
. heckman decision_internet q5 años_estudios años_estudios_cuad sexo ratio_ocup
> ados_miembros servicios_basicos conectividad ubicacion, select(comp_lap = q5 
> años_estudios años_estudios_cuad sexo ratio_ocupados_miembros servicios_basic
> os conectividad ubicacion) twostep mills(lambhat)

Heckman selection model -- two-step estimates   Number of obs     =        676
(regression model with sample selection)              Selected    =        278
                                                      Nonselected =        398

                                                Wald chi2(8)      =       5.95
                                                Prob > chi2       =     0.6534

------------------------------------------------------------------------------
             | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
decision_i~t |
          q5 |   .0003887    .000729     0.53   0.594    -.0010401    .0018176
años_estud~s |  -.0054192   .0262886    -0.21   0.837    -.0569438    .0461055
años_estud~d |   .0001754    .000864     0.20   0.839     -.001518    .0018687
        sexo |  -.0095742   .0443121    -0.22   0.829    -.0964243     .077276
ratio_ocup~s |   .0350056   .0576865     0.61   0.544    -.0780578     .148069
servicios_~s |   .0500901   .0688959     0.73   0.467    -.0849434    .1851236
conectividad |  -.0170831   .1334676    -0.13   0.898    -.2786748    .2445086
   ubicacion |  -.0429349   .0668215    -0.64   0.521    -.1739026    .0880328
       _cons |  -.0420468   .5825124    -0.07   0.942     -1.18375    1.099657
-------------+----------------------------------------------------------------
comp_lap     |
          q5 |   .0009016   .0039061     0.23   0.817    -.0067543    .0085574
años_estud~s |   .0386449   .0987605     0.39   0.696    -.1549221     .232212
años_estud~d |    .002085   .0039732     0.52   0.600    -.0057022    .0098723
        sexo |  -.2459523   .1077023    -2.28   0.022    -.4570449   -.0348598
ratio_ocup~s |   .2951522   .1833737     1.61   0.107    -.0642536    .6545581
servicios_~s |   .3297146   .1469713     2.24   0.025     .0416562     .617773
conectividad |   .8065926   .1123432     7.18   0.000     .5864039    1.026781
   ubicacion |  -.2310132   .2635905    -0.88   0.381    -.7476411    .2856147
       _cons |  -1.791596   .7088819    -2.53   0.011    -3.180979   -.4022133
-------------+----------------------------------------------------------------
/mills       |
      lambda |   .0454436   .2609445     0.17   0.862    -.4659982    .5568855
-------------+----------------------------------------------------------------
         rho |    0.30842
       sigma |  .14734533
------------------------------------------------------------------------------

. predict y_hat, xb
(4 missing values generated)

. gen residuals = decision_internet - y_hat 
(4 missing values generated)

.

stata.run("""
*Tabla 3: Resultados de la Estimación del Impacto de la Tenencia del Servicio de Internet Sobre el Gasto Familiar por Medio de la Regresión por Cuantiles Condicional

*** Planteamos el modelo de Efectos del tratamiento cuantil condicional
ivqte ln_gasto (acceso_internet), variance dummy(servicios_basicos conectividad ubicacion sexo) ///
continuous(q5 años_estudios años_estudios_cuad ratio_ocupados_miembros residuals) quantiles(.01(.1).99) """)

. 
. *Tabla 3: Resultados de la Estimación del Impacto de la Tenencia del Servicio
>  de Internet Sobre el Gasto Familiar por Medio de la Regresión por Cuantiles 
> Condicional
. 
. *** Planteamos el modelo de Efectos del tratamiento cuantil condicional
. ivqte ln_gasto (acceso_internet), variance dummy(servicios_basicos conectivid
> ad ubicacion sexo) ///
> continuous(q5 años_estudios años_estudios_cuad ratio_ocupados_miembros residu
> als) quantiles(.01(.1).99) 
31 observations have been trimmed. 645 observations are left after trimming.

Unconditional Quantile Treatment Effects under exogeneity
Estimator suggested in Firpo (2007)

Quantile(s):                 .01 .11 .21 .31 .41 .51 .61 .71 .81 .91
Dependent variable:          ln_gasto
Treatment variable:          acceso_internet
Control variable(s):         q5 años_estudios años_estudios_cuad ratio_ocupados
> _miembros residuals servicios_basicos conectividad ubicacion sexo 
Number of observations:      676

Propensity score estimated by local logit regression with h = infinity and lamb
> da = 1
Variance estimated using local logit regression with h = infinity and lambda = 
> 1

------------------------------------------------------------------------------
    ln_gasto | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
  Quantile_1 |   1.290464   .6798015     1.90   0.058    -.0419224    2.622851
  Quantile_2 |   .1850405   .1138238     1.63   0.104    -.0380501    .4081311
  Quantile_3 |   .0125661   .0843318     0.15   0.882    -.1527213    .1778534
  Quantile_4 |  -.0351958   .0796617    -0.44   0.659    -.1913298    .1209381
  Quantile_5 |  -.0422587   .0821689    -0.51   0.607    -.2033069    .1187894
  Quantile_6 |   .0199938   .0933119     0.21   0.830    -.1628942    .2028817
  Quantile_7 |   .0665779   .1095154     0.61   0.543    -.1480683    .2812241
  Quantile_8 |   .2299004   .1328348     1.73   0.084     -.030451    .4902517
  Quantile_9 |   .2807546   .1421643     1.97   0.048     .0021177    .5593915
 Quantile_10 |   .3386874   .1219116     2.78   0.005      .099745    .5776299
------------------------------------------------------------------------------

.

# Dado que el comando ivqte no tiene una función que grafique los coeficiente, lo realizamos con python
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
cuantiles = np.arange(0.01, 1.00, 0.01)
coeficientes = [1.290464, 0.795567, 0.8385205, 0.7620282, 0.3818111, 0.271297,
                0.1653237, 0.1233001, 0.079896, 0.1778665, 0.1850405, 0.1493874,
                0.1273994, 0.1287022, 0.08535, 0.0759335, 0.0547991, 0.0486455,
                0.0296259, 0.020731, 0.0125661, 0.019208, 0.0361304, 0.0356579,
                0.0250297, 0.0109539, 0.0109897, -0.0156088, -0.0139565, -0.0237002,
                -0.0351958, -0.0380869, -0.0502744, -0.0370522, -0.027081, -0.0379033,
                -0.0206971, -0.0279088, -0.0422325, -0.0387578, -0.0422587, -0.0333996,
                -0.0058751, -0.0184064, -0.0132699, -0.0497847, -0.0425873, -0.0577559,
                -0.041039, -0.0050206, 0.0199938, 0.0217719, 0.0239668, 0.0141721,
                0.0292182, 0.0388331, 0.0439467, 0.086319, 0.0966282, 0.1087108,
                0.0665779, 0.0819921, 0.1251822, 0.1334157, 0.1381764, 0.1485863,
                0.1774354, 0.2064772, 0.2481537, 0.2264066, 0.2299004, 0.2409449,
                0.2241607, 0.2478108, 0.2665935, 0.2939596, 0.2576842, 0.2307816,
                0.2886076, 0.2653275, 0.2807546, 0.2839012, 0.2626719, 0.2921681,
                0.297184, 0.3378878, 0.3015952, 0.334475, 0.3625169, 0.3626013,
                0.3386874, 0.2938848, 0.2366824, 0.199708, 0.2790437, 0.3326893,
                0.3989868, 0.5911894, 0.656548]

df = pd.DataFrame({
    'Cuantiles': cuantiles,
    'Coeficientes': coeficientes
})

La Figura 1 muestra que los hogares en los primeros y últimos 15 cuantiles de la distribución condicional del consumo familiar registran mayores efectos positivos por la tenencia de internet en comparación con los hogares en los cuantiles intermedios. Se observa un comportamiento heterogéneo en toda la distribución, con un gran aumento en el cuantil 0.1, disminución hasta valores cercanos a 0, y un aumento pronunciado desde el cuantil 0.5 hasta el 0.95.

# Graficar
plt.figure(figsize=(10, 6))
plt.plot(df['Cuantiles'], df['Coeficientes'], marker='o', linestyle='-')
plt.title('Figura 1: Distribución del Coeficiente Estimado (Delta) de la regresión QTEs Condicional')
plt.xlabel('Cuantiles')
plt.ylabel('Coeficientes')
plt.grid(True)
plt.show()

Tal como se puede observar, los mayores impactos se registran en los cuantiles superiores (“ricos”) y, en menor medida, en los inferiores (“pobres”), sugiriendo un efecto más fuerte y heterogéneo del acceso a internet en estos hogares.

4. Limitaciones del estudio

Este estudio se limita a la provincia de Arequipa, por lo que los resultados no son necesariamente generalizables a otras regiones de Perú. Además, el uso del gasto familiar como proxy para medir el bienestar puede no capturar completamente la complejidad del bienestar humano.

El estudio se basa en una muestra de 680 hogares de la provincia de Arequipa, lo que limita la generalización de los resultados a otras regiones o a la población peruana en general. (Calatayud Mendoza et al., 2023)

Se utiliza el gasto familiar como proxy para medir el bienestar. Esta medida puede no capturar completamente otros aspectos del bienestar, como la salud, la educación o la satisfacción con la vida. (Flores-Cueto et al., 2020)

Aunque se han incluido variables de control para minimizar el sesgo, es posible que se hayan omitido otros factores que podrían estar influyendo en la relación entre el acceso a internet y el bienestar. (Martínez Domínguez & Gómez Navarro, 2024)

Conclusiones

Se concluye que existen diferencias significativas en el acceso a Internet dentro de la población estudiada en Arequipa. Estas disparidades parecen estar influenciadas por variables socioeconómicas que determinan el nivel de conectividad de los hogares en la región. Además, se ha observado que las desigualdades en el acceso a Internet impactan directamente en la distribución del gasto promedio mensual per cápita familiar. Esto sugiere que el nivel de conectividad digital de los hogares está relacionado con sus patrones de gasto, lo que puede influir en su bienestar económico.

Por último, a través de la regresión cuantílica utilizada en el estudio, se evaluó la relación entre el nivel de acceso a Internet y el bienestar económico de los hogares en Arequipa. Los resultados indican que el acceso a Internet puede tener un impacto heterogéneo en el gasto mensual per cápita, sugiriendo que esta tecnología puede influir de manera diferenciada en el bienestar económico de los hogares, dependiendo de su nivel de conectividad.

Referencias Bibliográficas

Bakar, A. A., Osman, M. M., Bachok, S., Zen, I., Abdullah, A., & Abdullah, M. F. (2017). A theoretical assessment on sustainable wellbeing indicators for people interrelationships. Planning Malaysia, 15(1), 21–30. https://doi.org/10.21837/pmjournal.v15.i6.219
Calatayud Mendoza, A. P., Llerena-Zea, B. A., Villahermosa-Quispe, E., Schettini-Chialchia, P., & Flores-Quispe, L. R. (2023). Impacto del acceso a internet en el ingreso económico en los hogares del departamento de Puno, Perú. Lecturas de Economía, 99, 175-207. https://doi.org/10.17533/udea.le.n99a352419
Chernozhukov, V., & Hansen, C. (2006). Instrumental quantile regression inference for structural and treatment effect models. Journal of Econometrics, 132(2), 491-525. https://doi.org/10.1111/j.1468-0262.2005.00570.x
Cheung, Y.-L., Mak, B. S. C., Shu, H., & Tan, W. (2023). Impact of financial investment on confidence in a happy future retirement. International Review of Financial Analysis, 89, 102784. https://doi.org/10.1016/j.irfa.2023.102784
De Los Ríos, C. A. (2010). Impacto del Uso de Internet en el Bienestar de los Hogares Peruanos. Lima: Diálogo Regional sobre Sociedad de la Información
Flores-Cueto, J. J., Hernández, R. M., & Garay-Argandoña, R. (2020). Tecnologías de información: Acceso a internet y brecha digital en Perú. Revista Venezolana de Gerencia, 25(90), 504-527. https://www.redalyc.org/journal/290/29063559007/
Lasso V., F. J., & Frasser L., C. C. (2015). Calidad del empleo y bienestar: un análisis con escalas de equivalencia. Ensayos sobre Política Económica, 33(77), 117-132. https://doi.org/10.1016/j.espe.2014.11.001
Lijadi, A. A. (2023). Research on Well-being: Measuring “Good Life”, Shifting Values, and Cross-cultural Applicability. Journal of Psychological Research, 5(1), 17–19. https://doi.org/10.30564/jpr.v5i1.5506
Martínez Domínguez, M., & Gómez Navarro, D. (2024). Brecha digital en la población indígena de Oaxaca. Evidencia del acceso a Internet. InMediaciones de la Comunicación, 19(1), 239-263. https://doi.org/10.18861/ic.2024.19.1.3557
Meyer, B. D., & Sullivan, J. X. (2003). Measuring the Well-Being of the Poor Using Income and Consumption. The Journal of Human Resources, 38, 1180–1220. https://doi.org/10.2307/3558985
Galán, F. J. S. (2022). La brecha digital en los hogares españoles: Factores sociodemográficos en el acceso a las TIC en tiempos de la pandemia de la COVID-19. Sistema, pp. 29-48.
Rodríguez Teúbal, I. (n.d.). Productividad en la Era de Internet. In Sexto Congreso de Economía Navarra. Asesores Financieros Internacionales. https://www.navarra.es/NR/rdonlyres/CF39DC2A-05CE-4F15-BA66-14D828055E35/79673/03ignaciorodriguez.pdf
Silva, A. C. (2018). Civic Organizations and Internet Social Networks: A Case Study in the Province of Buenos Aires. Latin American Perspectives, 45(3), 236-249. https://doi.org/10.1177/0094582X18766919
Soto Tovar, N. E. (2021). Impacto del acceso al servicio de internet en los ingresos per cápita de los hogares de la región central, año 2019 [UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ]. http://hdl.handle.net/20.500.12894/7146
Tenaglia, S. (2022). Gli indicatori di benessere nella programmazione economica in Italia. Sinappsi, 12(1), 14–25. https://doi.org/10.53223/sinappsi_2022-01-2
Tesouro Cid, M., & Puiggalí Allepuz, J. (2004, julio). Evolución y Utilización de Internet en la Educación. Revista de Medios y Educación, (24), 59-67. https://idus.us.es/bitstream/handle/11441/45584/file_1.pdf?sequence=1&isAllowed=y

--- title: Efectos heterogéneos del acceso a internet sobre el bienestar de los hogares en la provincia de Arequipa, 2022 subtitle: Application in Stata date: June 11, 2024 author: name: Nelson Brayan Mamani Flores theme: journal format: html: toc: true code-tools: true jupyter: python3 --- ```python pip install stata-setup -q ``` Note: you may need to restart the kernel to use updated packages. ```python import stata_setup stata_setup.config("C:/Program Files/Stata18", "se") from pystata import stata ``` ___ ____ ____ ____ ____ ® /__ / ____/ / ____/ StataNow 18.5 ___/ / /___/ / /___/ SE—Standard Edition Statistics and Data Science Copyright 1985-2023 StataCorp LLC StataCorp 4905 Lakeway Drive College Station, Texas 77845 USA 800-782-8272 https://www.stata.com 979-696-4600 service@stata.com Stata license: Single-user , expiring 26 Aug 2024 Serial number: 401809395015 Licensed to: Nelson UNSA Notes: 1. Unicode is supported; see help unicode_advice. 2. Maximum number of variables is set to 5,000 but can be increased; see help set_maxvar. ## Resumen El presente trabajo de investigación tiene como objetivo analizar los efectos heterogéneos del acceso a internet sobre el bienestar de los hogares en la provincia de Arequipa en 2022. Se utilizó un enfoque mixto, combinando un análisis de la literatura existente con la metodología de efectos del tratamiento por cuantiles (QTEs), basado en los datos de la Encuesta Residencial de Servicios de Telecomunicaciones de 2022. Los resultados muestran que el acceso a internet incrementa el bienestar al aumentar la capacidad de gasto de los hogares, especialmente en los cuantiles extremos de la distribución del gasto familiar. Los hogares con acceso a internet presentan un mayor gasto per cápita en comparación con aquellos sin acceso, sugiriendo una correlación positiva entre el acceso a internet y las mejoras en el bienestar. Se concluye que el acceso a internet es un factor clave para el aumento del bienestar de los hogares en la provincia de Arequipa. **keywords:** Efectos heterogéneos, bienestar, internet, gasto, QTEs. ## 1 . Introducción El presente trabajo de investigación analiza el impacto heterogéneo del acceso a Internet en el bienestar de los hogares en la provincia de Arequipa. En este estudio, el acceso a Internet se entiende como la capacidad de los hogares para conectarse a la red mediante dispositivos como computadoras, teléfonos inteligentes, entre otros (Botello, 2013). Por otro lado, el bienestar se refiere a la capacidad de satisfacer necesidades básicas y disfrutar de comodidades adicionales (Schor, 2011). Según datos del Instituto Nacional de Estadística e Informática (INEI, 2017), el 35,2% de los hogares en Arequipa cuenta con acceso a Internet. A pesar de la rápida expansión de la conectividad, persisten disparidades en los efectos sobre el bienestar, tales como brechas en el acceso a la información, aislamiento digital y desigualdades educativas (MTC, 2023). Estas diferencias responden a factores socioeconómicos, culturales, educativos y geográficos, que profundizan la brecha digital y aumentan el riesgo de exclusión social, afectando áreas críticas como la educación y el empleo (Olarte, 2017). El debate teórico sobre el impacto económico del acceso a Internet se ha centrado en su capacidad para mejorar la eficiencia y el bienestar mediante la facilitación del flujo de información entre agentes económicos. En este sentido, estudios como el de Ruiz y Ortiz (2014) señalan un impacto positivo en los ingresos y el gasto total de los hogares. El objetivo de esta investigación es analizar el efecto heterogéneo del acceso a Internet en el bienestar de los hogares en Arequipa. Específicamente, se busca identificar disparidades en el acceso a Internet y analizar cómo las diferencias socioeconómicas influyen en el gasto mensual per cápita. Además, se evaluará la relación entre el nivel de acceso a Internet y el bienestar económico de los hogares mediante una regresión cuantílica para estimar los efectos heterogéneos del acceso sobre el gasto mensual per cápita. Este estudio examina cómo la conectividad digital afecta el gasto promedio mensual per cápita en Arequipa, una región con un acceso creciente a tecnologías de la información. Considerando la rápida expansión del Internet y las disparidades socioeconómicas, entender los efectos heterogéneos de la conectividad en el bienestar económico es crucial para el diseño de políticas públicas que busquen reducir desigualdades y fomentar un desarrollo equitativo. La investigación también profundiza en cómo el acceso a Internet impacta el gasto familiar y otras dimensiones del bienestar, en línea con estudios que destacan su potencial para mejorar la eficiencia económica y el nivel de vida de los hogares. Metodológicamente, esta investigación adopta un enfoque cuantitativo, utilizando una regresión de efectos de tratamiento por cuantiles sobre una muestra representativa de la provincia de Arequipa, obtenida a partir de la Encuesta Residencial de Servicios de Telecomunicaciones (ERESTEL) a cargo de OSIPTEL. Los resultados revelan diferencias significativas basadas en variables socioeconómicas, las cuales influyen directamente en la distribución del gasto promedio mensual per cápita de los hogares. Los hogares con acceso a Internet tienden a tener un mayor gasto en alimentos y entretenimiento, y se observó una relación positiva entre el acceso a Internet y el bienestar económico, especialmente en áreas como educación y empleo, lo cual respalda teorías previas sobre el impacto positivo de la conectividad digital en el ingreso y el gasto de los hogares. Estos hallazgos subrayan la necesidad de políticas públicas orientadas a mejorar la accesibilidad y calidad del acceso a Internet en Arequipa, con el objetivo de reducir las disparidades socioeconómicas y promover un desarrollo equitativo en la región. ## 2. Relación entre acceso a internet y bienestar Conceptualmente, las Tecnologías de la Información y Comunicación (TIC) se destacan por facilitar el acceso a información y conocimiento, lo cual genera importantes beneficios en diversas áreas. En este contexto, las TIC tienen el potencial de reducir asimetrías de información y disminuir costos de transacción (De Los Ríos, 2010). Gi-Soon (2005, citado en De Los Ríos, 2010) propone un modelo conceptual que describe la cadena de transmisión entre el acceso y uso de servicios de Internet y las mejoras económicas y sociales en el hogar. Este modelo se divide en dos partes. La primera parte sostiene que el acceso y uso de Internet permite una mejor toma de decisiones mediante la reducción de costos de transacción e incertidumbre, resultado del acceso a información más abundante y precisa, además de ahorros en tiempo y costos para obtenerla. La segunda parte del modelo sugiere que estas mejores decisiones económicas generan ganancias en productividad y eficiencia, y posibilitan una mayor diversificación, lo que se traduce en mejoras en compras, ventas y expansiones de mercado. Desde la perspectiva social, las mejores decisiones permiten una provisión más efectiva de servicios sociales, el fortalecimiento de redes sociales y de seguridad, así como una mayor descentralización, integración y participación. Estos beneficios tanto económicos como sociales resultan en mejoras en el bienestar general del hogar. ## 3. Efectos heterogéneos del acceso a internet sobre el bienestar ### 3.1. Datos En el estudio ERESTEL 2022, se seleccionaron 680 observaciones de los 15,844 hogares entrevistados en la Encuesta Residencial de Servicios de Telecomunicaciones (ERESTEL). La muestra incluye hogares ubicados en distritos con cobertura de Internet en Arequipa. Se excluyen hogares sin cobertura técnica para contratar Internet y aquellos con jefes de hogar menores de 18 o mayores de 74 años. ### 3.2. Variables La variable independiente es el logaritmo natural del gasto mensual per cápita del hogar, excluyendo servicios básicos y telecomunicaciones. Según Lasso y Frasser (2014), el ingreso o gasto permite a los miembros del hogar acceder a bienes que aumentan su bienestar. La variable de tratamiento es el acceso a internet (1 si el hogar tiene acceso, 0 si no). Las variables de control incluyen la edad y el nivel educativo del jefe de hogar (y sus términos cuadráticos), una variable que indica si el jefe de hogar es mujer, la proporción de miembros empleados, y variables que indican acceso a servicios básicos (agua, saneamiento, electricidad) y servicios de comunicación (teléfono, móvil, televisión de paga), así como si el hogar está en zonas rurales. ```python """ Variables de interés: - H/t1: ¿Su hogar cuenta con acceso a Internet? - H/o8b: Decisión de contratar internet - H/p13_4_1: Tenencia de Laptop, Notebook, Netbook y/o Ultrabook - H/p13_3_1: Tenencia de Computadora de Escritorio (PC) - H/gasto_pc_mensual: Gasto total por persona mensual - H/p8: Tipo de servicio de agua - H/p9: Tipo de servicio de alcantarillado - H/p10: Tipo de servicio de Luz - H/p14B_2: Gasto promedio del hogar en el último mes en: Agua? - H/p14B_3: Gasto promedio del hogar en el último mes en: Luz? - H/t8_1: Gasto en el servicio de Internet fijo de su hogar - H/x8_1: Gasto en el servicio de televisión paga de su hogar - H/r9_1: Gasto en el servicio de telefonía fija de su hogar - H/m3_4: Gasto en el servicio de telefonía móvil de su hogar - H/r1: Hogar con Teléfono Fijo - H/r36: Teléfono Móvil - H/x1: Televisión Paga - H/area: Ubicación del hogar en zona urbana o rural - P/q5: Años de edad del jefe de hogar - P/q9: Nivel de estudio - P/q9_1: Año alcanzado en el nivel de estudios - P/q4: Sexo del jefe de Hogar - P/n_personas: Número de miembros del Hogar - P/empleo: Situación laboral - P/ficha_st: Ficha de cuestionario por familia """ ``` '\nVariables de interés:\n\n- H/t1: ¿Su hogar cuenta con acceso a Internet?\n- H/o8b: Decisión de contratar internet\n- H/p13_4_1: Tenencia de Laptop, Notebook, Netbook y/o Ultrabook\n- H/p13_3_1: Tenencia de Computadora de Escritorio (PC)\n- H/gasto_pc_mensual: Gasto total por persona mensual\n- H/p8: Tipo de servicio de agua\n- H/p9: Tipo de servicio de alcantarillado\n- H/p10: Tipo de servicio de Luz\n- H/p14B_2: Gasto promedio del hogar en el último mes en: Agua?\n- H/p14B_3: Gasto promedio del hogar en el último mes en: Luz?\n- H/t8_1: Gasto en el servicio de Internet fijo de su hogar\n- H/x8_1: Gasto en el servicio de televisión paga de su hogar\n- H/r9_1: Gasto en el servicio de telefonía fija de su hogar\n- H/m3_4: Gasto en el servicio de telefonía móvil de su hogar\n- H/r1: Hogar con Teléfono Fijo\n- H/r36: Teléfono Móvil\n- H/x1: Televisión Paga\n- H/area: Ubicación del hogar en zona urbana o rural\n- P/q5: Años de edad del jefe de hogar\n- P/q9: Nivel de estudio\n- P/q9_1: Año alcanzado en el nivel de estudios\n- P/q4: Sexo del jefe de Hogar\n- P/n_personas: Número de miembros del Hogar\n- P/empleo: Situación laboral\n- P/ficha_st: Ficha de cuestionario por familia\n' ```python stata.run('use "C:/Users/Nelson/Desktop/Base de datos/Archivos DTA/OSIPTEL_personas.dta", clear') ``` ```python stata.run(""" * Generamos los años de estudios del jefe de Hogar gen nivel_estudios = . replace nivel_estudios = 0 if q9 == 1 replace nivel_estudios = 1 if inlist(q9, 2, 3, 4) replace nivel_estudios = 7 if inlist(q9, 5, 6) replace nivel_estudios = 12 if inlist(q9, 7, 8, 9, 10) replace nivel_estudios = 17 if q9 == 11 gen años_estudios = nivel_estudios + q9_1 """) ``` . . * Generamos los años de estudios del jefe de Hogar . . gen nivel_estudios = . (53,363 missing values generated) . replace nivel_estudios = 0 if q9 == 1 (926 real changes made) . replace nivel_estudios = 1 if inlist(q9, 2, 3, 4) (12,271 real changes made) . replace nivel_estudios = 7 if inlist(q9, 5, 6) (19,952 real changes made) . replace nivel_estudios = 12 if inlist(q9, 7, 8, 9, 10) (12,950 real changes made) . replace nivel_estudios = 17 if q9 == 11 (129 real changes made) . gen años_estudios = nivel_estudios + q9_1 (8,736 missing values generated) . ```python stata.run(""" *Calculamos el ratio de ocupados gen empleado_dummy = (empleo == 1) sort ficha_st by ficha_st: assert n_per[1] == n_per by ficha_st: egen total_ocupados = total(empleado_dummy) by ficha_st: gen total_miembros = n_per[1] gen ratio_ocupados_miembros = total_ocupados / total_miembros""") ``` . . *Calculamos el ratio de ocupados . . gen empleado_dummy = (empleo == 1) . sort ficha_st . by ficha_st: assert n_per[1] == n_per . by ficha_st: egen total_ocupados = total(empleado_dummy) . by ficha_st: gen total_miembros = n_per[1] . gen ratio_ocupados_miembros = total_ocupados / total_miembros . ```python stata.run(""" *Nos quedamos con la data de los titulares keep if cod_per_st == "01" save "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta", replace""") ``` . . *Nos quedamos con la data de los titulares . . keep if cod_per_st == "01" (37,870 observations deleted) . save "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta", replace file C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta saved . ```python stata.run(""" * Cargamos los datos de la encuensta de Hogares use "C:/Users/Nelson/Desktop/Base de datos/Archivos DTA/OSIPTEL_hogares.dta", clear""") ``` . . * Cargamos los datos de la encuensta de Hogares . . use "C:/Users/Nelson/Desktop/Base de datos/Archivos DTA/OSIPTEL_hogares.dta", > clear . ```python stata.run(""" * Mantenemos las variables de interes keep ficha_st prov dist area t1 gasto_pc_mensual p8 p9 p10 r1 r36 x1 o8b p13_4_1 p13_3_1 m3_5 p14b_2 p14b_3 t8_1 x8_1 r9_1 m3_4""") ``` . . * Mantenemos las variables de interes . . keep ficha_st prov dist area t1 gasto_pc_mensual p8 p9 p10 r1 r36 x1 o8b p13_ > 4_1 p13_3_1 m3_5 p14b_2 p14b_3 t8_1 x8_1 r9_1 m3_4 . ```python stata.run("""* Fusionamos la data de hogares con la de personas merge 1:1 ficha_st using "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefes.dta", keepusing(años_estudios ratio_ocupados_miembros q4 q5)""") ``` . * Fusionamos la data de hogares con la de personas . merge 1:1 ficha_st using "C:/Users/Nelson/Desktop/Base de datos/OSIPTEL_jefe > s.dta", keepusing(años_estudios ratio_ocupados_miembros q4 q5) (label POBREZA already defined) (label NSE already defined) (label muestra already defined) (label Dominio already defined) (label Estrato already defined) Result Number of obs ----------------------------------------- Not matched 0 Matched 15,493 (_merge==3) ----------------------------------------- . ```python stata.run(""" * Nos quedamos con las observaciones de la provincia de Arequipa drop if prov !="AREQUIPA" """) ``` . . * Nos quedamos con las observaciones de la provincia de Arequipa . drop if prov !="AREQUIPA" (14,809 observations deleted) . ```python stata.run(""" *Generamos las variables de servicios basicos gen agua = (p8 == 1) gen desague = (p9 == 1) gen luz = (p10 == 1) generate servicios_basicos = (agua == 1 & desague == 1 & luz == 1)""") ``` . . *Generamos las variables de servicios basicos . gen agua = (p8 == 1) . gen desague = (p9 == 1) . gen luz = (p10 == 1) . generate servicios_basicos = (agua == 1 & desague == 1 & luz == 1) . ```python stata.run(""" * Generamos las variables de acceso a teléfono fijo, móvil y televisión de paga gen tel_fijo = (r1 == 1) gen tel_mov = (r36 == 1) gen tv_paga = (x1 == 1) gen conectividad = (tel_fijo ==1 | tel_mov == 1 & tv_paga == 1)""") ``` . . * Generamos las variables de acceso a teléfono fijo, móvil y televisión de pa > ga . gen tel_fijo = (r1 == 1) . gen tel_mov = (r36 == 1) . gen tv_paga = (x1 == 1) . gen conectividad = (tel_fijo ==1 | tel_mov == 1 & tv_paga == 1) . ```python stata.run(""" * Generamos la variable de ubicación en zonas urbanas o rurales generate ubicacion = (area == 2) """) ``` . . * Generamos la variable de ubicación en zonas urbanas o rurales . generate ubicacion = (area == 2) . ```python stata.run(""" * Reemplazar valores faltantes por ceros replace p14b_2 = 0 if missing(p14b_2) replace p14b_3 = 0 if missing(p14b_3) replace m3_5 = 0 if missing(m3_5) replace p14b_2 = 0 if p14b_2 == -99 replace p14b_3 = 0 if p14b_3 == -99 """) ``` . . * Reemplazar valores faltantes por ceros . replace p14b_2 = 0 if missing(p14b_2) (0 real changes made) . replace p14b_3 = 0 if missing(p14b_3) (0 real changes made) . replace m3_5 = 0 if missing(m3_5) (505 real changes made) . replace p14b_2 = 0 if p14b_2 == -99 (11 real changes made) . replace p14b_3 = 0 if p14b_3 == -99 (11 real changes made) . ```python stata.run(""" * Creamos la variable dependiente sumando las tres variables gen gastos_ad = p14b_2 + p14b_3 + m3_5 gen gasto_neto = gasto_pc_mensual-gastos_ad gen ln_gasto = ln(gasto_neto) drop if missing(ln_gasto) """) ``` . . * Creamos la variable dependiente sumando las tres variables . gen gastos_ad = p14b_2 + p14b_3 + m3_5 . gen gasto_neto = gasto_pc_mensual-gastos_ad . gen ln_gasto = ln(gasto_neto) (4 missing values generated) . drop if missing(ln_gasto) (4 observations deleted) . ```python stata.run(""" * Generamos las variables de estudio y sexo gen años_estudios_cuad = años_estudios^2 gen sexo = (q4 == 2) """) ``` . . * Generamos las variables de estudio y sexo . gen años_estudios_cuad = años_estudios^2 (4 missing values generated) . gen sexo = (q4 == 2) . ```python stata.run(""" * Generamos la variable de tratamiento gen acceso_internet = (t1 == 1 | t1 ==2) """) ``` . . * Generamos la variable de tratamiento . gen acceso_internet = (t1 == 1 | t1 ==2) . ```python stata.run(""" * Generamos la variable para el modelo probit gen decision_internet = (o8b == 1) gen comp_lap = (p13_3_1 == 1 & p13_4_1 == 1) """) ``` . . * Generamos la variable para el modelo probit . gen decision_internet = (o8b == 1) . gen comp_lap = (p13_3_1 == 1 & p13_4_1 == 1) . ### 3.3. Resultados #### 3.3.1 Análisis descriptivo del acceso a internet sobre el bienestar en Arequipa ```python stata.run(""" * Comparación de Características Socioeconómica sum gasto_neto sum q5 // Edad del jefe de hogar sum años_estudios sum sexo // Sexo del jefe de Hogar sum ratio_ocupados_miembros sum servicios_basicos sum conectividad sum acceso_internet sum ubicacion """) ``` . . * Comparación de Características Socioeconómica . sum gasto_neto Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- gasto_neto | 680 629.8209 615.9767 3.4 5550 . sum q5 // Edad del jefe de hogar Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- q5 | 680 46.07353 14.89553 18 92 . sum años_estudios Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- años_estud~s | 676 13.18935 3.223011 2 19 . sum sexo // Sexo del jefe de Hogar Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- sexo | 680 .4235294 .4944814 0 1 . sum ratio_ocupados_miembros Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- ratio_ocup~s | 680 .5178519 .2952834 0 1 . sum servicios_basicos Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- servicios_~s | 680 .8161765 .3876253 0 1 . sum conectividad Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- conectividad | 680 .3632353 .4812858 0 1 . sum acceso_internet Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- acceso_int~t | 680 .4514706 .4980056 0 1 . sum ubicacion Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- ubicacion | 680 .05 .2181054 0 1 . La Tabla 1 hace una comparación de características de la muestra elegida con la muestra total de la ERESTEL 2022. Como puede observarse, las características socioeconómicas de los hogares en ambas muestras guardan mucha similitud, a pesar de la reducción en el número de observaciones. ```python stata.run(""" * Tabla 1 matrix table_content = (569.24, 625.51) \ (46.63, 46.16) \ (12.04, 13.18) \ (51.87, 51.77) \ (32.61, 42.25) \ (78.78, 81.73) \ (55.87, 45.14) \ (36.99, 36.40) \ (16.74, 4.97) matrix rownames table_content = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%)HTSB" "HTSI" "HTSTTP" "HUAR" /* Donde: - GMPF: Gasto mensual per cápita familiar - AJH": Años del jefe de hogar - AEJH: Años de educación del jefe de hogar - (%)ROMH: Porcentaje de Ratio ocupados/miembros en el hogar - (%)HCJM: Porcentaje de Hogares cuyo jefe es mujer - (%)HTSB: Porcentaje de Hogares que tienen todos los servicios básicos - (%)HTSI: Porcentaje de Hogares que tienen el servicio de internet - (%)HTSTTP: Porcentaje de Hogares que tienen el servicio de telefonía y televisión de paga - (%)HUAR: Porcentaje de Hogares ubicados en el ámbito rural */ matrix colnames table_content = "Población" "Muestra" matlist table_content """) ``` . . * Tabla 1 . matrix table_content = (569.24, 625.51) \ (46.63, 46.16) \ (12.04, 13.18) \ ( > 51.87, 51.77) \ (32.61, 42.25) \ (78.78, 81.73) \ (55.87, 45.14) \ (36.99, 36 > .40) \ (16.74, 4.97) . matrix rownames table_content = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%)H > TSB" "HTSI" "HTSTTP" "HUAR" . . /* Donde: > - GMPF: Gasto mensual per cápita familiar > - AJH": Años del jefe de hogar > - AEJH: Años de educación del jefe de hogar > - (%)ROMH: Porcentaje de Ratio ocupados/miembros en el hogar > - (%)HCJM: Porcentaje de Hogares cuyo jefe es mujer > - (%)HTSB: Porcentaje de Hogares que tienen todos los servicios básicos > - (%)HTSI: Porcentaje de Hogares que tienen el servicio de internet > - (%)HTSTTP: Porcentaje de Hogares que tienen el servicio de telefonía y tele > visión de paga > - (%)HUAR: Porcentaje de Hogares ubicados en el ámbito rural > */ . . matrix colnames table_content = "Población" "Muestra" . matlist table_content | Población Muestra -------------+--------------------- GMPF | 569.24 625.51 AJH | 46.63 46.16 AEJH | 12.04 13.18 (%)ROMH | 51.87 51.77 (%)HCJM | 32.61 42.25 (%)HTSB | 78.78 81.73 HTSI | 55.87 45.14 HTSTTP | 36.99 36.4 HUAR | 16.74 4.97 . ```python stata.run(""" * Comparación de Características Socioeconómicas de los Hogares con y sin Internet sum gasto_neto if acceso_internet == 1 sum gasto_neto if acceso_internet == 0 sum q5 if acceso_internet == 1 sum q5 if acceso_internet == 0 sum años_estudios if acceso_internet == 1 sum años_estudios if acceso_internet == 0 sum sexo if acceso_internet == 1 sum sexo if acceso_internet == 0 sum ratio_ocupados_miembros if acceso_internet == 1 sum ratio_ocupados_miembros if acceso_internet == 0 sum servicios_basicos if acceso_internet == 1 sum servicios_basicos if acceso_internet == 0 sum conectividad if acceso_internet == 1 sum conectividad if acceso_internet == 0 sum ubicacion if acceso_internet == 1 sum ubicacion if acceso_internet == 0 """) ``` . . * Comparación de Características Socioeconómicas de los Hogares con y sin Int > ernet . sum gasto_neto if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- gasto_neto | 307 728.4035 765.8066 66.25 5550 . sum gasto_neto if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- gasto_neto | 373 548.6819 442.1819 3.4 4236.667 . sum q5 if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- q5 | 307 44.33876 14.76137 20 80 . sum q5 if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- q5 | 373 47.50134 14.87341 18 92 . sum años_estudios if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- años_estud~s | 307 12.52117 3.20468 2 18 . sum años_estudios if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- años_estud~s | 369 13.74526 3.135549 3 19 . sum sexo if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- sexo | 307 .4918567 .5007499 0 1 . sum sexo if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- sexo | 373 .3672922 .4827146 0 1 . sum ratio_ocupados_miembros if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- ratio_ocup~s | 307 .5103459 .3221023 0 1 . sum ratio_ocupados_miembros if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- ratio_ocup~s | 373 .5240298 .2715179 0 1 . sum servicios_basicos if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- servicios_~s | 307 .7361564 .4414351 0 1 . sum servicios_basicos if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- servicios_~s | 373 .8820375 .3229969 0 1 . sum conectividad if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- conectividad | 307 .1335505 .3407241 0 1 . sum conectividad if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- conectividad | 373 .5522788 .4979273 0 1 . sum ubicacion if acceso_internet == 1 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- ubicacion | 307 .0521173 .2226264 0 1 . sum ubicacion if acceso_internet == 0 Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- ubicacion | 373 .0482574 .2145974 0 1 . Por otro lado, la Tabla 2, presenta algunos rasgos básicos que sugieren que en la muestra utilizada existen algunas diferencias en las características observadas de hogares con Internet y sin Internet. Particularmente, destaca que los hogares con internet tienen un mayor nivel de gasto per cápita familiar, un nivel de educación más alto, y cuentan con mayor acceso a servicios básicos y a otros servicios de telecomunicaciones. ```python stata.run(""" * Tabla 2 matrix table_content1 = (629.21, 527.91) \ (45.29, 69.28) \ (13.31, 9.92) \ (52.06, 44.00) \ (43.09, 20.00) \ (82.70, 56.00) \ (37.33, 12.00) \ (5.01, 4.00) matrix rownames table_content1 = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%)HTSB" "(%)HTSTTP" "(%)HUAR" matrix colnames table_content1 = "Con internet" "Sin internet" matlist table_content1 """) ``` . . * Tabla 2 . matrix table_content1 = (629.21, 527.91) \ (45.29, 69.28) \ (13.31, 9.92) \ ( > 52.06, 44.00) \ (43.09, 20.00) \ (82.70, 56.00) \ (37.33, 12.00) \ (5.01, 4.0 > 0) . matrix rownames table_content1 = "GMPF" "AJH" "AEJH" "(%)ROMH" "(%)HCJM" "(%) > HTSB" "(%)HTSTTP" "(%)HUAR" . . matrix colnames table_content1 = "Con internet" "Sin internet" . matlist table_content1 | Con int~t Sin int~t -------------+--------------------- GMPF | 629.21 527.91 AJH | 45.29 69.28 AEJH | 13.31 9.92 (%)ROMH | 52.06 44 (%)HCJM | 43.09 20 (%)HTSB | 82.7 56 (%)HTSTTP | 37.33 12 (%)HUAR | 5.01 4 . Así, aparentemente existe una correlación positiva que podría sugerir establecer una relación causal entre la tenencia del servicio de Internet en la vivienda y mejoras del nivel de bienestar del hogar que se observan en un mayor nivel de gasto familiar. Sin embargo, esta mayor capacidad de gasto de un hogar también puede atribuirse a que los hogares con internet tienen generalmente un jefe con mayor capital humano (más educación y experiencia laboral) o cuentan con acceso a otros servicios que también contribuirían a tener un mejor bienestar que un hogar sin internet. #### 3.3.2 Análisis de efectos heterogéneos La Estimación de los Efectos del Tratamiento Cuantil (Quantile Treatment Effect, QTE) nos dan la capacidad de los modelos de regresión cuantil para caracterizar el impacto heterogéneo de las variables en diferentes puntos de una distribución de resultado (Chernozhukov & Hansen, 2006). A diferencia de las técnicas tradicionales de regresión, que se centran en el efecto promedio del tratamiento, la QTE permite observar los efectos en diferentes puntos de la distribución Los resultados de la regresión QTE muestran que en la provincia de Arequipa, la tenencia de internet incrementa el bienestar al aumentar la capacidad de gasto en el hogar. Este efecto es estadísticamente significativo tanto en los cuantiles inferiores como en los superiores. Sin embargo, en los cuantiles 0.2 y 0.6, los coeficientes no son significativos, lo que podría solucionarse con un filtrado de datos más profundo. En todos los cuantiles, los hogares con internet tienen un mayor gasto familiar comparado con aquellos sin internet. Por ejemplo, en el cuantil 0.1, el gasto es aproximadamente un 3.82% mayor en hogares con acceso a internet. Los mayores impactos se observan en los cuantiles 0.05 y 0.95, donde los QTEs condicionales son de mayor magnitud en comparación con otros cuantiles. ```python stata.run(""" * Corregimos el sesgo de selección - Metodo de 2 etapas heckman decision_internet q5 años_estudios años_estudios_cuad sexo ratio_ocupados_miembros servicios_basicos conectividad ubicacion, select(comp_lap = q5 años_estudios años_estudios_cuad sexo ratio_ocupados_miembros servicios_basicos conectividad ubicacion) twostep mills(lambhat) predict y_hat, xb gen residuals = decision_internet - y_hat """) ``` . . * Corregimos el sesgo de selección - Metodo de 2 etapas . heckman decision_internet q5 años_estudios años_estudios_cuad sexo ratio_ocup > ados_miembros servicios_basicos conectividad ubicacion, select(comp_lap = q5 > años_estudios años_estudios_cuad sexo ratio_ocupados_miembros servicios_basic > os conectividad ubicacion) twostep mills(lambhat) Heckman selection model -- two-step estimates Number of obs = 676 (regression model with sample selection) Selected = 278 Nonselected = 398 Wald chi2(8) = 5.95 Prob > chi2 = 0.6534 ------------------------------------------------------------------------------ | Coefficient Std. err. z P>|z| [95% conf. interval] -------------+---------------------------------------------------------------- decision_i~t | q5 | .0003887 .000729 0.53 0.594 -.0010401 .0018176 años_estud~s | -.0054192 .0262886 -0.21 0.837 -.0569438 .0461055 años_estud~d | .0001754 .000864 0.20 0.839 -.001518 .0018687 sexo | -.0095742 .0443121 -0.22 0.829 -.0964243 .077276 ratio_ocup~s | .0350056 .0576865 0.61 0.544 -.0780578 .148069 servicios_~s | .0500901 .0688959 0.73 0.467 -.0849434 .1851236 conectividad | -.0170831 .1334676 -0.13 0.898 -.2786748 .2445086 ubicacion | -.0429349 .0668215 -0.64 0.521 -.1739026 .0880328 _cons | -.0420468 .5825124 -0.07 0.942 -1.18375 1.099657 -------------+---------------------------------------------------------------- comp_lap | q5 | .0009016 .0039061 0.23 0.817 -.0067543 .0085574 años_estud~s | .0386449 .0987605 0.39 0.696 -.1549221 .232212 años_estud~d | .002085 .0039732 0.52 0.600 -.0057022 .0098723 sexo | -.2459523 .1077023 -2.28 0.022 -.4570449 -.0348598 ratio_ocup~s | .2951522 .1833737 1.61 0.107 -.0642536 .6545581 servicios_~s | .3297146 .1469713 2.24 0.025 .0416562 .617773 conectividad | .8065926 .1123432 7.18 0.000 .5864039 1.026781 ubicacion | -.2310132 .2635905 -0.88 0.381 -.7476411 .2856147 _cons | -1.791596 .7088819 -2.53 0.011 -3.180979 -.4022133 -------------+---------------------------------------------------------------- /mills | lambda | .0454436 .2609445 0.17 0.862 -.4659982 .5568855 -------------+---------------------------------------------------------------- rho | 0.30842 sigma | .14734533 ------------------------------------------------------------------------------ . predict y_hat, xb (4 missing values generated) . gen residuals = decision_internet - y_hat (4 missing values generated) . ```python stata.run(""" *Tabla 3: Resultados de la Estimación del Impacto de la Tenencia del Servicio de Internet Sobre el Gasto Familiar por Medio de la Regresión por Cuantiles Condicional *** Planteamos el modelo de Efectos del tratamiento cuantil condicional ivqte ln_gasto (acceso_internet), variance dummy(servicios_basicos conectividad ubicacion sexo) /// continuous(q5 años_estudios años_estudios_cuad ratio_ocupados_miembros residuals) quantiles(.01(.1).99) """) ``` . . *Tabla 3: Resultados de la Estimación del Impacto de la Tenencia del Servicio > de Internet Sobre el Gasto Familiar por Medio de la Regresión por Cuantiles > Condicional . . *** Planteamos el modelo de Efectos del tratamiento cuantil condicional . ivqte ln_gasto (acceso_internet), variance dummy(servicios_basicos conectivid > ad ubicacion sexo) /// > continuous(q5 años_estudios años_estudios_cuad ratio_ocupados_miembros residu > als) quantiles(.01(.1).99) 31 observations have been trimmed. 645 observations are left after trimming. Unconditional Quantile Treatment Effects under exogeneity Estimator suggested in Firpo (2007) Quantile(s): .01 .11 .21 .31 .41 .51 .61 .71 .81 .91 Dependent variable: ln_gasto Treatment variable: acceso_internet Control variable(s): q5 años_estudios años_estudios_cuad ratio_ocupados > _miembros residuals servicios_basicos conectividad ubicacion sexo Number of observations: 676 Propensity score estimated by local logit regression with h = infinity and lamb > da = 1 Variance estimated using local logit regression with h = infinity and lambda = > 1 ------------------------------------------------------------------------------ ln_gasto | Coefficient Std. err. z P>|z| [95% conf. interval] -------------+---------------------------------------------------------------- Quantile_1 | 1.290464 .6798015 1.90 0.058 -.0419224 2.622851 Quantile_2 | .1850405 .1138238 1.63 0.104 -.0380501 .4081311 Quantile_3 | .0125661 .0843318 0.15 0.882 -.1527213 .1778534 Quantile_4 | -.0351958 .0796617 -0.44 0.659 -.1913298 .1209381 Quantile_5 | -.0422587 .0821689 -0.51 0.607 -.2033069 .1187894 Quantile_6 | .0199938 .0933119 0.21 0.830 -.1628942 .2028817 Quantile_7 | .0665779 .1095154 0.61 0.543 -.1480683 .2812241 Quantile_8 | .2299004 .1328348 1.73 0.084 -.030451 .4902517 Quantile_9 | .2807546 .1421643 1.97 0.048 .0021177 .5593915 Quantile_10 | .3386874 .1219116 2.78 0.005 .099745 .5776299 ------------------------------------------------------------------------------ . ```python # Dado que el comando ivqte no tiene una función que grafique los coeficiente, lo realizamos con python import numpy as np import matplotlib.pyplot as plt import pandas as pd cuantiles = np.arange(0.01, 1.00, 0.01) coeficientes = [1.290464, 0.795567, 0.8385205, 0.7620282, 0.3818111, 0.271297, 0.1653237, 0.1233001, 0.079896, 0.1778665, 0.1850405, 0.1493874, 0.1273994, 0.1287022, 0.08535, 0.0759335, 0.0547991, 0.0486455, 0.0296259, 0.020731, 0.0125661, 0.019208, 0.0361304, 0.0356579, 0.0250297, 0.0109539, 0.0109897, -0.0156088, -0.0139565, -0.0237002, -0.0351958, -0.0380869, -0.0502744, -0.0370522, -0.027081, -0.0379033, -0.0206971, -0.0279088, -0.0422325, -0.0387578, -0.0422587, -0.0333996, -0.0058751, -0.0184064, -0.0132699, -0.0497847, -0.0425873, -0.0577559, -0.041039, -0.0050206, 0.0199938, 0.0217719, 0.0239668, 0.0141721, 0.0292182, 0.0388331, 0.0439467, 0.086319, 0.0966282, 0.1087108, 0.0665779, 0.0819921, 0.1251822, 0.1334157, 0.1381764, 0.1485863, 0.1774354, 0.2064772, 0.2481537, 0.2264066, 0.2299004, 0.2409449, 0.2241607, 0.2478108, 0.2665935, 0.2939596, 0.2576842, 0.2307816, 0.2886076, 0.2653275, 0.2807546, 0.2839012, 0.2626719, 0.2921681, 0.297184, 0.3378878, 0.3015952, 0.334475, 0.3625169, 0.3626013, 0.3386874, 0.2938848, 0.2366824, 0.199708, 0.2790437, 0.3326893, 0.3989868, 0.5911894, 0.656548] ``` ```python df = pd.DataFrame({ 'Cuantiles': cuantiles, 'Coeficientes': coeficientes }) ``` La Figura 1 muestra que los hogares en los primeros y últimos 15 cuantiles de la distribución condicional del consumo familiar registran mayores efectos positivos por la tenencia de internet en comparación con los hogares en los cuantiles intermedios. Se observa un comportamiento heterogéneo en toda la distribución, con un gran aumento en el cuantil 0.1, disminución hasta valores cercanos a 0, y un aumento pronunciado desde el cuantil 0.5 hasta el 0.95. ```python # Graficar plt.figure(figsize=(10, 6)) plt.plot(df['Cuantiles'], df['Coeficientes'], marker='o', linestyle='-') plt.title('Figura 1: Distribución del Coeficiente Estimado (Delta) de la regresión QTEs Condicional') plt.xlabel('Cuantiles') plt.ylabel('Coeficientes') plt.grid(True) plt.show() ``` ![png](output_47_0.png) Tal como se puede observar, los mayores impactos se registran en los cuantiles superiores ("ricos") y, en menor medida, en los inferiores ("pobres"), sugiriendo un efecto más fuerte y heterogéneo del acceso a internet en estos hogares. ## 4. Limitaciones del estudio Este estudio se limita a la provincia de Arequipa, por lo que los resultados no son necesariamente generalizables a otras regiones de Perú. Además, el uso del gasto familiar como proxy para medir el bienestar puede no capturar completamente la complejidad del bienestar humano. El estudio se basa en una muestra de 680 hogares de la provincia de Arequipa, lo que limita la generalización de los resultados a otras regiones o a la población peruana en general. (Calatayud Mendoza et al., 2023) Se utiliza el gasto familiar como proxy para medir el bienestar. Esta medida puede no capturar completamente otros aspectos del bienestar, como la salud, la educación o la satisfacción con la vida. (Flores-Cueto et al., 2020) Aunque se han incluido variables de control para minimizar el sesgo, es posible que se hayan omitido otros factores que podrían estar influyendo en la relación entre el acceso a internet y el bienestar. (Martínez Domínguez & Gómez Navarro, 2024) ## Conclusiones Se concluye que existen diferencias significativas en el acceso a Internet dentro de la población estudiada en Arequipa. Estas disparidades parecen estar influenciadas por variables socioeconómicas que determinan el nivel de conectividad de los hogares en la región. Además, se ha observado que las desigualdades en el acceso a Internet impactan directamente en la distribución del gasto promedio mensual per cápita familiar. Esto sugiere que el nivel de conectividad digital de los hogares está relacionado con sus patrones de gasto, lo que puede influir en su bienestar económico. Por último, a través de la regresión cuantílica utilizada en el estudio, se evaluó la relación entre el nivel de acceso a Internet y el bienestar económico de los hogares en Arequipa. Los resultados indican que el acceso a Internet puede tener un impacto heterogéneo en el gasto mensual per cápita, sugiriendo que esta tecnología puede influir de manera diferenciada en el bienestar económico de los hogares, dependiendo de su nivel de conectividad. ## Referencias Bibliográficas - Bakar, A. A., Osman, M. M., Bachok, S., Zen, I., Abdullah, A., & Abdullah, M. F. (2017). A theoretical assessment on sustainable wellbeing indicators for people interrelationships. Planning Malaysia, 15(1), 21–30. https://doi.org/10.21837/pmjournal.v15.i6.219 - Calatayud Mendoza, A. P., Llerena-Zea, B. A., Villahermosa-Quispe, E., Schettini-Chialchia, P., & Flores-Quispe, L. R. (2023). Impacto del acceso a internet en el ingreso económico en los hogares del departamento de Puno, Perú. Lecturas de Economía, 99, 175-207. https://doi.org/10.17533/udea.le.n99a352419 - Chernozhukov, V., & Hansen, C. (2006). Instrumental quantile regression inference for structural and treatment effect models. Journal of Econometrics, 132(2), 491-525. https://doi.org/10.1111/j.1468-0262.2005.00570.x - Cheung, Y.-L., Mak, B. S. C., Shu, H., & Tan, W. (2023). Impact of financial investment on confidence in a happy future retirement. International Review of Financial Analysis, 89, 102784. https://doi.org/10.1016/j.irfa.2023.102784 - De Los Ríos, C. A. (2010). Impacto del Uso de Internet en el Bienestar de los Hogares Peruanos. Lima: Diálogo Regional sobre Sociedad de la Información - Flores-Cueto, J. J., Hernández, R. M., & Garay-Argandoña, R. (2020). Tecnologías de información: Acceso a internet y brecha digital en Perú. Revista Venezolana de Gerencia, 25(90), 504-527. https://www.redalyc.org/journal/290/29063559007/ - Lasso V., F. J., & Frasser L., C. C. (2015). Calidad del empleo y bienestar: un análisis con escalas de equivalencia. Ensayos sobre Política Económica, 33(77), 117-132. https://doi.org/10.1016/j.espe.2014.11.001 - Lijadi, A. A. (2023). Research on Well-being: Measuring “Good Life”, Shifting Values, and Cross-cultural Applicability. Journal of Psychological Research, 5(1), 17–19. https://doi.org/10.30564/jpr.v5i1.5506 - Martínez Domínguez, M., & Gómez Navarro, D. (2024). Brecha digital en la población indígena de Oaxaca. Evidencia del acceso a Internet. InMediaciones de la Comunicación, 19(1), 239-263. https://doi.org/10.18861/ic.2024.19.1.3557 - Meyer, B. D., & Sullivan, J. X. (2003). Measuring the Well-Being of the Poor Using Income and Consumption. The Journal of Human Resources, 38, 1180–1220. https://doi.org/10.2307/3558985 - Galán, F. J. S. (2022). La brecha digital en los hogares españoles: Factores sociodemográficos en el acceso a las TIC en tiempos de la pandemia de la COVID-19. Sistema, pp. 29-48. - Rodríguez Teúbal, I. (n.d.). Productividad en la Era de Internet. In Sexto Congreso de Economía Navarra. Asesores Financieros Internacionales. https://www.navarra.es/NR/rdonlyres/CF39DC2A-05CE-4F15-BA66-14D828055E35/79673/03ignaciorodriguez.pdf - Silva, A. C. (2018). Civic Organizations and Internet Social Networks: A Case Study in the Province of Buenos Aires. Latin American Perspectives, 45(3), 236-249. https://doi.org/10.1177/0094582X18766919 - Soto Tovar, N. E. (2021). Impacto del acceso al servicio de internet en los ingresos per cápita de los hogares de la región central, año 2019 [UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ]. http://hdl.handle.net/20.500.12894/7146 - Tenaglia, S. (2022). Gli indicatori di benessere nella programmazione economica in Italia. Sinappsi, 12(1), 14–25. https://doi.org/10.53223/sinappsi_2022-01-2 - Tesouro Cid, M., & Puiggalí Allepuz, J. (2004, julio). Evolución y Utilización de Internet en la Educación. Revista de Medios y Educación, (24), 59-67. https://idus.us.es/bitstream/handle/11441/45584/file_1.pdf?sequence=1&isAllowed=y