¿Qué hace productivo a un trabajador? Un análisis de regresión lineal múltiple para Europa, Latinoamérica y Asia Central (2016)
Juan José Trejos Santa (2229832) - Juan Sebastian Velasco (2419817) - Karen Rueda Plaza (2420987) - Andres Felipe Murillo (2435093)
2026-05-10
1 Introducción
¿Por qué en algunos países un trabajador produce mucho más que en otros? Esa es una de las preguntas más importantes de la economía del desarrollo, y también es el punto de partida de este análisis.
La productividad laboral, medida a través del PIB por persona empleada (GDP per person employed, constant 2017 PPP $), no es igual en todos los países ni en todas las regiones del mundo. Un trabajador en Noruega puede generar en un año lo que un trabajador en Honduras genera en una década. ¿A qué se debe esa diferencia? ¿Es solo cuestión de dónde naciste, o hay características del mercado laboral que lo explican?
Para responder esa pregunta, este trabajo construye un modelo de regresión lineal múltiple usando datos del Banco Mundial para el año 2016, aplicado a 57 países de tres regiones: Latinoamérica y el Caribe, Europa yAsia Central. La idea del modelo es sencilla: tomamos el GDP por persona empleada como variable dependiente y buscamos qué características del mercado laboral de cada país están más asociadas con esa productividad.
Para eso seleccionamos cinco variables cuantitativas; el porcentaje de empleo en servicios, trabajadores asalariados, empleadores, el ratio de empleo sobre población y el empleo a tiempo parcial; y además incluimos la región geográfica como variable categórica dentro del modelo. Esto nos permite no solo ver el efecto de cada variable laboral, sino también evaluar si pertenecer a Europa, Latinoamérica o Asia Central tiene un efecto adicional sobre la productividad más allá de las características propias del mercado laboral.
Según la teoría de la transformación estructural (Lewis, 1954; Chenery, 1960), las economías más desarrolladas tienden a concentrar su fuerza laboral en el sector servicios, que genera mayor valor agregado por trabajador. Paralelamente, la formalidad laboral juega un papel clave: economías con mayor proporción de trabajadores asalariados y empleadores formales tienden a ser más productivas. Estas ideas son precisamente las que guían la selección de variables de este trabajo y las hipótesis que buscamos contrastar con los datos.
2 Metodología
2.1 Fuente de datos
Los datos provienen de la base World Development Indicators (Banco Mundial, actualización septiembre 2022). Se utiliza el corte transversal del año 2016, contando con 76 países distribuidos en tres regiones geográficas: Latinoamérica y el Caribe, Europa y Asia Central.
2.2 Descripción de variables
En este modelo, la variable dependiente es el PIB por persona empleada (GDP per person employed), medido en dólares constantes de 2017 ajustados por paridad de poder adquisitivo (PPP). En términos simples, esta variable refleja cuánto produce, en promedio, cada trabajador dentro de un país, por lo que sirve como una medida de productividad laboral.
Por otro lado, se incluyeron cinco variables independientes que buscan capturar diferentes características del mercado laboral:
Empleo en servicios (%): Representa el porcentaje de trabajadores que están ocupados en el sector servicios. Generalmente, una mayor participación en este sector suele asociarse con economías más desarrolladas y con actividades de mayor valor agregado.
Trabajadores asalariados (%): Indica el porcentaje de personas que trabajan bajo un contrato formal y reciben un salario fijo. Esta variable permite aproximarse al nivel de formalidad del empleo en un país.
Empleadores (%): Corresponde al porcentaje de trabajadores que tienen su propio negocio y generan empleo para otros. Es un indicador del dinamismo empresarial y de la capacidad de creación de empleo.
Ratio empleo/población 15+ (%): Mide qué proporción de la población mayor de 15 años se encuentra empleada. Esto da una idea de qué tan activa es la fuerza laboral dentro de la economía.
Empleo a tiempo parcial (%): Representa el porcentaje de trabajadores que tienen jornadas laborales reducidas. En algunos casos, una alta proporción puede estar relacionada con condiciones laborales más precarias o menor productividad.
Región (categórica): Variable que clasifica cada país en una de tres regiones geográficas: Latinoamérica y el Caribe, Europa y Asia Central. Se incluye en el modelo como variable dummy, tomando Asia Central como categoría de referencia. Su inclusión permite controlar el efecto que tiene la ubicación geográfica sobre la productividad laboral, más allá de las características individuales del mercado laboral de cada país.
2.3 Mapa de regiones analizadas
library(ggplot2)
library(maps)
library(ggcorrplot)
# Datos del mapa mundial
world <- map_data("world")
# Crear mapa
ggplot() +
geom_map(
data = world,
map = world,
aes(long, lat, map_id = region),
fill = "orange",
color = "white"
+
coord_fixed(1.3) +
labs(title = "Mapa mundial") +
theme_minimal()
)
2.4 Modelo utilizado
Se ajustó un modelo de regresión lineal múltiple mediante el método de mínimos cuadrados ordinarios (MCO). Este método busca encontrar los coeficientes que minimicen la suma de los cuadrados de los errores entre los valores observados y los valores predichos.
La ecuación del modelo es:
2.5 Modelo utilizado
Se ajusta un modelo de regresión lineal múltiple mediante el método de mínimos cuadrados ordinarios (MCO), incluyendo cinco variables cuantitativas y una variable categórica (Región) codificada como variable dummy, con Asia Central como categoría de referencia.
La ecuación del modelo es:
\[ \hat{GDP}_i = \beta_0 + \beta_1 \cdot Servicios_i + \beta_2 \cdot Asalariados_i + \beta_3 \cdot Empleadores_i + \beta_4 \cdot RatioEmpleo_i + \beta_5 \cdot TiempoParcial_i + \beta_6 \cdot Europa_i + \beta_7 \cdot Latinoamerica_i + \varepsilon_i \]
Donde:
- \(\hat{GDP}_i\) es el PIB por persona empleada estimado para el país \(i\)
- \(\beta_0\) es el intercepto del modelo
- \(\beta_1, \beta_2, \beta_3, \beta_4, \beta_5\) son los coeficientes de las variables cuantitativas
- \(\beta_6\) y \(\beta_7\) son los coeficientes de las variables dummy de región, comparadas con Asia Central como categoría base
- \(\varepsilon_i\) es el término de error del modelo para el país $i
3 Resultados Descriptivos
3.1 Carga y preparación de datos
library(tidyverse)
library(readxl)
library(knitr)
library(kableExtra)
# Cargar datos
df_raw <- read_excel("datos.xlsx", sheet = "Data", na = "..")
# Filtrar año 2016
df <- df_raw %>% filter(Time == 2016)
# Clasificación por región
latam <- c("Argentina", "Bahamas, The", "Barbados", "Belize", "Bolivia",
"Brazil", "Chile", "Colombia", "Costa Rica", "Dominican Republic",
"Ecuador", "El Salvador", "Guatemala", "Guyana", "Haiti",
"Honduras", "Jamaica", "Mexico", "Nicaragua", "Panama",
"Paraguay", "Peru", "Puerto Rico", "St. Lucia",
"St. Vincent and the Grenadines", "Suriname",
"Trinidad and Tobago", "Uruguay")
europa <- c("Albania", "Austria", "Belarus", "Belgium", "Bosnia and Herzegovina",
"Bulgaria", "Croatia", "Cyprus", "Czechia", "Denmark", "Estonia",
"Finland", "France", "Germany", "Greece", "Hungary", "Iceland",
"Ireland", "Italy", "Latvia", "Lithuania", "Luxembourg", "Moldova",
"Montenegro", "Netherlands", "North Macedonia", "Norway", "Poland",
"Portugal", "Romania", "Serbia", "Slovak Republic", "Slovenia",
"Spain", "Sweden", "Switzerland", "Ukraine", "United Kingdom")
asia_central <- c("Armenia", "Azerbaijan", "Georgia", "Kazakhstan",
"Kyrgyz Republic", "Russian Federation", "Tajikistan",
"Turkiye", "Turkmenistan", "Uzbekistan")
df <- df %>%
mutate(Region = case_when(
`Country Name` %in% latam ~ "Latinoamérica y el Caribe",
`Country Name` %in% europa ~ "Europa",
`Country Name` %in% asia_central ~ "Asia Central",
TRUE ~ "Otro"
))
# Renombrar variables
df_model <- df %>%
filter(Region != "Otro") %>%
rename(
GDP = `GDP per person employed (constant 2017 PPP $) [SL.GDP.PCAP.EM.KD]`,
Servicios = `Employment in services (% of total employment) (modeled ILO estimate) [SL.SRV.EMPL.ZS]`,
Asalariados = `Wage and salaried workers, total (% of total employment) (modeled ILO estimate) [SL.EMP.WORK.ZS]`,
Empleadores = `Employers, total (% of total employment) (modeled ILO estimate) [SL.EMP.MPYR.ZS]`,
RatioEmpleo = `Employment to population ratio, 15+, total (%) (modeled ILO estimate) [SL.EMP.TOTL.SP.ZS]`,
TiempoParcial = `Part time employment, total (% of total employment) [SL.TLF.PART.ZS]`,
Pais = `Country Name`
) %>%
select(Pais, Region, GDP, Servicios, Asalariados, Empleadores, RatioEmpleo, TiempoParcial) %>%
drop_na()
cat("Observaciones disponibles:", nrow(df_model))## Observaciones disponibles: 573.2 Matriz de correlaciones
library(dplyr)
library(ggcorrplot)
library(plotly)
df_num <- df_model %>%
select(GDP, Servicios, Asalariados, Empleadores,
RatioEmpleo, TiempoParcial)
r <- cor(df_num, use = "complete.obs")
p <- ggcorrplot(
r,
hc.order = TRUE,
type = "lower",
lab = TRUE
)
ggplotly(p)La matriz de correlaciones muestra que las variables que más se relacionan con el GDP son TiempoParcial (0.50) y Servicios. Además, se observa que Servicios tiene una correlación de 0.67 con Asalariados, y esta última también está bastante relacionada con el GDP (0.59), lo que indica que estas variables pueden influir en la productividad.
Por otro lado, ninguna correlación entre las variables independientes supera 0.67, lo que sugiere que no hay problemas fuertes de multicolinealidad. Esto también se confirma con los valores de VIF, que en todos los casos son menores a 3, indicando que las variables no están altamente correlacionadas entre sí. ## Relación entre variables y GDP por región
library(plotly)
p <- ggplot(df_model, aes(x = Servicios, y = GDP, color = Region)) +
geom_point() +
labs(
title = "GDP vs Empleo en Servicios por región",
x = "Empleo en servicios (%)",
y = "GDP"
)
ggplotly(p)Se puede ver una relación positiva entre el empleo en servicios y el GDP, es decir, a medida que aumenta el empleo, también tiende a aumentar el GDP. Además, los países europeos (verde) son los que presentan los valores más altos en ambas variables.
Por otro lado, los países de Latinoamérica (azul) y Asia Central (rosado) tienen niveles más bajos de GDP, incluso cuando tienen porcentajes similares de empleo en servicios. Esto sugiere que no solo importa la cantidad de empleo en servicios, sino también la calidad o el tipo de actividades que se desarrollan dentro de este sector.
ggplotly(
ggplot(df_model, aes(x = Asalariados, y = GDP, color = Region)) +
geom_point() +
labs(
title = "GDP vs Trabajadores Asalariados por región",
x = "Asalariados (%)",
y = "GDP"
)
)Se observa una relación positiva entre los trabajadores asalariados y el GDP, es decir, a medida que aumenta el porcentaje de trabajadores con salario, también aumenta el GDP.
Los países europeos son los que tienen los niveles más altos, con más del 75% de trabajadores asalariados, y también presentan los valores más altos de GDP. En cambio, los países de Asia Central y Latinoamérica se ubican en niveles intermedios, lo que puede reflejar que tienen más informalidad en el mercado laboral y, en general, una menor productividad.
ggplotly(ggplot(df_model, aes(x = Empleadores, y = GDP, color = Region)) +
geom_point() +
labs(title = "GDP vs Empleadores por región",
x = "Empleadores (%)", y = "GDP")
)En este caso, no se observa una relación clara entre los empleadores y el GDP. Los datos están bastante dispersos y no siguen una tendencia definida, lo que coincide con el resultado del modelo, donde esta variable no es significativa.
Además, la mayoría de los países tienen una proporción de empleadores entre el 2% y el 6%, sin importar mucho su nivel de GDP. Esto sugiere que esta variable no tiene un impacto claro sobre la productividad en este análisis.
ggplotly(ggplot(df_model, aes(x = RatioEmpleo, y = GDP, color = Region)) +
geom_point() +
labs(title = "GDP vs Ratio Empleo/Población por región",
x = "Ratio empleo/población 15+ (%)", y = "GDP")
)El ratio empleo/población no muestra una tendencia clara con el GDP. Los países europeos presentan valores dispersos tanto en el eje X como en el Y, lo que sugiere que no necesariamente una mayor participación laboral implica mayor productividad por trabajador. Esto es coherente con el coeficiente negativo y no significativo que obtuvo esta variable en el modelo.
ggplotly(ggplot(df_model, aes(x = TiempoParcial, y = GDP, color = Region)) +
geom_point() +
labs(title = "GDP vs Empleo a Tiempo Parcial por región",
x = "Empleo a tiempo parcial (%)", y = "GDP")
)Se observa una relación positiva entre el empleo a tiempo parcial y el GDP, es decir, cuando aumenta este tipo de empleo, también tiende a aumentar el GDP. Esto se ve principalmente en los países europeos, que tienen los niveles más altos en ambas variables.
Una posible explicación es que, en economías más desarrolladas, el trabajo a tiempo parcial suele ser una opción más flexible y voluntaria, mientras que en países menos desarrollados puede estar más relacionado con la falta de oportunidades laborales formales.
4 Estimación del Modelo de Regresión Múltiple
modelo <- lm(GDP ~ Servicios + Asalariados + Empleadores +
RatioEmpleo + TiempoParcial + as.factor(Region),
data = df_model)
summary(modelo)##
## Call:
## lm(formula = GDP ~ Servicios + Asalariados + Empleadores + RatioEmpleo +
## TiempoParcial + as.factor(Region), data = df_model)
##
## Residuals:
## Min 1Q Median 3Q Max
## -45226 -11918 -3971 6771 129262
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -88821.7 38027.4 -2.336 0.02364
## Servicios 1922.9 575.0 3.344 0.00159
## Asalariados 240.9 469.3 0.513 0.61004
## Empleadores 1395.2 1883.7 0.741 0.46243
## RatioEmpleo -307.0 558.5 -0.550 0.58501
## TiempoParcial 923.5 402.5 2.294 0.02610
## as.factor(Region)Europa 6012.1 14495.1 0.415 0.68012
## as.factor(Region)Latinoamérica y el Caribe -24984.6 14294.5 -1.748 0.08676
##
## (Intercept) *
## Servicios **
## Asalariados
## Empleadores
## RatioEmpleo
## TiempoParcial *
## as.factor(Region)Europa
## as.factor(Region)Latinoamérica y el Caribe .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 26120 on 49 degrees of freedom
## Multiple R-squared: 0.6573, Adjusted R-squared: 0.6084
## F-statistic: 13.43 on 7 and 49 DF, p-value: 1.576e-09El modelo de regresión lineal múltiple fue construido con el objetivo de identificar qué características del mercado laboral explican la productividad económica de los países, medida a través del PIB por persona empleada. Se incluyeron cinco variables cuantitativas y la región geográfica como variable categórica, siguiendo la recomendación del curso de incluir variables dummy para controlar efectos de grupo.
Intercepto (-88,821): Representa el GDP estimado cuando todas las variables toman valor cero. Es significativo (p = 0.024) pero no tiene interpretación práctica directa dado que esos valores no son posibles en la realidad.
Servicios (1,922.9): Por cada punto porcentual adicional de empleo en servicios, el GDP por persona empleada aumenta en promedio $1,923 USD, manteniendo las demás variables constantes. Es la variable más significativa del modelo (p = 0.002), confirmando que la estructura sectorial del empleo es clave para explicar la productividad.
Asalariados (240.9): Aunque tiene signo positivo como se esperaba, esta variable no resultó significativa (p = 0.610) al controlar por región. Esto sugiere que parte de su efecto ya queda capturado por la variable de región, ya que los países más formales tienden a concentrarse en Europa.
Empleadores (1,395.2): No resultó significativa (p = 0.462). La proporción de empleadores no logra explicar diferencias importantes en productividad cuando se controlan las demás variables del modelo.
RatioEmpleo (-307.0): Tampoco resultó significativa (p = 0.585). Una mayor participación laboral no implica necesariamente mayor productividad por trabajador.
TiempoParcial (923.5):Esta variable resultó significativa (p = 0.026) con signo positivo. Al igual que en el modelo anterior, esto refleja que en los países de la muestra con mayor GDP el empleo parcial es una opción flexible y no un indicador de precariedad.
Europa vs Asia Central (6,012.1): Los países europeos tienen en promedio un GDP $6,012 USD mayor que los países de Asia Central, controlando las demás variables. Sin embargo este resultado no es estadísticamente significativo (p = 0.680), lo que indica que las diferencias entre estas dos regiones se explican principalmente por las variables cuantitativas del modelo.
Latinoamérica vs Asia Central (-24,984.6): Los países de Latinoamérica y el Caribe tienen en promedio un GDP $24,985 USD menor que los países de Asia Central, controlando las demás variables. Este resultado es marginalmente significativo (p = 0.087), lo que sugiere que existe una brecha de productividad entre estas regiones que va más allá de las características del mercado laboral incluidas en el modelo.
Bondad de ajuste: Al incluir la región como variable categórica, el R² mejoró de 0.603 a 0.657, lo que indica que el modelo ahora explica el 65.7% de la variabilidad total del GDP por persona empleada. El R² ajustado de 0.608 confirma que esta mejora es real y no solo producto de agregar más variables. El estadístico F (p = 1.576e-09) demuestra que el modelo en conjunto sigue siendo altamente significativo.
4.1 Interpretación del modelo
library(visreg)
visreg(modelo, "Servicios", gg = TRUE)
visreg(modelo, "Asalariados", gg = TRUE)
visreg(modelo, "TiempoParcial", gg = TRUE)
[Interpretación de Servicios] El gráfico muestra una relación positiva y clara entre el empleo en servicios y el GDP por persona empleada. A medida que aumenta la proporción de empleo en servicios, el GDP estimado también crece de manera sostenida. La banda gris representa el intervalo de confianza del 95%, el cual se mantiene relativamente estrecho en el rango central de los datos, indicando mayor precisión en las estimaciones para valores intermedios de esta variable.
[Interpretación de Asalariados] La relación entre trabajadores asalariados y GDP es positiva y consistente. El modelo estima que países con mayor formalidad laboral — medida por la proporción de asalariados — tienden a tener mayor productividad por trabajador. El intervalo de confianza se amplía en los extremos, especialmente en valores bajos de asalarización, lo que refleja menor cantidad de observaciones en esos rangos y por tanto mayor incertidumbre en la estimación.
[Interpretación de TiempoParcial] Aunque contraintuitivo, el modelo muestra una relación positiva entre el empleo a tiempo parcial y el GDP. Esto se debe a que los países con mayores niveles de empleo parcial en esta muestra son principalmente economías europeas desarrolladas, donde el trabajo a tiempo parcial es una modalidad flexible y no un indicador de precariedad. El intervalo de confianza es más estrecho en la zona central, donde se concentra la mayoría de los datos.
5 Evaluación de Supuestos del Modelo
5.1 Normalidad de los residuos
plot(modelo, which = 2)
shapiro.test(modelo$residuals)##
## Shapiro-Wilk normality test
##
## data: modelo$residuals
## W = 0.77751, p-value = 6.862e-08library(nortest)
lillie.test(modelo$residuals)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo$residuals
## D = 0.16746, p-value = 0.0003935El gráfico Q-Q muestra que los residuos se desvían de la línea diagonal esperada, especialmente en los extremos, lo que sugiere colas más pesadas de lo normal. Esto se confirma con los tests formales: el test de Shapiro-Wilk arrojó un p-valor de 5.16e-08 y el test de Lilliefors un p-valor de 0.0001274, ambos muy por debajo de 0.05. Por lo tanto, se rechaza el supuesto de normalidad de los residuos. Esto puede explicarse por la presencia de países con valores extremos de GDP como Luxemburgo o Noruega, que generan residuos atípicos.
5.2 Homocedasticidad
plot(modelo, which = 1)
plot(modelo, which = 3)
library(lmtest)
bptest(modelo)##
## studentized Breusch-Pagan test
##
## data: modelo
## BP = 8.7986, df = 7, p-value = 0.2674El gráfico de Residuos vs Valores Ajustados muestra que la línea roja se mantiene relativamente cerca de cero, aunque con cierta curvatura en los valores extremos debido a outliers como la observación 34.
El gráfico Scale-Location también muestra una tendencia ligeramente decreciente pero sin un patrón claro de aumento o disminución sistemática de la varianza. El test de Breusch-Pagan confirma esto formalmente: con un estadístico BP = 4.99 y un p-valor de 0.417, no se rechaza el supuesto de homocedasticidad. Es decir, la varianza de los errores puede considerarse constante a lo largo del rango de valores predichos, lo cual es un resultado favorable para la validez del modelo.
5.3 Multicolinealidad
library(car)
vif(modelo)## GVIF Df GVIF^(1/(2*Df))
## Servicios 2.858121 1 1.690598
## Asalariados 3.841166 1 1.959889
## Empleadores 1.341152 1 1.158081
## RatioEmpleo 1.525887 1 1.235268
## TiempoParcial 1.657386 1 1.287395
## as.factor(Region) 2.529656 2 1.261146Los valores del Factor de Inflación de la Varianza confirman la ausencia de multicolinealidad problemática en el modelo. Todos los VIF están por debajo de 3, siendo el más alto el de Servicios (2.47) y Asalariados (2.44). Valores por debajo de 5 se consideran aceptables, y por debajo de 3 se consideran excelentes. Esto indica que cada variable predictora aporta información independiente al modelo, sin redundancias significativas entre ellas, lo que garantiza que los coeficientes estimados son estables y confiables.
6 Conclusiones y Recomendaciones
Después de construir y analizar el modelo de regresión lineal múltiple, hay varias conclusiones que vale la pena destacar tanto sobre los resultados del modelo como sobre el proceso que llevamos a cabo.
Variables significativas
El empleo en servicios fue sin duda la variable estrella del modelo. Resultó significativa en todas las versiones del modelo que probamos, con un coeficiente positivo y consistente. Esto confirma lo que plantea la teoría de la transformación estructural: los países que han logrado trasladar su fuerza laboral hacia sectores de mayor valor agregado como tecnología, finanzas o salud, son los que mayor productividad por trabajador tienen. Europa es el ejemplo más claro de esta tendencia.
El empleo a tiempo parcial también resultó significativo, aunque con un resultado que inicialmente sorprende porque su relación con el GDP fue positiva cuando esperábamos que fuera negativa. La explicación está en la composición de la muestra: los países con más empleo parcial son economías europeas desarrolladas donde esa modalidad es una opción flexible y voluntaria, no un síntoma de precariedad como ocurre en países menos desarrollados. Esto nos enseña que el significado de una variable puede cambiar dependiendo del contexto en que se analice.
Variables no significativas
Los trabajadores asalariados, los empleadores y el ratio empleo/población no resultaron estadísticamente significativos en el modelo final. Es importante aclarar que esto no significa que estas variables no importen en la realidad — significa que en esta muestra específica, una vez que se controlan las demás variables incluyendo la región, no logran explicar diferencias adicionales en el GDP.
En el caso de los asalariados, su efecto probablemente queda absorbido por la variable de región, ya que los países más formales tienden a concentrarse en Europa y esa información ya la está capturando el modelo a través de la dummy regional. Los empleadores tienen muy poca variación en la muestra — la mayoría de países tienen entre 1% y 6% — lo que dificulta que el modelo detecte su efecto. Y el ratio empleo/población resultó no significativo porque tener más personas empleadas no garantiza mayor productividad si esos empleos son de baja calidad.
Variable categórica de región
Incluir la región como variable dummy fue una decisión clave que mejoró el modelo. El R² subió de 0.603 a 0.657, confirmando que la ubicación geográfica aporta información adicional relevante. El resultado más interesante fue que Latinoamérica mostró un GDP marginalmente significativo menor al de Asia Central, incluso controlando las demás variables. Esto sugiere que hay algo en la estructura económica de Latinoamérica que no queda capturado por las variables laborales del modelo — posiblemente factores institucionales, educativos o de infraestructura.
Supuestos del modelo
El modelo cumplió satisfactoriamente con los supuestos de homocedasticidad y ausencia de multicolinealidad, lo que garantiza que los coeficientes son estables y confiables. Sin embargo, el supuesto de normalidad de los residuos no se cumplió, probablemente por la presencia de países con valores muy extremos de GDP como Luxemburgo o Noruega que generan residuos atípicos. Esta es una limitación real del modelo que hay que reconocer.
6.1 Recomendaciones
Los países de Latinoamérica y el Caribe podrían mejorar su productividad apostando por políticas que reduzcan la informalidad laboral y que fortalezcan sectores modernos de servicios como tecnología, salud y finanzas.
Para los países de Asia Central, diversificar la economía más allá de los sectores primarios y avanzar hacia mercados laborales más formales podría tener un impacto significativo en la productividad.
Para futuros análisis, sería valioso incorporar variables de educación, inversión en tecnología o calidad institucional, que probablemente expliquen una buena parte de ese 34% de variabilidad que el modelo no logró capturar.
6.2 ¿Logró el modelo responder al objetivo de la investigación?
Sí, creemos que sí. El objetivo era entender qué características del mercado laboral explican por qué algunos países son más productivos que otros, y el modelo logró identificar que el empleo en servicios y el empleo a tiempo parcial son los factores más relevantes, además de confirmar que la región geográfica también juega un papel importante. Con un R² de 0.657, el modelo explica casi dos tercios de la variabilidad del GDP por persona empleada, lo cual es un resultado bastante satisfactorio para un análisis que solo usa variables del mercado laboral. La principal limitación fue el incumplimiento de la normalidad en los residuos, pero los demás supuestos se cumplieron correctamente, lo que le da validez a las conclusiones obtenidas.
7 Bibliografía
World Bank. (2022). World Development Indicators. https://databank.worldbank.org/source/world-development-indicators
Lewis, W. A. (1954). Economic development with unlimited supplies of labour. The Manchester School, 22(2), 139-191.
Chenery, H. B. (1960). Patterns of industrial growth. The American Economic Review, 50(4), 624-654.
Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning.
ILO. (2016). World Employment and Social Outlook: Trends 2016. International Labour Organization.
R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/