UNIVERSIDAD DE INVESTIGACIÓN Y DESARROLLO

Econometría con Enfoques Modernos

Teoría, Aplicación Práctica y Modelado Estocástico en R 




<div class="author">**Autor:** Dilan Alexander Manosalvas Andrade</div>
<div class="date">**Fecha:** 19 de junio de 2026</div>
<div class="date">**Entorno:** RStudio & RMarkdown</div>

1 Introducción a los Enfoques Modernos

En las últimas décadas, la econometría ha evolucionado significativamente más allá de las estimaciones clásicas de mínimos cuadrados ordinarios (MCO) de corte transversal. Los enfoques modernos de la econometría, influenciados por autores como Jeffrey Wooldridge y James Stock, enfatizan:

  1. La identificación causal: Distinguir claramente entre correlación y causalidad mediante el uso de variables instrumentales (VI), diferencias en diferencias (DiD) y regresiones discontinuas (RD).
  2. Estructuras de datos complejas: Análisis avanzado de series de tiempo, datos de panel y microeconometría aplicada.
  3. Integración con Machine Learning: El uso de regularización (Ridge, Lasso) y árboles de decisión para predicción y control de variables de confusión de alta dimensión.

Nota Metodológica: Este documento sirve como plantilla interactiva y reproducible que compila tanto a documentos web (HTML) como impresos (PDF), manteniendo un formato estético premium y riguroso.

1.1 El Modelo de Regresión de Mincer

Como caso de estudio para esta plantilla, utilizaremos la célebre Ecuación de Salarios de Mincer (1974), la cual modela los determinantes de los ingresos laborales de un individuo basándose en su capital humano (educación y experiencia acumulada).

2 Especificación Matemática del Modelo

El modelo clásico de Mincer postula que el logaritmo natural del salario de un individuo está determinado linealmente por sus años de educación formal, y de forma cuadrática (no lineal) por sus años de experiencia en el mercado laboral:

\[\ln(\text{Salario}_i) = \beta_0 + \beta_1 \text{Educ}_i + \beta_2 \text{Exper}_i + \beta_3 \text{Exper}_i^2 + \beta_4 \text{Género}_i + u_i\]

Donde: * \(\ln(\text{Salario}_i)\): Logaritmo natural del salario mensual del individuo \(i\). * \(\text{Educ}_i\): Años de educación completados. * \(\text{Exper}_i\): Años de experiencia laboral. * \(\text{Exper}_i^2\): Término cuadrático para capturar los rendimientos decrecientes de la experiencia. * \(\text{Género}_i\): Variable dicotómica (dummy) donde \(1\) representa mujer y \(0\) hombre (control de brecha salarial). * \(u_i\): Término de error estocástico idéntica e independientemente distribuido \(u_i \sim N(0, \sigma^2)\).

2.1 Supuestos Clave del Modelo Lineal Clásico (SMLC)

Para que los estimadores MCO sean los Mejores Estimadores Lineales Insesgados (MELI / BLUE), deben cumplirse los siguientes supuestos:

  1. Linealidad en los parámetros: El modelo debe ser lineal en los coeficientes \(\beta\).
  2. Exogeneidad estricta: El valor esperado del error condicionado a las variables explicativas es cero: \(E(u_i | X_i) = 0\).
  3. No multicolinealidad perfecta: No existen relaciones lineales exactas entre las variables explicativas.
  4. Homocedasticidad: La varianza de los errores es constante para todas las observaciones: \(Var(u_i | X_i) = \sigma^2\).

3 Simulación de Datos Econométricos

A continuación, generaremos un conjunto de datos sintético representativo de \(N = 500\) trabajadores para ilustrar la estimación empírica en R.

# Fijar semilla para reproducibilidad
set.seed(2026)

n <- 500

# Simulación de variables explicativas
educ <- round(runif(n, min = 8, max = 20)) # Entre primaria y postgrado
exper <- round(runif(n, min = 0, max = 40)) # Años de experiencia
genero <- rbinom(n, 1, 0.5)                 # 50% de probabilidad de ser mujer

# Generación del término de error con leve heterocedasticidad simulada
error <- rnorm(n, mean = 0, sd = 0.2 + 0.01 * exper)

# Ecuación de Mincer teórica:
# ln(salario) = 5.8 + 0.08 * educ + 0.04 * exper - 0.0005 * exper^2 - 0.15 * genero + error
ln_salario <- 5.8 + 0.08 * educ + 0.04 * exper - 0.0005 * (exper^2) - 0.15 * genero + error
salario <- exp(ln_salario)

# Crear Data Frame
datos_laborales <- data.frame(
  salario = salario,
  ln_salario = ln_salario,
  educ = educ,
  exper = exper,
  genero = factor(genero, labels = c("Hombre", "Mujer"))
)

3.1 Análisis Descriptivo de las Variables

A continuación, visualizamos una muestra de las primeras observaciones utilizando una tabla elegante:

knitr::kable(
  head(datos_laborales, 10),
  caption = "Tabla 1: Muestra de las Primeras 10 Observaciones Simuladas",
  digits = 2
)
Tabla 1: Muestra de las Primeras 10 Observaciones Simuladas
salario ln_salario educ exper genero
1949.28 7.58 16 15 Mujer
2049.16 7.63 15 28 Mujer
1582.92 7.37 10 30 Mujer
1003.35 6.91 11 7 Hombre
1639.84 7.40 15 14 Hombre
421.67 6.04 8 3 Mujer
2412.47 7.79 14 18 Mujer
5500.82 8.61 18 26 Hombre
2888.79 7.97 11 37 Hombre
2783.72 7.93 15 24 Hombre

3.1.1 Distribución de Salarios por Género

Construimos un gráfico descriptivo moderno para analizar la distribución del ingreso:

if (require("ggplot2")) {
  ggplot(datos_laborales, aes(x = salario, fill = genero)) +
    geom_density(alpha = 0.6) +
    scale_fill_manual(values = c("#2B6CB0", "#E53E3E")) +
    labs(
      title = "Distribución del Salario Mensual por Género",
      subtitle = "Evidencia descriptiva de brecha de ingresos",
      x = "Salario Mensual (USD)",
      y = "Densidad",
      fill = "Género"
    ) +
    theme_minimal() +
    theme(
      text = element_text(family = "Outfit"),
      plot.title = element_text(face = "bold", size = 14, color = "#1A365D")
    )
} else {
  # Fallback a gráfico base en caso de no tener ggplot2 instalado
  plot(density(datos_laborales$salario), main = "Densidad de Salario")
}
Gráfico 1: Densidad de Salarios por Género

Gráfico 1: Densidad de Salarios por Género

4 Estimación del Modelo e Inferencia

Procedemos a estimar los coeficientes mediante Mínimos Cuadrados Ordinarios (MCO) utilizando la función lm() de R.

modelo_mincer <- lm(ln_salario ~ educ + exper + I(exper^2) + genero, data = datos_laborales)
resumen <- summary(modelo_mincer)

4.1 Tabla de Resultados

Presentamos la tabla de regresión estructurada con los coeficientes, errores estándar y significancia estadística:

coeficientes <- coef(resumen)
knitr::kable(
  coeficientes,
  caption = "Tabla 2: Coeficientes Estimados por Mínimos Cuadrados Ordinarios (MCO)",
  col.names = c("Estimación", "Error Estándar", "Estadístico t", "Valor p (Pr(>|t|))"),
  digits = 5
)
Tabla 2: Coeficientes Estimados por Mínimos Cuadrados Ordinarios (MCO)
Estimación Error Estándar Estadístico t Valor p (Pr(>|t|))
(Intercept) 5.78928 0.09493 60.98672 0.00000
educ 0.08102 0.00541 14.97398 0.00000
exper 0.03669 0.00634 5.78415 0.00000
I(exper^2) -0.00036 0.00015 -2.35203 0.01906
generoMujer -0.14377 0.03734 -3.85078 0.00013

4.1.1 Interpretación Económica de los Resultados

  • Educación (\(\beta_1\)): El coeficiente de educ (0.081) sugiere que por cada año adicional de educación formal, el salario promedio del trabajador se incrementa en aproximadamente un 8.1%, manteniendo constantes los demás factores.
  • Experiencia Laboral (\(\beta_2\) y \(\beta_3\)): El coeficiente de exper es positivo (0.0367) y el de su cuadrado es negativo (-3.6^{-4}), confirmando la hipótesis de rendimientos marginales decrecientes de la experiencia.
  • Brecha de Género (\(\beta_4\)): Las mujeres perciben en promedio un 14.38% menos salario que los hombres con el mismo nivel educativo y experiencia. Este resultado es estadísticamente altamente significativo.

5 Diagnóstico de Residuos

Un enfoque moderno exige evaluar los supuestos del modelo para asegurar la validez de la inferencia.

5.1 Prueba de Heterocedasticidad (Breusch-Pagan)

Para evaluar si la varianza del error es constante, realizamos el test de Breusch-Pagan.

# Comprobación de heterocedasticidad
if (require("lmtest") && require("sandwich")) {
  bp_test <- bptest(modelo_mincer)
  print(bp_test)
} else {
  # Cálculo manual simplificado o mensaje
  cat("Para pruebas formales de heterocedasticidad, se recomienda instalar los paquetes 'lmtest' y 'sandwich'.\n")
}
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo_mincer
## BP = 47.313, df = 4, p-value = 1.312e-09

Si existe heterocedasticidad (varianza no constante), los errores estándar convencionales están sesgados. En tal caso, debemos corregirlos utilizando estimadores robustos de White o de Huber-White (HC1).

if (require("sandwich") && require("lmtest")) {
  # Coeficientes robustos a la heterocedasticidad (HC1)
  coeftest(modelo_mincer, vcov = vcovHC(modelo_mincer, type = "HC1"))
}
## 
## t test of coefficients:
## 
##                Estimate  Std. Error t value  Pr(>|t|)    
## (Intercept)  5.78927962  0.09222035 62.7766 < 2.2e-16 ***
## educ         0.08102424  0.00563506 14.3786 < 2.2e-16 ***
## exper        0.03669393  0.00579377  6.3333 5.391e-10 ***
## I(exper^2)  -0.00036451  0.00016081 -2.2667 0.0238405 *  
## generoMujer -0.14377452  0.03702811 -3.8828 0.0001172 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

5.2 Gráfico de Diagnóstico de Ajuste

Visualizamos el comportamiento de los residuos frente a los valores ajustados para evaluar la linealidad y la varianza de los errores:

datos_laborales$residuos <- residuals(modelo_mincer)
datos_laborales$ajustados <- fitted(modelo_mincer)

if (require("ggplot2")) {
  ggplot(datos_laborales, aes(x = ajustados, y = residuos)) +
    geom_point(alpha = 0.5, color = "#2B6CB0") +
    geom_hline(yintercept = 0, linetype = "dashed", color = "red", size = 1) +
    geom_smooth(method = "loess", color = "#4A5568", se = FALSE) +
    labs(
      title = "Residuos vs. Valores Ajustados",
      subtitle = "Evaluación gráfica de homocedasticidad y linealidad",
      x = "Valores Ajustados (ln_salario)",
      y = "Residuos estocásticos"
    ) +
    theme_minimal() +
    theme(
      text = element_text(family = "Outfit"),
      plot.title = element_text(face = "bold", size = 14, color = "#1A365D")
    )
} else {
  plot(modelo_mincer, which = 1)
}
Gráfico 2: Análisis de Residuos vs Valores Ajustados

Gráfico 2: Análisis de Residuos vs Valores Ajustados

6 Conclusiones y Discusión

Este reporte demuestra la viabilidad y potencia del uso de RMarkdown combinado con RStudio para estructurar análisis econométricos de alta calidad académica y estética visual.

6.1 Resumen de Hallazgos Econométricos

  1. Validación Empírica de Mincer: Los datos confirman una relación positiva y curvilínea (forma de U invertida) entre la experiencia laboral y los ingresos.
  2. Evidencia de Brechas: Aún controlando por educación y experiencia laboral, se detecta una diferencia salarial sustancial en perjuicio del género femenino.
  3. Importancia de la Inferencia Robusta: El análisis de residuos sugiere la necesidad de implementar errores estándar robustos para asegurar intervalos de confianza válidos.

6.2 Recomendaciones para la Publicación

  • Para compilar este archivo a HTML, presione el botón Knit (o Ctrl+Shift+K) en RStudio. La plantilla importará automáticamente el archivo styles.css para aplicar la paleta institucional de colores y las fuentes tipográficas.
  • Para generar el formato PDF, asegúrese de contar con una distribución de LaTeX instalada (como TinyTeX). El compilador adaptará automáticamente los comandos \newpage y mantendrá el formato matemático intacto.

6.3 Bibliografía y Lecturas Recomendadas

  1. Wooldridge, J. M. (2015). Introducción a la Econometría: Un Enfoque Moderno (6ta ed.). Cengage Learning.
  2. Stock, J. H., & Watson, M. W. (2019). Introduction to Econometrics (4th ed.). Pearson.
  3. Mincer, J. (1974). Schooling, Experience, and Earnings. National Bureau of Economic Research.