Taller-Parcial Final
Alí Lagares & José Tovio
2025-11-19
Taller-Parcial Final
Presentado por:
Alí Lagares & José
Tovio
CECAR
Economía
Econometría II
Presentado a:
Walter Marin
19 de noviembre de 2025
Punto1.A Variables determinantes de la probabilidad de impago
PREGUNTA: ¿Qué variables son determinantes de la probabilidad de impago? Calcule los efectos marginales del modelo.
Al analizar los resultados del modelo Logit, se observa que las variables socieconómicas y crediticias influyen de manera significativa en la probabilidad de impago.
En primer lugar, dentro de las caracterisiticas socieconómicas, el sexo (SEX) aparece como un factor relevante, ya que presenta un odds ratio de 1.14 y una significacncia de p < 0.001, lo que indica que el grupo codificado como”1” presenta alrededor de 14% más probabilidad de impago frente al grupo base. Este comportamiento confirma las diferencias que existen en el comportamiento financiero asociadas al sexo, ya sea por ingresos, estabilidad, entre otros factores.
Asimismo, el nivel educativo también es una variable determinante ya que todas las categorias de educación, tales como posgrado, universidad y secundaria presentan valores significativos que exhiben entre 2.83 y 2.99, indicando que quienes presentan niveles educativos superiores tienen mayor probabilidad de impago. Sin embarg, se piensa ue a mayor nivel educativo, mayores ingresos, por ende menor riesgo, sin embargo, según la gráfica los creditos más altos son pertenecientes a este grupo.
El estado civil (MARRIAGE), especificamente la categoria “casado” muestra un odd ratio de 1.18, lo cual es altamente significativo, esto da a entender que las personas casadas tienen un 18% más de probabilidad de imcumplir, debido a las cargas financieras o compromisos relacionados con el hogar, En esta tabla, también se puede observar que la edad (AGE) presenta un efecto marginal pequeño lo que resulta ser significativo porque los cambios en la edad estan vinculados a las variaciones en el riesgo crediticios en relacion al impago.
Por otro lado, se puede observar que se presentan variables relacionadas con el historial crediticio del cliente constituyen a los determinantes más fuertres del modelo; los rezagos de pago desde PAY 0 hats PAY 6 son altamente significativos sobre la probabilidad de impago. En particular el PAY 0, el cual representa el estado de pago más reciente, teniendo un odds ratio de 2.44, lo que significa que un atraso reciente más duplica la probabilidad de impago. El resto de rezagos tienen una tendencia al rededor de 8% y 17%.
Variables como PAY también resultan ser significativas, asi como, el monto de crédito (LIMIT_BAL) tiene un odds ratio de 1 lo que indica que sí aporta información al modelo.
| Modelo Logit | Modelo Probit | |||||
|---|---|---|---|---|---|---|
| Variables | Estimador (Error Est.) | CI | p | Estimador (Error Est.) | CI | p |
| (Intercept) | 0.06 | 0.04 – 0.08 | <0.001 | 0.20 | 0.17 – 0.24 | <0.001 |
| LIMIT BAL | 1.00 | 1.00 – 1.00 | <0.001 | 1.00 | 1.00 – 1.00 | <0.001 |
| SEX [1] | 1.14 | 1.07 – 1.21 | <0.001 | 1.07 | 1.04 – 1.11 | <0.001 |
| EDUCATION [1] | 2.99 | 2.09 – 4.43 | <0.001 | 1.74 | 1.46 – 2.09 | <0.001 |
| EDUCATION [2] | 2.96 | 2.07 – 4.37 | <0.001 | 1.73 | 1.45 – 2.08 | <0.001 |
| EDUCATION [3] | 2.83 | 1.97 – 4.20 | <0.001 | 1.69 | 1.42 – 2.04 | <0.001 |
| MARRIAGE [1] | 1.18 | 1.10 – 1.26 | <0.001 | 1.10 | 1.06 – 1.14 | <0.001 |
| AGE | 1.00 | 1.00 – 1.01 | 0.019 | 1.00 | 1.00 – 1.00 | 0.029 |
| PAY 0 | 2.44 | 2.32 – 2.56 | <0.001 | 1.63 | 1.59 – 1.68 | <0.001 |
| PAY 2 | 1.05 | 1.00 – 1.10 | 0.073 | 1.03 | 1.00 – 1.07 | 0.037 |
| PAY 3 | 1.13 | 1.07 – 1.20 | <0.001 | 1.07 | 1.04 – 1.11 | <0.001 |
| PAY 4 | 1.08 | 1.01 – 1.15 | 0.017 | 1.04 | 1.00 – 1.07 | 0.051 |
| PAY 5 | 1.10 | 1.03 – 1.17 | 0.007 | 1.05 | 1.01 – 1.09 | 0.012 |
| PAY 6 | 1.17 | 1.11 – 1.24 | <0.001 | 1.10 | 1.07 – 1.14 | <0.001 |
| PAY AMT1 | 1.00 | 1.00 – 1.00 | <0.001 | 1.00 | 1.00 – 1.00 | <0.001 |
| PAY AMT2 | 1.00 | 1.00 – 1.00 | <0.001 | 1.00 | 1.00 – 1.00 | <0.001 |
| PAY AMT3 | 1.00 | 1.00 – 1.00 | 0.131 | 1.00 | 1.00 – 1.00 | 0.088 |
| PAY AMT4 | 1.00 | 1.00 – 1.00 | 0.032 | 1.00 | 1.00 – 1.00 | 0.047 |
| PAY AMT5 | 1.00 | 1.00 – 1.00 | 0.077 | 1.00 | 1.00 – 1.00 | 0.111 |
| PAY AMT6 | 1.00 | 1.00 – 1.00 | 0.069 | 1.00 | 1.00 – 1.00 | 0.132 |
| Observations | 30000 | 30000 | ||||
| R2 Tjur | 0.194 | 0.230 | ||||
Al analizar los efectos marginales demlos modelos, es posible observar los cambios en la probabilidad de impago ante variaciones en cada variable explicativa.
En primer lugar, las variales de educación presentan efectos muy similares en Logit como en Probit, lo que indica que en ambos modelos las probabilidades de impago aumentan entre 11% y 12%, dsugireniendo quer las persoans con mayor formación acadeémica asumen niveles de endeudamiento más altos. De esta manera, la edad es un factor significativo, en el modelo Logit, cada vez que la edad aumenta la probabilidad de impago es de 0.06% y en el modelo Porbit es de 0,059% aunque su impactop es pequeño, esteindica que la edad sí desempeña en efecto en el riesgo crediticio.
Asimismo, pasa con el esatdo civil demostrandoq ue las probabilidades de impago son de alrededor de 2.28% y 2.40%, debido a lascargas fammiliares. En cuanto al sexo, el efecto también se mantiene estable variando su probabilidad entre el 1,85% y 1,81%.
Sin emabargo, las variables que el mayor impacto presenta estan relacionadas con el historial de pago, donde aumenta la probabilidad de pago en los dos modelos, idicando su historial de morosidad es el principal predictor de incumplimiento.
| Variable | AME Logit | p Logit | AME Probit | p Probit |
|---|---|---|---|---|
| AGE | 0.0006235 | 0.0193829 | 0.0005913 | 0.0285445 |
| EDUCATION1 | 0.1180428 | 0.0000000 | 0.1115977 | 0.0000000 |
| EDUCATION2 | 0.1164460 | 0.0000000 | 0.1106156 | 0.0000000 |
| EDUCATION3 | 0.1103204 | 0.0000000 | 0.1051598 | 0.0000000 |
| LIMIT_BAL | -0.0000002 | 0.0000000 | -0.0000002 | 0.0000000 |
| MARRIAGE1 | 0.0228616 | 0.0000041 | 0.0240039 | 0.0000015 |
| PAY_0 | 0.1244505 | 0.0000000 | 0.1228545 | 0.0000000 |
| PAY_2 | 0.0066197 | 0.0725594 | 0.0082229 | 0.0371506 |
| PAY_3 | 0.0175098 | 0.0000094 | 0.0173416 | 0.0000254 |
| PAY_4 | 0.0105607 | 0.0166557 | 0.0089857 | 0.0513333 |
| PAY_5 | 0.0129642 | 0.0065531 | 0.0126387 | 0.0117825 |
| PAY_6 | 0.0221585 | 0.0000000 | 0.0241686 | 0.0000000 |
| PAY_AMT1 | -0.0000012 | 0.0000117 | -0.0000010 | 0.0000153 |
| PAY_AMT2 | -0.0000010 | 0.0000394 | -0.0000008 | 0.0001461 |
| PAY_AMT3 | -0.0000003 | 0.1312564 | -0.0000003 | 0.0879686 |
| PAY_AMT4 | -0.0000005 | 0.0323790 | -0.0000004 | 0.0472803 |
| PAY_AMT5 | -0.0000004 | 0.0767393 | -0.0000003 | 0.1112366 |
| PAY_AMT6 | -0.0000003 | 0.0692079 | -0.0000002 | 0.1317759 |
| SEX1 | 0.0183503 | 0.0000425 | 0.0181166 | 0.0000588 |
Punto1.B Capacidad predictiva de los modelos mediante el AUC
PREGUNTA:Realice a los modelos un análisis de predicción. Incluya la gráfica ROC. ¿El modelo predice bien la incapacidad de pago?
De acuerdo con los resultados del punto 1.b, se observa que la capacidad predictiva del modelo Logit y Probit se evalúa principalmente a través del AUC, el cual es un indicador fundamental para determinar qué tan bien los modelos distinguen entre quienes incumplen y quienes sí pagan. En este caso, ambos modelos presentan valores muy similares, específicamente un AUC de 0.7618 para el modelo Logit y un AUC de 0.7611 para el modelo Probit, mostrando que ninguno sobresale ampliamente sobre el otro, sino que mantienen un comportamiento prácticamente idéntico.
Estos resultados muestran que la capacidad de clasificación es aceptable, ya que los valores por encima de 0.70 generalmente se consideran buenos dentro de la literatura econométrica. Esto significa que, aunque los modelos no son perfectos ni se acercan a la excelencia (que estaría alrededor de 0.90 en adelante), sí permiten identificar un nivel razonable de precisión entre quién tiene mayor probabilidad de impago y quién no. De esta manera, este comportamiento confirma que los modelos suelen capturar patrones sólidos, pero sin llegar a clasificaciones extremas o perfectas.
Posteriormente, dentro del análisis se menciona que un AUC de 0.5 significa que el modelo no sirve para clasificar, y que un valor de 1.0 sería perfecto, lo que permite interpretar con mayor claridad que los valores obtenidos aquí se encuentran dentro de un rango aceptable. Sin embargo, esta aceptabilidad también indica que aún existen factores no incluidos en el modelo o variaciones comportamentales del deudor que podrían aportar una mejora significativa en la predicción.
De acuerdo con lo anterior, ambos modelos muestran coherencia, ya que los valores de AUC no solo están cerca entre sí, sino que también muestran consistencia con lo observado previamente en los efectos marginales, donde variables como los rezagos PAY explicaban buena parte del comportamiento del impago.
Cabe recalcar, que aunque la métrica AUC proporciona una visión global del rendimiento, no sustituye el análisis detallado de las variables ni la interpretación económica de los coeficientes. Sin embargo, los modelos Logit como Probit predicen de manera razonable la incapacidad de pago y, por ende, pueden utilizarse para estimaciones posteriores o creación de perfiles de riesgo.
## AUC del Modelo Logit: 0.7618## AUC del Modelo Probit: 0.7611Punto1.C Comparación entre la probabilidad real y la probabilidad predicha
PREGUNTA:Calcule la probabilidad promedio de impago
Al analizar los resultados del punto 1.c, se observa que la probabilidad promedio de impago resaltada en los modelos Logit y Probit coincide casi exactamente con la tasa real observada en la base de datos. En este caso, la tasa real es de 22.12%, y el modelo Logit predice también 22.12%, mientras que el Probit tiene un valor similar de 21.88%, lo que indica que ambos modelos se encuentran bien calibrados en promedio.
Este comportamiento es importante porque muestra que las predicciones generales del modelo no esta ni subestimando ni sobrestimando el riesgo de impago, es decir que, a pesar de que algunas variables pueden afectar de manera puntual la probabilidad de que un cliente incumpla, en cambio, el modelo en conjunto logra ajustarse adecuadamente al comportamiento de los clientes en la realidad. Este alineamiento entre la tasa real y la tasa predicha inclueyendo las variables incluidad demuestra que lel modelo capturan de manera adecuada el fenómeno del riesgo crediticio.
Asimismo, la cercanía de los valores entre los modelos Logit y Probit indica que ambos tienen un rendimiento prácticamente idéntico, lo que coincide con lo observado previamente en el AUC. Sin embargo, aunque las probabilidades promedio sean similares, esto no implica que ambos modelos clasifiquen de la misma forma a cada individuo, sino que en términos agregados, ambas sí logran evidenciar el nivel de impago presente en la muestra.
Otro aspecto relevante es que, debido a la naturaleza de la probabilidad promedio, este indicador sirve más como una validación global del ajuste que como una herramienta para clasificar perfiles específicos. Aun así, el hecho de que los resultados predichos coincidan con los reales confirma que el modelo no presenta sesgos sistemáticos ni problemas graves de desbalanceo en sus predicciones.
De esta manera, es posible afirmar que tanto el modelo Logit como el Probit logran representar correctamente el comportamiento general del impago, lo cual refuerza la validez del análisis realizado en los puntos anteriores. En términos generales, se puede decir que la calibración del modelo es adecuada, lo que constituye un requisito fundamental para su uso en escenarios reales o de toma de decisiones crediticias.
## Tasa REAL de impago (observada): 22.12## Prob. promedio de impago (Logit): 22.12## Prob. promedio de impago (Probit): 21.88Punto1.D Probabilidad estimada para perfiles de riesgo (alto y bajo)
PREGUNTA:Defina una frecuencia que tenga características de impago y otra con características de pago de crédito, determine la probabilidad estimada.
Al analizar los resultados del punto 1.d, se observa que los modelos Logit y Probit permiten estimar de manera diferenciada la probabilidad de impago según las características del perfil del cliente. En este caso, se construyeron dos perfiles hipotéticos: uno denominado como Alto Riesgo y otro como Bajo Riesgo, tomando como referencia las variables que en los efectos marginales, aumentan o disminuyen la probabilidad de incumplir .
El Perfil de Alto Riesgo, caracterizado por tener un límite de crédito bajo, ser joven, estar casado y presentar múltiples rezagos en sus pagos (especialmente los meses PAY), muestra una probabilidad de impago extremadamente alta; el modelo Logit estima un 83.606%, mientras que el Probit arroja un 79.899%, lo que indica que, sin importar el modelo, las características del perfil llevan a una probabilidad de incumplimiento que supera ampliamente el 70%. Este comportamiento confirma que las variables relacionadas con el historial de pago son las más determinantes del riesgo, ya que la morosidad previa suele reflejar de manera directa la capacidad futura del cliente para cumplir con sus obligaciones financieras.
Por otro lado, el Perfil de Bajo Riesgo, con un límite de crédito alto, mayor edad, estado civil soltero y sin retrasos en los pagos, presenta una probabilidad de incumplimiento muy reducida. En este caso, el modelo Logit estima un 5.957%, mientras que el Probit calcula un 5.790%, lo cual es coherente con las características de estabilidad y buen comportamiento crediticio del individuo. Aunque la probabilidad sea baja, no deja de reflejar que existe un riesgo mínimo inherente a cualquier operación crediticia, por más estable que parezca el cliente.
Al comparar ambos perfiles, se evidencia una separación clara y consistente entre las probabilidades asignadas, lo cual indica que los modelos son altamente sensibles a las variables de comportamiento Esto coincide con lo visto en los puntos anteriores, donde se demostró que los rezagos en los pagos (PAY) son los predictores más fuertes del impago. Así, los modelos diferencian de manera efectiva a un cliente con historial negativo de aquel que mantiene sus pagos al día, mostrando un contraste significativo entre más del 80% y menos del 6%.
En conclusión, este análisis demuestra que los modelos no solo estan bien calibrados a nivel general, sino también una clasificación efectiva de perfiles extremos, para realizar evaluaciones crediticias. La diferencia tan marcada entre ambos perfiles confirma que la estructura del modelo es sólida y que las variables incluidas reflejan de forma precisa el comportamiento financiero del cliente.
| Perfil | Prob..Impago.Logit…. | Prob..Impago.Probit…. |
|---|---|---|
| Perfil Alto Riesgo (Impago) | 83.606 | 79.899 |
| Perfil Bajo Riesgo (Pago) | 5.957 | 5.790 |
Punto2.a Análisis descriptivo de las variables especificadas en el modelo
PREGUNTA: Realice un análisis descriptivo de las variables especificadas en el modelo.
El análisis descriptivo de las variables incluidas en el modelo de elección laboral, proporcionando una visión general de la muestra a través de variables como la educación, la edad y el ingreso, y como estas, afectas las decisiones laborales de las personas
Dentro de la tabla, es posible observar que la variable educación (Educ), la cual representa los años de educación formal de los individuos, presenta los siguientes resultados: una media de 10.13 años de estudio, una desviación estándar de 4.64 y una mediana de 11 años. Estos valores indican que, en promedio, los individuos de la muestra cuentan con más de 10 años de educación. Por lo tanto, se sugiere que la mayoría han alcanzado niveles de educación completos; sin embargo, algunas personas no han completado su educación superior.
Además, en términos de empleo, se sostiene teóricamente que, a mayor nivel educativo, se incrementan las oportunidades laborales y se mejoran en el ingreso. Así, se da a entender que existe una alta probabilidad de acceder a un empleo formal entre los individuos de la muestra.
En cuanto a la edad, la media es de 39,76 años y el rango de edades va desde los 11 hasta los 90 años. Esto significa que la muestra no solo incluye a personas jóvenes que están ingresando al mercado laboral, sino también a adultos y personas mayores que pueden estar cerca de la jubilación o presentan desafíos para mantenerse en el mercado laboral. Además, la desviación estándar de 14,50 refleja una distribución de las edades, lo que permite analizar de manera completa de la oferta laboral en las diferentes etapas de la vida.
Respecto al ingreso de hogar (In), el cual se expresa en logaritmo para normalizar su distribución, se observa que la media es de 13.78, con una desviación estándar de 3.321.32. El rango de esta variable va hasta 17.22, lo que indica que la muestra incluye tanto hogares con ingresos bajos como aquellos con ingresos considerablemente altos. Se utiliza el algoritmo, para medir el ingreso permitiendo suavizar la distribución, ya que generalmente los datos de ingresos se encuentran en los niveles medios, siendo crucial para identificar que el nivel de ingreso del hogar influye en las decisiones laborales del individuo.
## Tamaño total de la muestra (PEA): 4549| vars | n | mean | sd | median | min | max | range | se | |
|---|---|---|---|---|---|---|---|---|---|
| Educ | 1 | 4549 | 10.12860 | 4.636519 | 11.000 | 0 | 26.00000 | 26.00000 | 0.0687439 |
| edad | 2 | 4549 | 39.76808 | 14.498736 | 38.000 | 12 | 90.00000 | 78.00000 | 0.2149672 |
| edad2 | 3 | 4549 | 1791.66740 | 1268.473049 | 1444.000 | 144 | 8100.00000 | 7956.00000 | 18.8071624 |
| Ih | 4 | 4549 | 13.77610 | 2.315503 | 14.123 | 0 | 17.21671 | 17.21671 | 0.0343311 |
Punto2.B Un análisis teórico del modelo planteado
PREGUNTA: Realice un análisis teórico del modelo planteado
El modelo de selección laboral se basa en la teoría microeconómica de la oferta laboral, en la cual los individuos toman decisiones sobre su participación en el mercado laboral. Estas decisiones no son simples sistemáticas, sino que están influenciadas por factores sociales y económicos como el salario de mercado y el salario de reserva, el cual es el mínimo que una persona está dispuesta a aceptar para entrar al mercado laboral En este análisis teórico, se utilizará dos marcos teóricos adicionales, tal como es el modelo ocio-consumo y el modelo de búsqueda secuencial de empleo, profundizadas en el libro Mercado Laboral de McConnell para comprender las decisiones de los individuos en el contexto laboral.
Modelo Ocio – Consumo: ocio vs trabajo
El modelo ocio – consumo es uno de los enfoques clásicos que estudia las decisiones de trabajo. Este modelo plantea que los individuos buscan maximizar su utilidad al tomar decisiones entre dos opciones: el trabajo o el ocio. De esta manera, las personas equilibran su tiempo entre trabajar para obtener ingresos y disfrutar de su tiempo libre, lo que también se conoce como consumo de bienes y tiempo dedicado al ocio.
Este equilibrio es fundamenta, ya que refleja cómo los individuos valorar el ingreso generado por el trabajo en comparación con el disfrute y la satisfacción de obtener tiempo libre. En este contexto, las decisiones relacionadas con el trabajo y el ocio están influenciadas por variables como educación, edad, género y condiciones de jefe de hogar, las cuales afectan la productividad y el salario esperado, mientras que el ingreso del hogar actúa como un factor determinante del salario de reserva, influyendo en la disposición de aceptar trabajos.
En términos formales, el modelo de ocio – consumo se describe, mediante la función de utilidad, el cual depende de dos variables principales (consumo de bienes y el tiempo de ocio), tal como se demuestra en la siguiente ecuación:
\[U(C,L) = C^\alpha L^{1-\alpha}\]
Donde:
C: consumo de bienes
L: tiempo dedicado al ocio
\(\alpha\): Parámetro que refleja la
presencia entre el consumo y el ocio
De acuerdo con lo anterior, los individuos maximizan su utilidad al decidir cuantas horas dedicar al trabajo y cuantas dedicar al ocio, con respecto al salario de mercado w y el tiempo disponible T. Teniendo en cuenta esto, cuando el salario aumenta, las personas están dispuestas a incrementar sus horas laborales, lo que refleja un efecto de sustitución, pero, si el ingreso es alto, el efecto renta puede llevar a valorar más el ocio frente a cualquier situación.
Por otro lado, el salario de reserva, se ve influenciado por factores como el nivel educativo y la condición de jefe de hogar, ya que un individuo con más educación o siendo jefe de hogar puede tener un salario de reserva alto ya que estaría dispuesto a participar dentro del mercado.
Distribución presupuestaria: los individuos están limitados por una restricción presupuestaria que depende del ingreso que se genera del trabajo, donde el consumo depende de cuantas horas se trabaje, debido a que el salario proviene de las horas trabajadas. Esta restricción presupuestaria se puede expresar así:
\[C = \omega \cdot T_{trabajo}\]
Donde:
\(\omega\): Salario por
hora
\(T_{trabajo}\): tiempo
dedicado al trabajo
El tiempo dedicado al trabajo se derivan de la resta el tiempo disponible total T y el tiempo dedicado al ocio L
\[T_{trabajo} = T - L\]
Esto significa que, el consumo de bienes esta directamente relacionado con las horas del trabajo y el salario ganado por el individuo, representado de la siguiente manera:
\[C = \omega \cdot (T - L)\]
Por otra parte, la elección de ocio, se basa en cuantas horas el individuo desea dedicar al ocio L y cuantas a trabajar. Esta elección depende de las preferencias individuales entre el consumo y el tiempo libre. En términos formales, cuando el individuo elige L maximiza su utilidad, indicando que su utilidad marginal de ocio sea igual a la utilidad marginal de consumos, dado el salario w y el tiempo disponible T, provocando un equilibrio entre los dos factores.
Este equilibrio se representa a través de la condición de optimización de la siguiente forma:
\[\frac{U_L}{U_C} = \frac{\omega}{p}\]
Donde:
\(U_L\): es la utilidad
marginal del ocio
\(U_C\): es la
utilidad marginal del consumo
\(\omega\): salario por hora de trabajo
\(p\): Precio de los bienes consumidos
Esta da a entender que el individuo decide trabajar más cuando el salario real es suficientemente alto, haciendo que el trabajo valga la pena antes que el ocio.
Modelo de búsqueda Secuencial de Empleo
Este modelo describe como los individuos toman decisiones sobre cuanto tiempo buscar trabajo y si aceptan o lo las ofertas laborales disponibles, en este modelo se enfoca en la participación en el mercado laboral.
El modelo de búsqueda secuencial de empleo, se expresa de forma matemática de la siguiente forma:
\[V_{búsqueda} = \beta \cdot p \cdot V_{empleo} + (1-p) \cdot V_{desempleo}\]
Donde:
\(\beta\): es un factor de
descuento temporal que refleja las preferencias por el tiempo y la
incertidumbre futura
\(p\): es la
probabilidad de recibir una oferta de trabajo en el siguiente periodo de
búsqueda
\(V_{empleo}\): es el
valor de estar empleado
\(V_{desempleo}\): es el valor de estar
desempleado
Esta ecuación indica la decisión de buscar o no depende de si el valor esperado de seguir buscando es mayor que el valor de aceptar una oferta de trabajo. Por eso cuando un individuo decide aceptar una oferta de trabajo si el valor de la oferta V_empleo es mayor que el valor de continuar buscando empleo V_búsqueda, es decir:
\[V_{empleo} > V_{búsqueda}\]
Por otra parte, el ingreso del hogar B,juega un papel importante, ya que puede actuar como un colchón financiero que permitir que los individuos extiendan la búsqueda de empleo. Si un individuo tiene un ingreso suficiente proveniente de su hogar, puede no aceptar ofertas de trabajo inmediato y continuar la búsqueda para uno mejor, lo que a mayor ingreso en el hogar es posible in aumento en las tasas de desempleo.
Esto también afecta el salario de reserva S_r y establece en función de la probabilidad de recibir un trabajo y el valor presente para continuar buscando empleo. Este, se ve influenciado por la combinación de los ingresos familiares y de preferencia de ocio. Tal como se evidencia en la siguiente ecuación
Cabe resaltar que, la edad es un factor importante ya que demuestra la experiencia que cada uno de los individuos ganan.
Combinación de los dos modelos
Al analizar cada uno de los Modelos, es posible combinar el modelo de ocio – consumo con el modelo de búsqueda secuencial de empleo, con el fin de mostrar como los individuos toman decisiones laborales, donde los individuos no solo eligen trabajar u ocio sino que también deciden cuándo y cuánto tiempo buscar empleo.
Lo anterior es la utilidad total de un individuo que participa en el mercado laboral, quien está buscando empleo. Esto se expresa de la siguiente manera:
\[U(C,L) = C^\alpha L^{1-\alpha}\]
En relación con la restricción presupuestaria de su ingreso y los beneficios que existen en la búsqueda de empleo, se muestran así:
\[C = w \cdot T_{trabajo} + B\]
Donde:
\(T_{trabajo}\): es el
tiempo dedicado al trabajo
\(B\):
es el ingreso recibido durante la búsqueda de trabajo
El modelo se basa en una optimización Inter temporal, donde el individuo compara cada uno de los beneficios del trabajo con las expectativas de mejores oportunidades laborales en el largo plazo. Además, es importante con considerar el valor del tiempo de ocio el cual está determinado por las preferencias y las condiciones es económicas del entorno.
Con respecto a estas dos teorías se puede concluir que el modelo de selección laboral, una vez este combinado con el modelo de ocio – consumo, proporcionando una visión integral de las decisiones labores. En donde, factores como la educación, edad, i grueso del hogar y responsabilidades familiares influyen en la toma de decisiones coherentes para acceder al mercado laboral, búsqueda de empleo y mejores ofertas laborales. Por esta razón, el marco teórico realizado, permite demostrar cómo los individuos equilibran los beneficios de trabajar frente a los costos de buscar empleo y el valor del tiempo de ocio, demostrando que la incertidumbre sobre las futuras oportunidades laborales tiene influencia en el cuando y cómo buscar empleo
| Estado | Cantidad | Porcentaje |
|---|---|---|
| Ocupados | 4016 | 88.28 |
| Desempleados | 533 | 11.72 |
Punto2.C Análisis de significancia individual
PREGUNTA:Realice un analisis de significancia individual. Prueba la hipotesis de que el ingreso del hogar es una fuente de financiación para seguir buscando empleo
Al analizar los coeficientes de los modelos Logit y Probit, podemos ver que varios factores influyen en la probabilidad de estar desempleado en Sucre. En primer lugar, el ingreso del hogar tiene un coeficiente negativo y significativo en ambos modelos (Logit: -0.32, Probit: -0.18), lo que indica que las personas de hogares con mayores ingresos tienen menos probabilidades de estar desempleadas, este resultado va en contra de la hipótesis de la teoría básica, la cual afirma que los hogares con mayores ingresos pueden extender su búsqueda de empleo, por lo tanto, estar más desempleados.
- Hipótesis nula (H0): El coeficiente del ingreso del hogar es igual a cero
- Hipótesis alternativa (Ha): El coeficiente del ingreso del hogar es diferente de cero
Con esto, podemos inferir que como el valor de p en los modelos asociado con el ingreso es muy bajo, se rechaza la hipótesis nula lo que el ingreso no actúa como una fuente de financiación para prolongar la búsqueda de trabajo ya que aumento del ingreso del hogar reduce la probabilidad de estar desempleado por el acceso a mejores oportunidades laborales.
Por otra parte, la educación tiene un efecto positivo y significativo en ambos modelos (Logit: 0.03, Probit: 0.01). Esto sugiere que, aunque el nivel educativo de un individuo aumenta, la probabilidad de estar desempleado también lo hace, aunque de manera pequeña. Debido a que las personas más educadas tienden a tener expectativas laborales más altas, con el fin de que su empleo se ajuste a su nivel educativo.
Respecto a género, el análisis muestra que las mujeres tienen una probabilidad mayor de estar desempleadas que los hombres (Logit: 0.63, Probit: 0.32). Este resultado afirma la idea de que las mujeres enfrentan barreras adicionales en el mercado laboral, como la discriminación de género o la doble jornada laboral, lo que dificulta su acceso al empleo formal. En cambio, el efecto de la edad es negativo y significativo en ambos modelos (Logit: -0.09, Probit: -0.05), lo que implica que, a medida que una persona envejece, tiene menos probabilidades de estar desempleada. Sin embargo, la variable edad al cuadrado (edad2) muestra un efecto positivo y significativo (Logit: 0.00, Probit: 0.00), lo que sugiere que la relación entre edad y desempleo no es lineal.
Con respecto al coeficiente de jefe de hogar es negativo y significativo en ambos modelos (Logit: -1.12, Probit: -0.53), indicando que ser jefe de hogar disminuye la probabilidad de estar desempleado. Lo que tiene sentido, ya que las personas que son jefes de hogar tienen mayores incentivos para encontrar un empleo y asegurar un ingreso estable para su familia. También, la variable estado civil no tiene un impacto significativo en la probabilidad de estar desempleado (Logit: p = 0.453, Probit: p = 0.497). Esto sugiere que, en Sucre, el estado civil no influye significativamente en las decisiones laborales
| Modelo Logit | Modelo Probit | |||||
|---|---|---|---|---|---|---|
| Variables | Estimador | std. Error | p | Estimador | std. Error | p |
| (Intercept) | 4.11 *** | 0.44 | <0.001 | 2.24 *** | 0.24 | <0.001 |
| Educ | 0.03 * | 0.01 | 0.044 | 0.01 * | 0.01 | 0.038 |
| Mujer | 0.63 *** | 0.11 | <0.001 | 0.32 *** | 0.06 | <0.001 |
| edad | -0.09 *** | 0.02 | <0.001 | -0.05 *** | 0.01 | <0.001 |
| edad2 | 0.00 ** | 0.00 | 0.008 | 0.00 *** | 0.00 | 0.001 |
| jefe | -1.12 *** | 0.15 | <0.001 | -0.53 *** | 0.07 | <0.001 |
| estcivil | 0.20 | 0.27 | 0.453 | 0.10 | 0.15 | 0.497 |
| Ih | -0.32 *** | 0.02 | <0.001 | -0.18 *** | 0.01 | <0.001 |
| Observations | 4549 | 4549 | ||||
| R2 Tjur | 0.183 | 0.245 | ||||
|
||||||
Punto2.d Efectos marginales e interpretación económica
PREGUNTA: Calcule los efectos marginales en ambos modelos e interprete con sentido económico
Los efectos marginales promedio nos da ver cómo cada variable influye en la probabilidad de estar desempleado en Sucre. Al analizar los resultados, encontramos que
Ingreso del hogar: Un aumento del 1% en el ingreso del hogar reduce la probabilidad de desempleo en 0.008 puntos porcentuales en ambos modelos (Logit: -0.02693, Probit: -0.02806). Esto sugiere que los hogares con mayores ingresos tienen menos probabilidad de estar desempleados, lo cual podría ser por el mejor acceso a redes laborales y contactos.
Educación: El efecto de la educación es positivo, lo que significa que un año adicional de escolaridad aumenta ligeramente la probabilidad de estar desempleado (Logit: 0.03, Probit: 0.01). Este resultado indica que puede existir un desajuste entre la educación que se ofrece y las oportunidades laborales locales, lo que lleva a que las personas más educadas enfrenten más dificultades para encontrar empleo adecuado.
Jefe de hogar: Ser jefe de hogar reduce significativamente la probabilidad de estar desempleado (Logit: -0.09491, Probit: -0.08493), lo que sugiere que las personas con responsabilidades familiares tienen un mayor incentivo para participar en el mercado laboral y asegurar un ingreso estable, reduciendo así su probabilidad de estar desempleados.
Género (Mujer): El coeficiente de mujer es positivo en ambos modelos (Logit: 0.05311, Probit: 0.05133), lo que indica que las mujeres tienen una mayor probabilidad de estar desempleadas. Esto puede reflejar que muchas mujeres en Sucre terminan en empleos informales o situaciones de inactividad, que no se capturan como desempleo formal, lo que explica este efecto.
Edad: La edad tiene un efecto negativo y significativo (Logit: -0.00745, Probit: -0.00826), lo que significa que, a medida que las personas envejecen, su probabilidad de estar desempleadas disminuye. Sin embargo, el efecto de la edad al cuadrado (edad2) es positivo, lo que sugiere que la relación entre edad y desempleo no es lineal. Mientras que en los primeros años de trabajo la edad disminuye el desempleo, en edades más avanzadas podría haber una mayor probabilidad de desempleo debido a la desactualización de habilidades.
Estado civil: El estado civil no muestra un efecto significativo en la probabilidad de estar desempleado (Logit: p = 0.45250; Probit: p = 0.49675), lo que indica que en Sucre, el estado civil no tiene un impacto relevante cuando se controlan otras variables como el ingreso, la educación y la edad.
| Variable | AME Logit | p-valor | AME Probit | p-valor |
|---|---|---|---|---|
| edad | -0.00745 | 0.00001 | -0.00826 | 0.00000 |
| edad2 | 0.00006 | 0.00803 | 0.00007 | 0.00053 |
| Educ | 0.00238 | 0.04361 | 0.00233 | 0.03748 |
| estcivil | 0.01727 | 0.45250 | 0.01627 | 0.49675 |
| Ih | -0.02693 | 0.00000 | -0.02806 | 0.00000 |
| jefe | -0.09491 | 0.00000 | -0.08493 | 0.00000 |
| Mujer | 0.05311 | 0.00000 | 0.05133 | 0.00000 |
Punto3.A Revisión de literatura (Artículos internacionales)
PREGUNTA: Una revisión de literatura con 4 articulos que hayan trabajado modelos similares. Nota: dos nacionales y dos internacionles.
Artículos internacionales
- Revisión de Literatura sobre Modelos de Oferta Laboral con
Discriminación de Género en Redes Laborales
El artículo “Discriminación de género en redes laborales” explora cómo la discriminación estructural dentro de las redes laborales afecta las oportunidades de empleo para hombres y mujeres, a pesar de que ambos tengan el mismo nivel educativo y las mismas habilidades. Este artículo utiliza un modelo basado en agentes (MBA) para simular la distribución de ofertas laborales dentro de una red social compuesta por hombres y mujeres, con la idea de que las mujeres tienen una probabilidad menor de recibir ofertas laborales, debido a la discriminación de género presente en la red.
Aportaciones del Modelo de Red Social y Discriminación de Género
El artículo introduce una nueva perspectiva al analizar cómo las redes sociales actúan como canales de transmisión de información sobre empleo. El modelo plantea que, aunque hombres y mujeres estén igualmente capacitados y posean las mismas capacidades de trabajo, la información sobre empleos llega de manera inadecuada a través de las redes sociales. Es decir, los hombres tienen una ventaja al recibir más ofertas de trabajo, mientras que las mujeres tienen menos probabilidades de ser incluidas en la información laboral.
Este fenómeno está relacionado con decisiones laborales que afectan la oferta de trabajo. Si las mujeres no tienen acceso a las mismas informaciones sobre ofertas laborales, su probabilidad de ser empleadas disminuye, lo que afecta su participación en el mercado laboral. Este concepto es clave, ya que las restricciones sociales y estructurales influyen de manera significativa en las decisiones de oferta laboral.
Relación con el Modelo de Oferta Laboral
Este artículo aporta al estudio de la oferta laboral, al integrar un enfoque que considera la discriminación de género dentro de las redes laborales. En modelos tradicionales de oferta laboral, se estudian factores como el ingreso o la edad, pero el artículo de discriminación de género amplía esta visión al incorporar las red social y la información sobre empleos como clave en la decisión de trabajo.
Tambien que en el modelo de oferta laboral intertemporal, donde las decisiones sobre trabajo y ocio se toman en función de las expectativas de ingresos futuros, este artículo demuestra que las decisiones laborales también dependen de factores externos como las restricciones sociales.
Contribución a la Literatura y a nuestro Modelo de Oferta Laboral
El estudio de discriminación de género en redes laborales proporciona un análisis sobre cómo las restricciones estructurales afectan la oferta laboral. La discriminación de género se convierte en un factor que condiciona el acceso a empleos y también, modifica las decisiones laborales de las mujeres.
El modelo de redes sociales en este artículo se puede conectar con el modelo de oferta laboral que exploras en tu trabajo, donde las decisiones de trabajo y ocio no solo dependen de factores personales como la educación o el ingreso, sino también de las redes laborales y la información accesible dentro de ellas. Este enfoque complementa el modelo intertemporal de oferta laboral, al destacar la importancia de las redes sociales y las restricciones estructurales en las decisiones laborales.
REFERENCIA: Martínez-Arango, C. V., Quintero-Rojas, C. A., & Viianto, L. A. (2023). Discriminación de género en redes laborales (1–). Universidad Autónoma de Nueva León. https://www.virtualpro.co/biblioteca/discriminaci-n-de-g-nero-en-redes-laborales-74977
- Análisis de la Literatura: Consumo, Ocio e Inversión Óptimos con
Restricciones Parciales de Endeudamiento
El artículo “Consumo, ocio e inversión óptimos con restricciones parciales de endeudamiento a lo largo de un horizonte finito” de Kim y Jeon (2025) se centra en un modelo de optimización intertemporal que incorpora decisiones sobre consumo, ocio e inversión bajo restricciones de endeudamiento en un horizonte temporal finito. Este modelo es altamente relevante para los estudios de oferta laboral, ya que aborda cómo las restricciones financieras impactan las decisiones sobre el tiempo de trabajo y ocio.
Aportaciones del Modelo de Kim y Jeon (2025)
Este modelo parte de la premisa de que los individuos toman decisiones óptimas sobre cómo asignar su tiempo entre trabajo y ocio, así como cómo consumir e invertir en su futuro, todo ello condicionado por las restricciones de endeudamiento.
Están directamente influenciadas por las restricciones de crédito que enfrentan los individuos. Si las restricciones de crédito son severas, los individuos tienden a trabajar más horas para obtener los recursos necesarios para satisfacer sus necesidades de consumo, lo que puede llevar a una reducción en el tiempo dedicado al ocio.
El modelo es importante porque introduce que el ingreso presente influye en las decisiones laborales, sino también el acceso a crédito y cómo este impacta las decisiones sobre consumo, ocio e inversión. Esta perspectiva permite conectar las decisiones laborales con el mercado de crédito, un aspecto que a menudo no se considera en modelos tradicionales de oferta laboral.
Conexión con la Oferta Laboral
El estudio de Kim y Jeon guarda una relación directa con los modelos de oferta laboral que analizan cómo las personas deciden cuánto tiempo dedicar al trabajo contra al ocio. Los modelos de oferta laboral tradicionales generalmente asumen que los individuos toman decisiones de trabajo y ocio en función de salarios y preferencias entre trabajo y ocio. Sin embargo, al introducir las restricciones de crédito, el artículo de Kim y Jeon añade una parte importante a este tipo de modelos: la capacidad de los individuos para acceder a financiamiento o crédito puede afectar su disposición a trabajar más horas o a ajustar sus patrones de ocio.Este modelo también es útil para comprender cómo las restricciones financieras afectan la decisión de participación laboral. En el contexto de nuestro estudio, este modelo ayuda a enriquecer el análisis de la oferta laboral al incorporar el factor del endeudamiento y cómo la capacidad de endeudarse o no influye en las horas trabajadas.
REFERENCIA: Kim, G., & Jeon, J. (2025). Consumo, ocio e inversión óptimos con restricciones parciales de endeudamiento a lo largo de un horizonte finito (1–). MDPI. https://www.virtualpro.co/biblioteca/optimizacion-de-consumo-ocio-e-inversion-con-restricciones-parciales-239230
Artículos Nacionales
- “Changes in Daytime Hours of Work and Employment in Colombia”
(Medina-Durango & Medina, 2006)
El artículo de Medina-Durango y Medina (2006) analiza cómo las modificaciones en las horas laborales diurnas impactaron el empleo y las horas trabajadas en Colombia, particularmente en las zonas urbanas. Esta reforma laboral, que cambió las horas máximas permitidas de trabajo, afectó tanto las decisiones laborales como los salarios de los trabajadores, mostrando efectos diferentes según el género y la edad.
Aportaciones del Artículo
El estudio utiliza un modelo de diferencias en diferencias para evaluar el impacto de la reforma. El hallazgo más importante fue que, para los hombres mayores de 25 años, los salarios en los sectores industriales cayeron más del 11%, mientras que, para las mujeres, las horas semanales de trabajo disminuyeron en 3.6 horas. Esto sugiere que la reforma afectó de manera desigual a los diferentes grupos demográficos, especialmente a las mujeres, quienes trabajaron menos horas debido a sus responsabilidades familiares adicionales.
Conexión con la Oferta Laboral
El artículo de Medina-Durango y Medina se conecta directamente con la oferta laboral al demostrar cómo las reformas laborales afectan el tiempo dedicado al trabajo y al ocio. En los modelos tradicionales de oferta laboral, los individuos deciden cuánto tiempo dedicar al trabajo o al ocio según sus preferencias personales y los salarios ofrecidos.
Este hallazgo refuerza la idea de que las políticas laborales que cambian las horas de trabajo no solo afectan el salario, sino también las decisiones de participación laboral y la distribución del tiempo entre trabajo y ocio, elementos esenciales para entender cómo se toma la decisión de trabajar más o menos horas.
REFERENCIA: Medina-Durango, C. A., & Medina, C. (2006). Changes in daytime hours of work and employment in Colombia. Borradores de Economía; No. 421.
- “Maternity Leave Reform and Women’s Labor Outcomes in Colombia”
(Mora et al., 2025)
El artículo de Mora et al. (2025) analiza el impacto de la reforma en la licencia de maternidad en Colombia, que amplió su duración. Usando un análisis de control sintético, los autores comparan el comportamiento laboral de las mujeres en Colombia con un grupo de control que no estuvo expuesto a la reforma. El objetivo es medir el efecto de la reforma sobre la participación laboral y las horas trabajadas de las mujeres.
Aportaciones del Artículo
Los autores aplican la metodología de control sintético para simular cómo habrían evolucionado las horas trabajadas y la participación laboral de las mujeres si la reforma no hubiera sido implementada. Este enfoque permite aislar el efecto causal de la reforma, controlando factores externos.
Los resultados muestran que la ampliación de la licencia de maternidad provocó una reducción en las horas trabajadas por las mujeres, especialmente en los primeros meses después de la reforma. Además, las mujeres jóvenes vieron una disminución en sus ingresos debido a una menor participación laboral. Sin embargo, el tiempo libre adicional mejoró el equilibrio entre trabajo y familia, lo que permitió a las mujeres tener más tiempo para el ocio y la recuperación.
Conexión con la Oferta Laboral
Este estudio está directamente relacionado con la oferta laboral, ya que muestra cómo las políticas de licencia de maternidad influyen en las decisiones de las mujeres sobre trabajo y ocio. En los modelos tradicionales de oferta laboral, las personas deciden cuánto tiempo dedicar al trabajo y al ocio en función de salarios y preferencias personales. Sin embargo, las políticas públicas, como la licencia de maternidad, ofrecen tiempo libre remunerado, lo que puede afectar las decisiones sobre trabajar más horas o ajustar la participación laboral.
La reforma de la licencia de maternidad en Colombia actúa como un ejemplo de cómo las políticas laborales que modifican el tiempo disponible afectan las decisiones de las mujeres sobre cuánto tiempo trabajar. Al tener más tiempo para descansar, las mujeres pueden optar por trabajar menos horas o ajustar su participación laboral para equilibrar mejor su vida laboral y familiar.
REFERENCIA: Mora, J. J., Herrera Duque, D. Y., Sayago, J. T., & Cendales, A. (2025). Maternity Leave Reform and Women’s Labor Outcomes in Colombia: A Synthetic Control Analysis. Economies, 13(10), 299. https://doi.org/10.3390/economies13100299
Punto 3.b Estimación de modelos (Tobit, Probit y Truncado)
PREGUNTA: Estime el modelo Tobit de oferta laboral, el modelo probit (Pr(hlab > 0)) y el modelo truncado (hlab > 0).
| Variable | Coef Tobit | P Tobit | Coef Probit | P Probit | Coef Truncado | P Valor | |
|---|---|---|---|---|---|---|---|
| Esc | Esc | -0.2024 | 0.0030 | -0.0139 | 0.0502 | -0.0381 | 0.4731 |
| Mujer | Mujer | -10.1356 | 0.0000 | -0.2509 | 0.0003 | -9.4407 | 0.0000 |
| Edad | Edad | 1.4535 | 0.0000 | 0.0489 | 0.0000 | 1.0769 | 0.0000 |
| Edad2 | Edad2 | -0.0159 | 0.0000 | -0.0004 | 0.0015 | -0.0129 | 0.0000 |
| estcivil | estcivil | 1.4803 | 0.0152 | 0.0842 | 0.1577 | 0.8536 | 0.0683 |
| jefe | jefe | 5.1967 | 0.0000 | 0.5328 | 0.0000 | 1.7593 | 0.0004 |
| ninos6 | ninos6 | 1.5254 | 0.0703 | -0.0136 | 0.8796 | 1.5702 | 0.0136 |
| Ih | Ih | 3.4677 | 0.0000 | 0.1761 | 0.0000 | 1.7258 | 0.0000 |
| interaccion | interaccion | -4.8577 | 0.0001 | -0.1705 | 0.1342 | -3.3475 | 0.0003 |
Punto 3.c Análisis de significancia individual y prueba de hipótesis
PREGUNTA: Realice un análisis de significancia individual. Pruebe las siguientes hipótesis:
- Las mujeres que viven con niños menores a 6 años ofrecen, en promedio, menos horas laborales que los hombres o mujeres sin niños menores de 6 años.
- La educación reduce el número de horas ofrecidas.
Hipótesis 1: Las mujeres que viven con niños menores de 6 años ofrecen menos horas laborales
La hipótesis nula sostiene que no hay diferencia significativa en las horas trabajadas entre mujeres con niños menores de 6 años y aquellas sin niños, o entre hombres y mujeres con niños. Sin embargo, el coeficiente de la variable “ninos6” muestra que, en el modelo Tobit, los individuos con niños menores de 6 años tienden a trabajar más horas en comparación con aquellos sin niños. A pesar de esto, el p-valor en los modelos Tobit (p = 0.0703) y Probit (p = 0.8796) no es significativo al 5%, lo que significa que no se puede rechazar la hipótesis nula con suficiente evidencia. Es decir que podemos afirmar que las mujeres con niños menores de 6 años trabajen menos horas que los hombres o mujeres sin niños. Al contrario, el modelo muestra una tendencia de que las personas con niños tienden a trabajar más horas, aunque esto no es estadísticamente significativo.
Hipótesis 2: La educación reduce el número de horas ofrecidas
La hipótesis nula establece que la educación no tiene un impacto significativo sobre las horas trabajadas, mientras que la hipótesis alternativa propone que a mayor educación, menos horas se trabajan. Los resultados muestran que el coeficiente de educación es negativo tanto en los modelos Tobit (-0.2024) como en Probit (-0.0139), lo que sugiere que, efectivamente, un mayor nivel educativo está relacionado con una menor probabilidad de trabajar horas adicionales. El p-valor en el modelo Tobit (p = 0.0030) es significativo, lo que permite rechazar la hipótesis nula y confirmar que la educación tiene un efecto negativo sobre las horas trabajadas esto nos dice que existe evidencia para afirmar que la educación reduce las horas trabajadas, ya que las personas más educadas probablemente tienen mejores oportunidades laborales, lo que les permite trabajar menos horas.
Punto 3.d Efectos marginales e interpretación económica
PREGUNTA:Calcule los efectos marginales para los tres modelos estimados en el punto b. Interprete con sentido económico
- Modelo Probit
Esc (educación): El efecto marginal de -0.0022 significa que por cada aumento de un año en la educación, la probabilidad de trabajar disminuye en 0.22%, manteniendo las demás variables constantes.
Mujer: El coeficiente de -0.0400 indica que ser mujer reduce la probabilidad de trabajar en 4.00% en comparación con los hombres, ceteris paribus.
Edad: El coeficiente de 0.0078 significa que por cada año adicional de edad, la probabilidad de trabajar aumenta en 0.78%.
Edad2: El coeficiente de -0.0001 sugiere que, aunque la edad aumenta la probabilidad de trabajar, la relación no es lineal y, al aumentar la edad, el aumento en la probabilidad de trabajar disminuye levemente.
Estcivil: El coeficiente de 0.0134 indica que estar casado aumenta la probabilidad de trabajar en 1.34% en comparación con aquellos que no están casados.
Jefe: El coeficiente de 0.0849 muestra que ser jefe de hogar aumenta la probabilidad de trabajar en 8.49%.
Ninos6: El coeficiente de -0.0022 indica que tener niños menores de 6 años ligeramente disminuye la probabilidad de trabajar en 0.22%.
Ih (ingreso del hogar): El coeficiente de 0.0281 muestra que un aumento en el ingreso del hogar incrementa la probabilidad de trabajar en 2.81%.
Interacción (Mujer * Ninos6): El coeficiente de -0.0272 indica que la interacción entre ser mujer y tener niños menores de 6 años reduce la probabilidad de trabajar en 2.72%.
- Modelo Tobit
Esc (educación): El efecto marginal de -0.1966 significa que, por cada año adicional de educación, las horas trabajadas totales disminuyen en 0.1966 horas.
Mujer: El coeficiente de -9.8437 sugiere que las mujeres trabajan 9.8437 horas menos que los hombres, ceteris paribus.
Edad: El coeficiente de 1.4117 significa que, por cada año adicional de edad, el número de horas trabajadas aumenta en 1.4117 horas.
Edad2: El coeficiente de -0.0155 indica que, aunque la edad aumenta las horas trabajadas, el efecto se reduce con el tiempo, ya que la relación no es lineal.
Estcivil: El coeficiente de 1.4377 muestra que las personas casadas trabajan 1.4377 horas más que las personas no casadas.
Jefe: El coeficiente de 5.0470 muestra que ser jefe de hogar aumenta las horas trabajadas en 5.0470 horas.
Ninos6: El coeficiente de 1.4815 indica que tener niños menores de 6 años aumenta las horas trabajadas en 1.4815 horas, lo que puede estar relacionado con la necesidad de un ingreso adicional para mantener a la familia.
Ih (ingreso del hogar): El coeficiente de 3.3678 muestra que un aumento en el ingreso del hogar aumenta las horas trabajadas en 3.3678 horas.
Interacción (Mujer * Ninos6): El coeficiente de -4.7178 sugiere que las mujeres con niños menores de 6 años trabajan 4.7178 horas menos que las mujeres sin niños menores de 6 años o los hombres.
- Modelo Truncado
Esc (educación): El efecto marginal de -0.1712 significa que un aumento en la educación reduce las horas trabajadas en 0.1712 horas.
Mujer: El coeficiente de -8.5713 indica que las mujeres que están trabajando tienen 8.5713 horas menos de trabajo que los hombres.
Edad: El coeficiente de 1.2292 muestra que con cada año adicional de edad, las horas trabajadas aumentan en 1.2292 horas.
Edad2: El coeficiente de -0.0135 indica que el efecto de la edad sobre las horas trabajadas disminuye con el tiempo.
Estcivil: El coeficiente de 1.2519 muestra que las personas casadas tienden a trabajar 1.2519 horas más que las personas no casadas.
Jefe: El coeficiente de 4.3947 sugiere que ser jefe de hogar aumenta las horas trabajadas en 4.3947 horas.
Ninos6: El coeficiente de 1.2900 indica que las personas con niños menores de 6 años trabajan 1.2900 horas más que aquellos sin niños menores de 6 años.
Ih (ingreso del hogar): El coeficiente de 2.9325 muestra que un aumento en el ingreso del hogar se traduce en más horas trabajadas, específicamente 2.9325 horas adicionales.
Interacción (Mujer * Ninos6): El coeficiente de -4.1079 indica que las mujeres con niños menores de 6 años tienen 4.1079 horas menos de trabajo que las mujeres sin niños menores de 6 años o los hombres.
Interpretación Económica
Primero, el nivel educativo tiene un impacto negativo sobre las horas trabajadas. A medida que aumenta el nivel educativo, las personas tienden a trabajar menos horas, ya que suelen tener empleos con horarios más flexibles. Este resultado es consistente en los tres modelos, aunque el impacto no es muy grande.
En cuanto al género, las mujeres en promedio tienen menos probabilidad de trabajar y trabajan menos horas que los hombres. Esto se debe a las barreras de género, como la discriminación y las responsabilidades de la casa. Este patrón es más evidente en los modelos Tobit y Truncado, donde las mujeres trabajan entre 8 y 9 horas menos que los hombres. Además, cuando las mujeres tienen niños menores de 6 años, la probabilidad de trabajar y las horas trabajadas disminuyen aún más, especialmente en el modelo Probit.
El estado civil muestra que estar casado aumenta la probabilidad de trabajar y las horas trabajadas, ya que la responsabilidad familiar impulsa a las personas a participar activamente en el mercado laboral. De manera similar, los jefes de hogar tienen una mayor probabilidad de trabajar y trabajan más horas, lo que refleja que tienen un incentivo adicional para generar ingresos para sus familias.
En relación con los niños menores de 6 años, tener hijos pequeños tiende a aumentar las horas trabajadas, ya que los individuos con hijos pequeños a menudo buscan ingresos adicionales para cubrir los costos familiares. Sin embargo, este efecto es más fuerte en los modelos Tobit y Truncado, lo que indica que tener hijos pequeños puede llevar a trabajar más horas para satisfacer las necesidades del hogar.
El ingreso del hogar también tiene un efecto positivo significativo en las horas trabajadas. A medida que aumenta el ingreso del hogar, los individuos tienden a trabajar más horas, ya que el aumento en el ingreso reduce la necesidad de flexibilidad en el empleo.
| Variable | Probit (Probabilidad) | Tobit (Horas Totales) | Truncado (Horas Condic.) |
|---|---|---|---|
| Esc | -0.0022 | -0.1966 | -0.1712 |
| Mujer | -0.0400 | -9.8437 | -8.5713 |
| Edad | 0.0078 | 1.4117 | 1.2292 |
| Edad2 | -0.0001 | -0.0155 | -0.0135 |
| estcivil | 0.0134 | 1.4377 | 1.2519 |
| jefe | 0.0849 | 5.0470 | 4.3947 |
| ninos6 | -0.0022 | 1.4815 | 1.2900 |
| Ih | 0.0281 | 3.3678 | 2.9325 |
| interaccion | -0.0272 | -4.7178 | -4.1079 |
Punto.e Recomendaciones sobre la diferencia de horas laborales (Género)
PREGUNTA: A la luz de los resultados econométricos en el departamento, que tipo de recomendación les daría a los ejecutores de políticas respecto a la diferencia de horas laborales ofrecidas por los hombres y mujeres (con evidencia econométrica)
Los resultados econométricos obtenidos de los modelos Tobit, Probit y Truncado revelan que las mujeres tienen una probabilidad menor de trabajar y trabajan menos horas que los hombres. En el modelo Tobit, las mujeres trabajan 9.84 horas menos que los hombres, y en el modelo Truncado, trabajan 8.57 horas menos. Esto refleja las barreras de género en el mercado laboral y la discriminación, para esto damos las siguientes recomendaciones
Reducir las Barreras de Género en el Mercado Laboral
Implementar programas de capacitación, licencias parentales extendidas y flexibilidad laboral para promover que las mujeres accedan a empleos de tiempo completo y mejores condiciones laborales, permitiéndoles trabajar más horas sin sacrificar sus responsabilidades familiares.
Apoyo a las Mujeres con Responsabilidades Familiares
El modelo Probit muestra que tener niños menores de 6 años reduce la probabilidad de trabajar en 0.22%, pero los modelos Tobit y Truncado sugieren que las mujeres con hijos tienden a trabajar más horas (1.48 y 1.29 horas adicionales, respectivamente), probablemente para cubrir los gastos familiares. Recomendamos, apoyar a las mujeres con subsidiados de cuidado infantil, flexibilidad en los horarios laborales y programas de conciliación trabajo-familia. Esto facilitaría que las mujeres trabajen más horas y puedan ajustar su participación laboral sin sacrificar su rol en la familia.
Promover la Igualdad de Género y Mejorar la Participación Laboral de las Mujeres
El análisis muestra que ser mujer está asociado con menos probabilidad de trabajar y menos horas trabajadas (coeficiente negativo en los modelos Tobit y Probit). Esto refleja las restricciones adicionales que enfrentan las mujeres, como la discriminación y las responsabilidades familiares.Recomendamos implementar políticas de igualdad de género, como subsidios para madres trabajadoras y licencias de maternidad extendidas. Además, se deben ofrecer programas de capacitación profesional que permitan a las mujeres trabajar más horas sin tener que renunciar a su vida familiar.
Aumentar el Acceso a Empleo Formal y de Tiempo Completo para las Mujeres
Aunque el ingreso del hogar tiene un efecto positivo en las horas trabajadas (un aumento de 3.36 horas en Tobit y 2.93 horas en Truncado), las mujeres siguen trabajando menos horas que los hombres, incluso con un mayor ingreso del hogar. Recomendamos fomentar políticas que incentiven la participación femenina en sectores de alta demanda laboral, promoviendo la creación de empleos de tiempo completo y bien remunerados. Ofrecer beneficios fiscales o subsidios a las empresas que contraten mujeres en estos sectores podría ayudar a reducir la diferencia en horas trabajadas entre hombres y mujeres.
BONO: Análisis de Endogeneidad y Variables Instrumentales
PREGUNTA: En el modelo de oferta laboral del punto 3, explique por qué variables como la educación y el ingreso promedio del hogar podrían violar el supuesto de exogeneidad. Si es así, ¿que variables se podrían usar como instrumentos para educación e ingreso promedio del hogar?
Nota: recuerde que la variable instrumental debe cumplir con las condiciones de relevancia \(E(Z'X) \neq 0\) y Exogeneidad \(E(Z'\epsilon) = 0\)
En el modelo de oferta laboral planteado en el punto 3, hay dos variables que podrían violar el supuesto de exogeneidad, educación y ingreso promedio del hogar. Para que una variable sea exógena, no debe estar correlacionada con el término de error del modelo (\(\epsilon\)). Si existe correlación entre una variable explicativa y el error, esto causa sesgo endógeno, invalidando los resultados.
Primero encontramos que la Educación podría violar el supuesto de exogeneidad porque factores no observados (como motivación o habilidades cognitivas) pueden influir tanto en la educación de una persona como en su decisión de trabajo (por ejemplo, la decisión de trabajar más horas o menos). Si estos factores no observados están correlacionados tanto con la educación como con la oferta laboral, entonces educación estaría correlacionada con el error del modelo (\(\epsilon\)).
Como segundo, el Ingreso promedio del hogar también puede violar el supuesto de exogeneidad porque factores no observados (como el acceso a redes laborales o contactos familiares) pueden influir en el ingreso y en las decisiones sobre el mercado laboral. Si las personas con mayores ingresos tienen también mejores conexiones laborales, este ingreso estaría correlacionado con factores que afectan la participación laboral y las horas trabajadas, creando correlación con el error (\(\epsilon\)).
Instrumentos para Resolver la Violación de Exogeneidad
Las variables de educación e ingreso del hogar, es necesario usar instrumentos válidos que cumplan dos condiciones:
- Condición de Relevancia: El instrumento debe estar correlacionado con la variable explicativa (es decir, \(E(Z'X) \neq 0\)).
- Condición de Exogeneidad: El instrumento no debe estar correlacionado con el error del modelo (es decir, \(E(Z'\epsilon) = 0\)).
Instrumentos para la Educación
Un posible instrumento para educación podría ser la disponibilidad de escuelas o universidades en la región en la que vive un individuo. Esto cumple con la condición de relevancia porque las oportunidades educativas influyen directamente en el nivel de educación. Además, cumple con la exogeneidad si se asume que la disponibilidad de educación no está correlacionada con factores no observados que afectan la oferta laboral.
Instrumentos para el Ingreso Promedio del Hogar
Para el ingreso del hogar, un buen instrumento podría ser variaciones en las políticas fiscales (como subsidios gubernamentales o transferencias monetarias a ciertos sectores). Estas políticas afectan el ingreso del hogar sin estar directamente relacionadas con las decisiones laborales individuales. Por ejemplo, un subsidio económico podría aumentar el ingreso del hogar sin afectar directamente la decisión de trabajo del individuo, cumpliendo así con la condición de exogeneidad.