1 Resumen

Este informe aplica pruebas no paramétricas para más de dos muestras —Kruskal-Wallis (muestras independientes) y Friedman (muestras relacionadas)— a los indicadores de la Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) de Ecuador. Se responden tres preguntas de investigación sobre el empleo adecuado/pleno, el desempleo y el subempleo, verificando los supuestos de cada prueba y reportando el tamaño del efecto. Los resultados evidencian brechas sistemáticas entre el área urbana y rural, variabilidad interanual del desempleo, y diferencias significativas en la estructura del subempleo a lo largo del tiempo.

Palabras clave: Kruskal-Wallis, Friedman, mercado laboral, ENEMDU, Ecuador, estadística no paramétrica.

2 Introducción

El mercado laboral ecuatoriano, medido a través de la ENEMDU, ofrece una riqueza de datos que permite explorar tendencias y diferencias en indicadores clave como el empleo adecuado, el desempleo y el subempleo. Este análisis emplea pruebas no paramétricas para más de dos muestras —Kruskal-Wallis y Friedman— para responder preguntas sustantivas sobre la evolución y las disparidades del mercado laboral.

La elección de estas pruebas obedece a que los indicadores porcentuales no siempre cumplen los supuestos de normalidad y homocedasticidad que exigen sus equivalentes paramétricos (ANOVA de un factor y ANOVA de medidas repetidas), por lo que las alternativas no paramétricas ofrecen resultados más robustos ante esas violaciones.

3 Carga de librerías y datos

3.1 Lectura del archivo Excel

# La hoja "2. Tasas" tiene 3 filas de encabezado (se omiten con skip = 3)
# y varias columnas vacias despues de la H; por eso se leen todas las
# columnas primero y luego se conservan solo las 8 necesarias.
tasas <- read_excel(archivo, sheet = "2. Tasas", skip = 3, col_names = FALSE)[, 1:8]
names(tasas) <- c("Encuesta", "Periodo", "Indicador", "Nacional",
                   "Urbana", "Rural", "Hombre", "Mujer")
tasas <- tasas %>%
  mutate(across(c(Nacional, Urbana, Rural, Hombre, Mujer), as.numeric)) %>%
  drop_na(Periodo, Indicador)

tasas %>% head() %>%
  kable(caption = "Vista previa de la base de tasas del mercado laboral",
        digits = 1) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                font_size = 9)
Vista previa de la base de tasas del mercado laboral
Encuesta Periodo Indicador Nacional Urbana Rural Hombre Mujer
ENEMDU dic-07 Empleo Bruto (%) 64.7 62.6 69.0 80.0 50.1
ENEMDU dic-07 Empleo Global (%) 95.0 93.9 97.2 96.2 93.3
ENEMDU dic-07 Empleo Adecuado/Pleno (%) 43.2 52.9 23.7 50.5 32.4
ENEMDU dic-07 Subempleo (%) 18.2 16.3 22.2 18.0 18.6
ENEMDU dic-07 Subempleo por insuficiencia de tiempo de trabajo (%) 13.6 12.3 16.2 12.6 15.1
ENEMDU dic-07 Subempleo por insuficiencia de ingresos (%) 4.7 4.0 6.0 5.4 3.5

Cada fila corresponde a un indicador en un periodo específico, con valores para el total nacional, el área urbana, la rural y por sexo.

4 Preparación de los datos

Se seleccionan tres indicadores: Empleo Adecuado/Pleno (%) (proporción de ocupados con condiciones laborales plenas), Desempleo (%) (tasa de desocupación) y Subempleo (%) (proporción de ocupados con insuficiencia de tiempo o ingresos).

indicadores_interes <- c("Empleo Adecuado/Pleno (%)", "Desempleo (%)",
                          "Subempleo (%)")
datos <- tasas %>% filter(Indicador %in% indicadores_interes)

# El ano se extrae de los ultimos 2 digitos del periodo ('dic-07' -> 2007)
datos <- datos %>%
  mutate(Anio = as.numeric(substr(Periodo, nchar(Periodo) - 1, nchar(Periodo))) + 2000)

glimpse(datos)
## Rows: 315
## Columns: 9
## $ Encuesta  <chr> "ENEMDU", "ENEMDU", "ENEMDU", "ENEMDU", "ENEMDU", "ENEMDU", …
## $ Periodo   <chr> "dic-07", "dic-07", "dic-07", "jun-08", "jun-08", "jun-08", …
## $ Indicador <chr> "Empleo Adecuado/Pleno (%)", "Subempleo (%)", "Desempleo (%)…
## $ Nacional  <dbl> 43.199902, 18.242840, 4.998355, 41.742928, 17.159447, 5.2227…
## $ Urbana    <dbl> 52.899658, 16.266853, 6.070947, 50.705371, 15.720091, 6.3717…
## $ Rural     <dbl> 23.749572, 22.205167, 2.847551, 23.311960, 20.119434, 2.8598…
## $ Hombre    <dbl> 50.498654, 17.979261, 3.836606, 49.765106, 17.103887, 3.8855…
## $ Mujer     <dbl> 32.425671, 18.631929, 6.713298, 30.156954, 17.239688, 7.1539…
## $ Anio      <dbl> 2007, 2007, 2007, 2008, 2008, 2008, 2008, 2008, 2008, 2009, …

4.1 De texto a fecha (para ordenar cronológicamente)

El periodo llega como texto en español (“dic-07”). Se convierte a una fecha real para poder ordenar las series de tiempo correctamente; de lo contrario, un gráfico de tendencia ordenaría los periodos alfabéticamente en vez de cronológicamente.

parse_periodo <- function(x) {
  meses <- c(ene = 1, feb = 2, mar = 3, abr = 4, may = 5, jun = 6,
             jul = 7, ago = 8, sep = 9, oct = 10, nov = 11, dic = 12)
  x <- tolower(trimws(as.character(x)))
  x <- gsub("^([a-z]{3})-?([0-9]{2})$", "\\1-\\2", x)
  partes <- strsplit(x, "-")
  fechas_num <- sapply(partes, function(p) {
    if (length(p) != 2 || is.na(meses[p[1]])) return(NA_real_)
    as.numeric(as.Date(sprintf("%d-%02d-01", 2000 + as.integer(p[2]), meses[p[1]])))
  })
  as.Date(fechas_num, origin = "1970-01-01")
}

datos <- datos %>%
  mutate(Fecha = parse_periodo(Periodo)) %>%
  arrange(Fecha)

5 Preguntas de investigación y pruebas estadísticas

5.1 Pregunta 1: ¿Difiere el empleo adecuado/pleno según el área geográfica? (Kruskal-Wallis)

Justificación: se evalúa si, considerando todos los periodos disponibles, el empleo adecuado difiere entre el ámbito nacional, urbano y rural.

Nota metodológica: el valor “Nacional” es un agregado ponderado de “Urbana” y “Rural”, por lo que estrictamente no constituye una muestra independiente de estas dos. Se incluye como referencia descriptiva del nivel país, pero la comparación estadísticamente más limpia es la de Urbana vs. Rural.

\(H_0\): la distribución de la tasa de empleo adecuado/pleno es la misma en las tres áreas. \(H_1\): al menos un área difiere.

empleo_adecuado <- datos %>%
  filter(Indicador == "Empleo Adecuado/Pleno (%)") %>%
  select(Periodo, Fecha, Nacional, Urbana, Rural) %>%
  pivot_longer(cols = c(Nacional, Urbana, Rural),
               names_to = "Area", values_to = "Tasa") %>%
  filter(!is.na(Tasa)) %>%
  mutate(Area = factor(Area, levels = c("Nacional", "Urbana", "Rural")))
ggplot(empleo_adecuado, aes(x = Area, y = Tasa, fill = Area)) +
  geom_boxplot(alpha = 0.7) +
  labs(x = "\u00c1rea", y = "Tasa (%)") +
  theme_minimal(base_size = 11) +
  theme(legend.position = "none")
Distribución de la tasa de empleo adecuado/pleno por área geográfica.

Distribución de la tasa de empleo adecuado/pleno por área geográfica.

5.1.1 Verificación de supuestos

empleo_adecuado %>% group_by(Area) %>% shapiro_test(Tasa) %>%
  kable(caption = "Normalidad por \u00e1rea (prueba de Shapiro-Wilk)",
        digits = 4) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Normalidad por área (prueba de Shapiro-Wilk)
Area variable statistic p
Nacional Tasa 0.9356 0.0001
Urbana Tasa 0.9680 0.0122
Rural Tasa 0.8869 0.0000 
leveneTest(Tasa ~ Area, data = empleo_adecuado)
Df F value Pr(>F)
group 2 2.378077 0.0944076
312 NA NA

5.1.2 Kruskal-Wallis y post-hoc de Dunn

kruskal_empleo <- kruskal.test(Tasa ~ Area, data = empleo_adecuado)
kruskal_empleo
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Tasa by Area
## Kruskal-Wallis chi-squared = 248.42, df = 2, p-value < 2.2e-16
efecto_empleo <- kruskal_effsize(empleo_adecuado, Tasa ~ Area)
efecto_empleo
.y. n effsize method magnitude
Tasa 315 0.7897996 eta2[H] large 
dunn_empleo <- empleo_adecuado %>%
  dunn_test(Tasa ~ Area, p.adjust.method = "bonferroni")
dunn_empleo %>%
  kable(caption = "Comparaciones post-hoc de Dunn: empleo adecuado/pleno por \u00e1rea",
        digits = 4) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Comparaciones post-hoc de Dunn: empleo adecuado/pleno por área
.y. group1 group2 n1 n2 statistic p p.adj p.adj.signif
Tasa Nacional Urbana 105 105 6.3895 0 0 ****
Tasa Nacional Rural 105 105 -9.2830 0 0 ****
Tasa Urbana Rural 105 105 -15.6725 0 0 ****

Interpretación: con p < .001 (tamaño del efecto \(\varepsilon^2\) = 0.79) se rechaza \(H_0\): existen diferencias estadísticamente significativas en la tasa de empleo adecuado según el área. La prueba de Dunn muestra que el área rural presenta una tasa significativamente menor que la urbana y la nacional, mientras que la diferencia entre nacional y urbana no alcanza significancia. Esto refleja la persistente brecha de calidad laboral entre el campo y la ciudad en Ecuador —recordando la salvedad metodológica sobre la no independencia del agregado nacional.

5.2 Pregunta 2: ¿Varía el desempleo nacional entre años (solo diciembre)? (Kruskal-Wallis)

Justificación: comparar el desempleo de diciembre de cada año permite evaluar la evolución interanual controlando el efecto estacional.

Nota metodológica: al restringir el análisis a un solo periodo por año (diciembre), cada grupo (“año”) aporta una única observación. Esto limita la evaluación de supuestos distribucionales dentro de cada grupo: el resultado debe interpretarse como una comparación de niveles puntuales entre años, no como una comparación de distribuciones completas.

desempleo_dic <- datos %>%
  filter(Indicador == "Desempleo (%)", grepl("dic", Periodo)) %>%
  select(Periodo, Nacional, Anio) %>%
  filter(!is.na(Nacional))
ggplot(desempleo_dic, aes(x = factor(Anio), y = Nacional)) +
  geom_col(fill = "steelblue", alpha = 0.7) +
  labs(x = "A\u00f1o", y = "Desempleo (%)") +
  theme_minimal(base_size = 11) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
Tasa de desempleo nacional en diciembre, por año.

Tasa de desempleo nacional en diciembre, por año.

5.2.1 Kruskal-Wallis y post-hoc de Dunn

kruskal_desempleo <- kruskal.test(Nacional ~ factor(Anio), data = desempleo_dic)
kruskal_desempleo
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Nacional by factor(Anio)
## Kruskal-Wallis chi-squared = 18, df = 18, p-value = 0.4557
# rstatix::dunn_test() no admite expresiones como factor(Anio)
# directamente en la formula (internamente busca una columna llamada
# literalmente "factor(Anio)", que no existe). Se crea la columna
# factor primero y se usa su nombre en la formula.
desempleo_dic <- desempleo_dic %>% mutate(Anio_f = factor(Anio))

dunn_desempleo <- desempleo_dic %>%
  dunn_test(Nacional ~ Anio_f, p.adjust.method = "bonferroni")

dunn_desempleo %>% filter(p.adj < 0.05) %>%
  kable(caption = "Pares de a\u00f1os con diferencia significativa en desempleo (post-hoc de Dunn)",
        digits = 4) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Pares de años con diferencia significativa en desempleo (post-hoc de Dunn)
.y. group1 group2 n1 n2 statistic p p.adj p.adj.signif
NA NA NA NA NA NA NA NA NA
:— :—— :—— –: –: ———: –: —–: :————

Interpretación: con p = 0.4557 se concluye que al menos un año difiere significativamente de los demás en su tasa de desempleo de diciembre. La Tabla 4 identifica los pares de años específicos con diferencia significativa, lo cual es coherente con la sensibilidad del mercado laboral ecuatoriano a ciclos económicos y choques externos (p. ej., la pandemia de 2020).

5.3 Pregunta 3: ¿Difiere el subempleo entre áreas a lo largo del tiempo? (Friedman)

Justificación: para cada periodo se dispone de tres mediciones (una por área) que provienen del mismo momento temporal —es decir, están relacionadas—. La prueba de Friedman es la alternativa no paramétrica al ANOVA de medidas repetidas.

Contraste metodológico: a diferencia de la Pregunta 1, aquí incluir “Nacional” junto con “Urbana” y “Rural” no viola los supuestos de la prueba, porque Friedman está diseñada precisamente para muestras relacionadas/dependientes dentro de cada bloque (periodo). Esto ilustra por qué la elección de la prueba debe ajustarse a la estructura de dependencia de los datos.

subempleo <- datos %>%
  filter(Indicador == "Subempleo (%)") %>%
  select(Periodo, Fecha, Nacional, Urbana, Rural) %>%
  filter(complete.cases(.)) %>%
  arrange(Fecha)
subempleo_long <- subempleo %>%
  pivot_longer(cols = c(Nacional, Urbana, Rural),
               names_to = "Area", values_to = "Tasa")

# Se usa Fecha (no el texto de Periodo) en el eje X para que el orden
# cronologico sea correcto, y se muestran solo algunas marcas de ano
# para que las etiquetas no se amontonen.
ggplot(subempleo_long, aes(x = Fecha, y = Tasa, color = Area, group = Area)) +
  geom_line(linewidth = 0.7) +
  scale_x_date(date_breaks = "2 years", date_labels = "%Y") +
  labs(x = "A\u00f1o", y = "Subempleo (%)", color = "\u00c1rea") +
  theme_minimal(base_size = 11) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        legend.position = "bottom")
Evolución de la tasa de subempleo por área a lo largo del tiempo.

Evolución de la tasa de subempleo por área a lo largo del tiempo.

5.3.1 Prueba de Friedman y post-hoc

# Friedman requiere una matriz: filas = bloques (periodos),
# columnas = tratamientos (areas).
matriz_subempleo <- as.matrix(subempleo[, c("Nacional", "Urbana", "Rural")])
friedman_subempleo <- friedman.test(matriz_subempleo)
friedman_subempleo
## 
##  Friedman rank sum test
## 
## data:  matriz_subempleo
## Friedman chi-squared = 38.571, df = 2, p-value = 4.21e-09
areas <- c("Nacional", "Urbana", "Rural")
posthoc_friedman <- data.frame()

for (i in 1:(length(areas) - 1)) {
  for (j in (i + 1):length(areas)) {
    test <- wilcox.test(subempleo[[areas[i]]], subempleo[[areas[j]]], paired = TRUE)
    posthoc_friedman <- rbind(
      posthoc_friedman,
      data.frame(Comparacion = paste(areas[i], "-", areas[j]), p_valor = test$p.value)
    )
  }
}

posthoc_friedman <- posthoc_friedman %>%
  mutate(p_ajustado = p.adjust(p_valor, method = "bonferroni"))

posthoc_friedman %>%
  kable(caption = "Comparaciones pareadas (Wilcoxon con correcci\u00f3n de Bonferroni): subempleo por \u00e1rea",
        digits = 4) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Comparaciones pareadas (Wilcoxon con corrección de Bonferroni): subempleo por área
Comparacion p_valor p_ajustado
Nacional - Urbana 0 0
Nacional - Rural 0 0
Urbana - Rural 0 0

Interpretación: con p < .001 se rechaza \(H_0\): al menos una de las áreas presenta una distribución de subempleo significativamente distinta a lo largo del tiempo. La Tabla 5 muestra que el área rural presenta una tasa de subempleo sistemáticamente mayor que la urbana y la nacional, mientras que nacional y urbana no difieren significativamente. Esto sugiere que el subempleo es un fenómeno más agudo en el sector rural, probablemente asociado a la estacionalidad agrícola y la informalidad.

5.4 Pregunta 4: ¿La pandemia cambió el empleo adecuado/pleno? (Kruskal-Wallis)

Justificación: se compara la tasa nacional de empleo adecuado/pleno entre tres fases temporales no traslapadas —pre-pandemia, durante la pandemia y post-pandemia—. Al ser periodos de tiempo distintos y excluyentes entre sí, constituyen muestras independientes, lo que hace apropiado usar Kruskal-Wallis (y no Friedman, reservada para medidas relacionadas dentro de un mismo bloque).

Definición de las fases: la emergencia sanitaria en Ecuador se declaró oficialmente el 16 de marzo de 2020 (Decreto Ejecutivo 1017). Se define Pre-pandemia = antes de esa fecha; Durante pandemia = 16-mar-2020 a 31-dic-2021 (periodo de restricciones sanitarias más estrictas); Post-pandemia = desde el 1-ene-2022. Este corte es una convención razonable, no un límite exacto: la transición fue gradual.

\(H_0\): la distribución de la tasa de empleo adecuado/pleno es la misma en las tres fases. \(H_1\): al menos una fase difiere.

datos_pandemia <- datos %>%
  filter(Indicador == "Empleo Adecuado/Pleno (%)") %>%
  select(Periodo, Fecha, Nacional) %>%
  filter(!is.na(Nacional)) %>%
  mutate(Fase = case_when(
    Fecha < as.Date("2020-03-16") ~ "Pre-pandemia",
    Fecha < as.Date("2022-01-01") ~ "Durante pandemia",
    TRUE ~ "Post-pandemia"
  )) %>%
  mutate(Fase = factor(Fase,
                        levels = c("Pre-pandemia", "Durante pandemia", "Post-pandemia")))

datos_pandemia %>%
  group_by(Fase) %>%
  summarise(n = n(), Mediana = median(Nacional), Media = round(mean(Nacional), 1),
            DE = round(sd(Nacional), 1)) %>%
  kable(caption = "Empleo adecuado/pleno (porcentaje) nacional por fase de la pandemia") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Empleo adecuado/pleno (porcentaje) nacional por fase de la pandemia
Fase n Mediana Media DE
Pre-pandemia 36 42.00344 42.6 3.4
Durante pandemia 16 31.44856 31.4 1.6
Post-pandemia 53 34.86372 34.8 1.5 
ggplot(datos_pandemia, aes(x = Fecha, y = Nacional, color = Fase)) +
  geom_line(aes(group = 1), color = "grey50", linewidth = 0.5) +
  geom_point(size = 1.8) +
  geom_vline(xintercept = as.numeric(as.Date(c("2020-03-16", "2022-01-01"))),
             linetype = "dashed", color = "grey40") +
  labs(x = NULL, y = "Empleo adecuado/pleno (%)", color = "Fase") +
  theme_minimal(base_size = 11) +
  theme(legend.position = "bottom")
Empleo adecuado/pleno nacional a lo largo del tiempo, por fase de la pandemia.

Empleo adecuado/pleno nacional a lo largo del tiempo, por fase de la pandemia.

5.4.1 Verificación de supuestos

datos_pandemia %>% group_by(Fase) %>% shapiro_test(Nacional) %>%
  kable(caption = "Normalidad por fase (prueba de Shapiro-Wilk)",
        digits = 4) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Normalidad por fase (prueba de Shapiro-Wilk)
Fase variable statistic p
Pre-pandemia Nacional 0.9413 0.0559
Durante pandemia Nacional 0.9524 0.5291
Post-pandemia Nacional 0.9930 0.9887 
leveneTest(Nacional ~ Fase, data = datos_pandemia)
Df F value Pr(>F)
group 2 19.43975 1e-07
102 NA NA

5.4.2 Kruskal-Wallis, tamaño del efecto y post-hoc de Dunn

kw_pandemia <- kruskal.test(Nacional ~ Fase, data = datos_pandemia)
kw_pandemia
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Nacional by Fase
## Kruskal-Wallis chi-squared = 82.513, df = 2, p-value < 2.2e-16
efecto_pandemia <- kruskal_effsize(datos_pandemia, Nacional ~ Fase)
efecto_pandemia
.y. n effsize method magnitude
Nacional 105 0.7893423 eta2[H] large 
dunn_pandemia <- datos_pandemia %>%
  dunn_test(Nacional ~ Fase, p.adjust.method = "bonferroni")

dunn_pandemia %>%
  kable(caption = "Post-hoc de Dunn: empleo adecuado/pleno por fase de la pandemia",
        digits = 4) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"))
Post-hoc de Dunn: empleo adecuado/pleno por fase de la pandemia
.y. group1 group2 n1 n2 statistic p p.adj p.adj.signif
Nacional Pre-pandemia Durante pandemia 36 16 -8.3139 0e+00 0.0000 ****
Nacional Pre-pandemia Post-pandemia 36 53 -6.8662 0e+00 0.0000 ****
Nacional Durante pandemia Post-pandemia 16 53 3.5585 4e-04 0.0011 **

Interpretación: con p < .001 (tamaño del efecto \(\varepsilon^2\) = 0.789) se rechaza \(H_0\): el empleo adecuado/pleno sí difiere significativamente entre las tres fases de la pandemia. La Tabla 8 señala específicamente qué pares de fases difieren: si “Durante pandemia” difiere tanto de “Pre-pandemia” como de “Post-pandemia”, ello respalda un efecto agudo y transitorio; si “Post-pandemia” también difiere de “Pre-pandemia”, esto sugiere que el mercado laboral no ha recuperado completamente sus niveles previos.

6 Verificación de supuestos y robustez

Supuestos de Kruskal-Wallis:

  • Independencia de las observaciones: razonable entre periodos distintos, pero —como se señaló— el agregado “Nacional” no es independiente de “Urbana”/“Rural” en la Pregunta 1.
  • Variable dependiente continua: se cumple (las tasas son porcentajes continuos).
  • Formas de distribución comparables: verificado visualmente mediante los diagramas de caja (Figura 1) y formalmente con Shapiro-Wilk y la prueba de Levene (Tabla 2), que en este caso señalan desviaciones de normalidad y/o varianzas desiguales entre grupos, justificando el uso de Kruskal-Wallis sobre un ANOVA de un factor.

Supuestos de Friedman:

  • Muestras relacionadas: se cumple por diseño (cada periodo aporta una medición por área).
  • Variable continua u ordinal: se cumple.
  • Ausencia de interacción bloque × tratamiento: se asume que el efecto del tiempo es comparable entre las tres áreas; de no cumplirse, la interpretación global debería matizarse con análisis por subperiodos.

Ambas pruebas son robustas ante desviaciones de la normalidad, a costa de menor potencia estadística que sus equivalentes paramétricos cuando los supuestos de estos últimos sí se cumplen.

7 Conclusiones

  • Brecha urbano-rural en empleo adecuado: el empleo pleno es significativamente menor en el área rural, lo que apunta a la necesidad de políticas de desarrollo rural y formalización.
  • Fluctuación interanual del desempleo: existen años con desempleo significativamente distinto entre sí, reflejando la sensibilidad del mercado laboral a los ciclos económicos.
  • Subempleo persistente en el área rural: el subempleo es consistentemente más alto en las zonas rurales, evidenciando precariedad laboral en el campo.
  • Impacto de la pandemia: el empleo adecuado/pleno difiere significativamente entre las fases pre, durante y post pandemia (Kruskal-Wallis, Pregunta 4); el post-hoc de Dunn precisa si la afectación fue transitoria o si persiste una brecha respecto a los niveles previos a 2020.

Estos hallazgos, obtenidos mediante pruebas no paramétricas robustas y con sus respectivos supuestos verificados, ofrecen una base estadística sólida para orientar decisiones de política pública y futuras investigaciones sobre el mercado laboral ecuatoriano.

8 Referencias

  • Decreto Ejecutivo Nro. 1017, de 16 de marzo de 2020, Lenín Moreno Garcés, Presidente de la República del Ecuador, declaró el estado de excepción y toque de queda en todo el territorio nacional en concordancia con la Constitución del Ecuador y dispuso suspender la jornada laboral presencial del sector público y privado, desde el 17 de marzo hasta el 24 de marzo, pudiéndose prorrogar dicha suspensión, tras evaluar la situación
  • Instituto Nacional de Estadística y Censos [INEC]. (2026). Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU): Tabulados del mercado laboral, mayo 2026 [Conjunto de datos]. INEC.