Se plantea como pregunta de investigación: ¿Qué variaciones existen en la percepción de reconocimiento laboral entre mujeres y varones según nivel educativo, región, rango etario, sector de ocupación y rama de actividad? Esta pregunta se abordará analizando la encuesta ECETSS 2018, comparando la percepción de reconocimiento general por cada sexo, para luego analizar variaciones al incorporar una tercera variable como nivel educativo, región, rango etario, sector de ocupación y rama de actividad.

# Se declara la lista de paquetes requeridos: lectura de SPSS, manipulación,
# completado de combinaciones y elaboración/guardado de gráficos.
# Instalar paquetes solo si aún no están instalados
paquetes <- c("haven", "dplyr", "tidyr", "ggplot2", "forcats", "scales","ggforce")

# Se compara la lista requerida con los paquetes ya disponibles en R y se
# conserva únicamente aquello que falta, evitando instalaciones repetidas.
paquetes_faltantes <- paquetes[!paquetes %in% installed.packages()[, "Package"]]

if (length(paquetes_faltantes) > 0) {
  install.packages(paquetes_faltantes)
}

# Cargar los paquetes para que sus funciones estén disponibles durante el análisis.
library(haven)
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(tidyr)
library(ggplot2)
library(forcats)
library(scales)
library(ggforce)

# ------------------------------------------------------------
# 1. Leer la base
# ------------------------------------------------------------

# Importa el archivo SPSS. Las etiquetas de valores se preservan como atributos
# y luego se convertirán a texto legible con as_factor().
datos <- read_sav("ECETSS_ocupados.sav")

# Verificar que las variables requeridas existan antes de transformar la base;
# así el análisis se detiene con un mensaje claro si se cambió el archivo fuente.
variables_necesarias <- c(
  "recomp_valorac",
  "C3P16.1",
  "nivel_ed",
  "region",
  "C0P10.3",
  "sector",
  "ramacaes_o"
)

# setdiff identifica las variables solicitadas que no figuran entre las columnas importadas.
variables_faltantes <- setdiff(variables_necesarias, names(datos))

if (length(variables_faltantes) > 0) {
  stop(
    paste(
      "No se encontraron estas variables en la base:",
      paste(variables_faltantes, collapse = ", ")
    )
  )
}

# ------------------------------------------------------------
# 2. Preparar la base y traducir las variables
# ------------------------------------------------------------

# Construye una base analítica con solo las variables necesarias. transmute()
# crea/renombra columnas y descarta el resto de la base original.
base_reconocimiento <- datos %>%
  transmute(
    frecuencia_valoracion = as.character(as_factor(recomp_valorac)),
    sexo = as.character(as_factor(`C3P16.1`)),
    nivel_educativo = as.character(as_factor(nivel_ed)),
    region = as.character(as_factor(region)),
    edad = as.numeric(`C0P10.3`),
    sector = as.character(as_factor(sector)),
    rama_actividad = as.character(as_factor(ramacaes_o))
  ) %>%
  mutate(
    # Agrupa la edad numérica en intervalos de diez años. case_when evalúa las
    # condiciones en orden; las edades fuera de los intervalos quedan como NA.
    rango_etario = case_when(
  edad >= 15 & edad <= 19 ~ "15 a 19 años",
  edad >= 20 & edad <= 29 ~ "20 a 29 años",
  edad >= 30 & edad <= 39 ~ "30 a 39 años",
  edad >= 40 & edad <= 49 ~ "40 a 49 años",
  edad >= 50 & edad <= 59 ~ "50 a 59 años",
  edad >= 60 & edad <= 69 ~ "60 a 69 años",
  edad >= 70 & edad <= 79 ~ "70 a 79 años",
  edad >= 80 & edad <= 89 ~ "80 a 89 años",
  TRUE ~ NA_character_
),
    # Resume las siete respuestas originales en cuatro niveles sustantivos:
    # Alto, Medio, Bajo y S/R (sin respuesta o no aplicable).
    nivel_reconocimiento = case_when(
      frecuencia_valoracion %in% c("Siempre", "Muchas veces") ~ "Alto",
      frecuencia_valoracion == "Algunas veces" ~ "Medio",
      frecuencia_valoracion %in% c("Solo alguna vez", "Nunca") ~ "Bajo",
      frecuencia_valoracion %in% c("No corresponde", "Ns/Nc") ~ "S/R",
      TRUE ~ NA_character_
    ),
    
    # Convierte variables a factores y fija su orden. Esto evita que tablas,
    # leyendas y ejes se ordenen alfabéticamente o de manera inconsistente.
    sexo = factor(sexo, levels = c("Varón", "Mujer")),
    nivel_reconocimiento = factor(
      nivel_reconocimiento,
      levels = c("Alto", "Medio", "Bajo", "S/R")
    ),
    frecuencia_valoracion = factor(
      frecuencia_valoracion,
      levels = c(
        "Siempre",
        "Muchas veces",
        "Algunas veces",
        "Solo alguna vez",
        "Nunca",
        "No corresponde",
        "Ns/Nc"
      )
    )
  ) %>%
  # Excluye registros sin sexo o sin nivel de reconocimiento clasificable,
  # porque no pueden aportar a comparaciones según sexo.
  filter(!is.na(sexo), !is.na(nivel_reconocimiento))

# Colores para los gráficos
colores_reconocimiento <- c(
  "Alto" = "#1B9E77",
  "Medio" = "#E6AB02",
  "Bajo" = "#D95F02",
  "S/R" = "#7570B3"
)

# Crea la carpeta de salida solo si no existe; así el documento puede ejecutarse
# varias veces sin producir un error por intentar recrearla.
if (!dir.exists("graficos_reconocimiento")) {
  dir.create("graficos_reconocimiento")
}
# Calcula, para cada sexo, la proporción general de reconocimiento Alto. Esta
# referencia se repetirá como diamante en cada gráfico desagregado.
referencia_alto_sexo <- base_reconocimiento %>%
  filter(nivel_reconocimiento %in% c("Alto", "Medio", "Bajo")) %>%
  group_by(sexo) %>%
  summarise(
    referencia_alto = mean(
      as.character(nivel_reconocimiento) == "Alto"
    ),
    .groups = "drop"
  )

referencia_alto_sexo
# ------------------------------------------------------------
# 3. Cruce inicial: frecuencia de valoración según sexo
#    Se excluyen Ns/Nc y No corresponde del gráfico
# ------------------------------------------------------------

# Tabla para el gráfico: se cuentan casos por sexo y nivel, y los porcentajes
# se calculan dentro de cada sexo solo entre Alto, Medio y Bajo. S/R no entra
# al denominador para no mezclar falta de respuesta con la distribución analizada.
tabla_frecuencia_sexo <- base_reconocimiento %>%
  filter(nivel_reconocimiento %in% c("Alto", "Medio", "Bajo")) %>%
  count(sexo, nivel_reconocimiento, name = "casos") %>%
  group_by(sexo) %>%
  mutate(
    porcentaje = round(100 * casos / sum(casos), 1)
  ) %>%
  ungroup()

tabla_frecuencia_sexo
# Tabla de control: cuantifica los S/R excluidos y qué porcentaje representan
# del total de personas de cada sexo, para transparentar la exclusión.
tabla_sr_sexo <- base_reconocimiento %>%
  filter(nivel_reconocimiento == "S/R") %>%
  count(sexo, name = "casos_sin_respuesta") %>%
  left_join(
    base_reconocimiento %>%
      count(sexo, name = "total_respondentes"),
    by = "sexo"
  ) %>%
  mutate(
    porcentaje_sin_respuesta = round(
      100 * casos_sin_respuesta / total_respondentes,
      1
    )
  )

tabla_sr_sexo
# Colores solicitados
colores_grafico <- c(
  "Alto" = "#58A65C",
  "Medio" = "#A6A6A6",
  "Bajo" = "#F4A6B5"
)

# Gráfico de barras apiladas al 100%: cada barra representa la distribución de
# niveles de reconocimiento dentro de un sexo; las etiquetas muestran el valor exacto.
grafico_frecuencia_sexo <- ggplot(
  tabla_frecuencia_sexo,
  aes(x = sexo, y = porcentaje, fill = nivel_reconocimiento)
) +
  geom_col(width = 0.65, color = "white", linewidth = 0.6) +
  geom_text(
    aes(label = paste0(porcentaje, "%")),
    position = position_stack(vjust = 0.5),
    color = "black",
    fontface = "bold",
    size = 4
  ) +
  scale_fill_manual(
    values = colores_grafico,
    breaks = c("Alto", "Medio", "Bajo")
  ) +
  scale_y_continuous(
    labels = function(x) paste0(x, "%"),
    breaks = seq(0, 100, 25),
    expand = c(0, 0)
  ) +
  coord_cartesian(ylim = c(0, 100)) +
  labs(
    title = "Reconocimiento laboral según sexo",
    subtitle = "Porcentaje dentro de cada sexo",
    x = NULL,
    y = "Porcentaje",
    fill = "Nivel de reconocimiento",
    caption = paste(
      "Alto: siempre o muchas veces. Medio: algunas veces. Bajo: solo alguna vez o nunca.\n",
      "No corresponde y Ns/Nc se excluyen del gráfico; ver tabla de control."
    )
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.title = element_text(face = "bold"),
    legend.position = "bottom",
    panel.grid.major.x = element_blank(),
    plot.caption.position = "plot",
    plot.caption = element_text(hjust = 0, size = 8)
  )

grafico_frecuencia_sexo

En ambos grupos predomina un nivel alto de reconocimiento laboral. Sin embargo, las mujeres presentan una proporción levemente mayor de reconocimiento alto (68,2%) que los varones (65,1%), una diferencia de 3,1 puntos porcentuales. En cambio, los varones concentran proporciones algo más altas en los niveles medio (21,5% frente a 19,2%) y bajo (13,3% frente a 12,6%).

# Exporta la figura en PNG de alta resolución para usarla fuera del informe.
ggsave(
  "graficos_reconocimiento/01_reconocimiento_segun_sexo.png",
  grafico_frecuencia_sexo,
  width = 10,
  height = 7,
  dpi = 300
)

# ============================================================
# 4. FUNCIÓN PARA GRÁFICOS CON BRECHA Y REFERENCIA GENERAL
# ============================================================

colores_grafico <- c(
  "Alto" = "#58A65C",
  "Medio" = "#A6A6A6",
  "Bajo" = "#F4A6B5"
)

crear_grafico_brecha <- function(
  base,
  variable,
  titulo_variable,
  orden = NULL,
  excluidos = character(0),
  archivo,
  alto = 9,
  tamano_etiquetas = 8,
  espaciado_filas = 0.15,
  ancho_etiquetas = 18
) {

  base_grafico <- base %>%
    transmute(
      sexo = factor(as.character(sexo), levels = c("Varón", "Mujer")),
      grupo = trimws(as.character(.data[[variable]])),
      nivel_reconocimiento = factor(
        as.character(nivel_reconocimiento),
        levels = c("Alto", "Medio", "Bajo")
      )
    ) %>%
    filter(!is.na(sexo), !is.na(grupo))

  tabla_excluidos <- base_grafico %>%
    filter(grupo %in% excluidos) %>%
    count(grupo, sexo, name = "casos") %>%
    mutate(
      porcentaje_muestra = round(100 * casos / nrow(base_grafico), 2)
    )

  print(tabla_excluidos)

  base_grafico <- base_grafico %>%
    filter(
      !grupo %in% excluidos,
      nivel_reconocimiento %in% c("Alto", "Medio", "Bajo")
    )

  categorias_presentes <- unique(base_grafico$grupo)

  if (is.null(orden)) {
    orden_final <- sort(categorias_presentes)
  } else {
    orden_final <- c(
      orden[orden %in% categorias_presentes],
      setdiff(categorias_presentes, orden)
    )
  }

  base_grafico <- base_grafico %>%
    mutate(
      grupo = factor(
        grupo,
        levels = orden_final,
        ordered = TRUE
      )
    )

  tabla <- base_grafico %>%
    count(grupo, sexo, nivel_reconocimiento, name = "casos") %>%
    complete(
      grupo,
      sexo,
      nivel_reconocimiento,
      fill = list(casos = 0)
    )

  tabla_pct <- tabla %>%
    group_by(grupo, sexo) %>%
    mutate(proporcion = casos / sum(casos)) %>%
    ungroup()

  df_gap <- tabla_pct %>%
    filter(nivel_reconocimiento == "Alto") %>%
    select(grupo, sexo, proporcion) %>%
    pivot_wider(
      names_from = sexo,
      values_from = proporcion,
      values_fill = 0
    ) %>%
    mutate(
      brecha_pp = (`Varón` - Mujer) * 100,
      brecha_texto = paste0(
        ifelse(brecha_pp > 0, "+", ""),
        round(brecha_pp, 1),
        " pp"
      )
    )

  df_ovalo <- df_gap %>%
    select(grupo, Mujer, `Varón`) %>%
    pivot_longer(
      cols = c(Mujer, `Varón`),
      names_to = "sexo",
      values_to = "proporcion_alto"
    ) %>%
    mutate(
      sexo = factor(sexo, levels = c("Varón", "Mujer"))
    )

  df_diamante <- tidyr::expand_grid(
    grupo = factor(
      levels(tabla$grupo),
      levels = levels(tabla$grupo),
      ordered = TRUE
    ),
    sexo = factor(
      c("Varón", "Mujer"),
      levels = c("Varón", "Mujer")
    )
  ) %>%
    left_join(
      referencia_alto_sexo,
      by = "sexo"
    )

  grafico <- ggplot(
    data = tabla,
    aes(
      x = casos,
      y = sexo,
      fill = nivel_reconocimiento
    )
  ) +
    geom_col(
      position = position_fill(reverse = TRUE),
      color = "white",
      linewidth = 0.4
    ) +
    ggforce::geom_mark_ellipse(
      data = df_ovalo,
      aes(
        x = proporcion_alto,
        y = sexo,
        group = grupo
      ),
      inherit.aes = FALSE,
      color = "#1976D2",
      fill = NA,
      linewidth = 0.9,
      expand = grid::unit(2.5, "mm")
    ) +
    geom_point(
      data = df_diamante,
      aes(
        x = referencia_alto,
        y = sexo
      ),
      inherit.aes = FALSE,
      shape = 23,
      size = 3.8,
      stroke = 1,
      fill = "#58A65C",
      color = "white"
    ) +
    geom_text(
      data = df_gap,
      aes(
        y = "Mujer",
        label = brecha_texto
      ),
      x = 1.05,
      inherit.aes = FALSE,
      hjust = 0,
      color = "gray30",
      fontface = "bold",
      size = 3
    ) +
    facet_grid(
      grupo ~ .,
      switch = "y",
      labeller = labeller(grupo = label_wrap_gen(ancho_etiquetas))
    ) +
    scale_fill_manual(
      values = colores_grafico,
      breaks = c("Alto", "Medio", "Bajo")
    ) +
    scale_x_continuous(
      labels = scales::percent,
      breaks = seq(0, 1, by = 0.25),
      expand = c(0, 0)
    ) +
    coord_cartesian(
      xlim = c(0, 1.15),
      clip = "off"
    ) +
    guides(
      fill = guide_legend(order = 1)
    ) +
    labs(
      title = paste(
        "Nivel de reconocimiento laboral según sexo\ny",
        tolower(titulo_variable)
      ),
      subtitle = paste(
        "Distribución porcentual dentro de cada sexo y",
        tolower(titulo_variable)
      ),
      x = "Porcentaje",
      y = NULL,
      fill = "Nivel de reconocimiento",
      caption = paste(
        "Alto: siempre o muchas veces. Medio: algunas veces. Bajo: solo alguna vez o nunca.\n",
        "Los óvalos azules y los valores en pp indican la brecha de reconocimiento Alto ",
        "(diferencia entre Varón y Mujer).\n",
        "El diamante verde representa el promedio general de reconocimiento Alto para cada sexo."
      )
    ) +
    theme_minimal(base_size = 12) +
    theme(
      plot.title = element_text(
        face = "bold",
        size = 14,
        lineheight = 0.9
      ),
      legend.position = "bottom",
      strip.text.y.left = element_text(
        angle = 0,
        face = "bold",
        size = tamano_etiquetas,
        lineheight = 0.8,
        margin = margin(r = 10)
      ),
      strip.placement = "outside",
      axis.text.y = element_text(size = 8),
      panel.grid.major.y = element_blank(),
      panel.spacing.y = grid::unit(espaciado_filas, "lines"),
      plot.caption.position = "plot",
      plot.caption = element_text(hjust = 0, size = 8)
    )

  print(grafico)

  ggsave(
    paste0("graficos_reconocimiento/", archivo),
    grafico,
    width = 12,
    height = alto,
    dpi = 300
  )

  return(
    list(
      tabla = tabla,
      tabla_excluidos = tabla_excluidos,
      brechas = df_gap,
      grafico = grafico
    )
  )
}

# ============================================================
# ÓRDENES DE LAS CATEGORÍAS
# ============================================================

orden_nivel_educativo <- c(
  "Posgrado completo",
  "Posgrado incompleto",
  "Universitario completo",
  "Universitario incompleto",
  "Terciario completo",
  "Terciario incompleto",
  "Secundario completo",
  "Secundario incompleto",
  "Primario completo",
  "Primario incompleto",
  "Sin instrucción"
)

orden_region <- c(
  "Gran Buenos Aires",
  "Pampeana",
  "NOA",
  "NEA",
  "Patagonia",
  "Cuyo"
)

orden_rango_etario <- c(
  "80 a 89 años",
  "70 a 79 años",
  "60 a 69 años",
  "50 a 59 años",
  "40 a 49 años",
  "30 a 39 años",
  "20 a 29 años",
  "15 a 19 años"
)

orden_sector <- c(
  "Privado",
  "Público o estatal",
  "De otro tipo"
)

orden_rama_actividad <- c(
  "Actividades primarias",
  "Industria manufacturera",
  "Construcción",
  "Comercio",
  "Hoteles y restaurantes",
  "Transporte, alm y comunic",
  "Serv financ, inm, alq y emp",
  "Administración pública y defensa",
  "Enseñanza",
  "Servicios sociales y de salud",
  "Otros serv comunit, soc y per",
  "Trabajo doméstico",
  "Otras ramas"
)

# ============================================================
# GRÁFICOS
# ============================================================

resultado_nivel_educativo <- crear_grafico_brecha(
  base = base_reconocimiento,
  variable = "nivel_educativo",
  titulo_variable = "Nivel educativo",
  orden = orden_nivel_educativo,
  excluidos = c("Ns/Nc", "S/R"),
  archivo = "02_reconocimiento_sexo_nivel_educativo.png",
  alto = 14
)
## # A tibble: 2 × 4
##   grupo sexo  casos porcentaje_muestra
##   <chr> <fct> <int>              <dbl>
## 1 Ns/Nc Varón     6               0.07
## 2 Ns/Nc Mujer     6               0.07

Las mayores brechas a favor de las mujeres se observan en los extremos formativos más bajos (hasta -10,5 pp en Primario completo y -10 pp en Sin instrucción) y en Posgrado incompleto (-9,8 pp) y Terciario incompleto (-9,1 pp). En cambio, los varones superan a las mujeres en percepción de reconocimiento alto únicamente en Posgrado completo (+6 pp) y Universitario completo (+4 pp). Cabe señalar que en el caso de las mujeres con nivel educativo primario, se observa una mayor percepción de reconocimiento respecto del nivel general de las mujeres. 
resultado_region <- crear_grafico_brecha(
  base = base_reconocimiento,
  variable = "region",
  titulo_variable = "Región",
  orden = orden_region,
  archivo = "03_reconocimiento_sexo_region.png",
  alto = 8
)
## # A tibble: 0 × 4
## # ℹ 4 variables: grupo <chr>, sexo <fct>, casos <int>, porcentaje_muestra <dbl>

La ventaja en la percepción de reconocimiento alto para las mujeres se sostiene en todas las regiones del país. Las brechas más amplias a favor de la mujer se registran en Patagonia (-7 pp) y Cuyo (-6,1 pp), mientras que en el NEA (-0,8 pp) y el NOA (-1,3 pp) las diferencias son prácticamente marginales.

resultado_rango_etario <- crear_grafico_brecha(
  base = base_reconocimiento,
  variable = "rango_etario",
  titulo_variable = "Rango etario",
  orden = orden_rango_etario,
  archivo = "04_reconocimiento_sexo_rango_etario.png",
  alto = 10
)
## # A tibble: 0 × 4
## # ℹ 4 variables: grupo <chr>, sexo <fct>, casos <int>, porcentaje_muestra <dbl>

En los tramos etarios extremos (15 a 19 años y 80 a 89 años), los varones registran mayor nivel de reconocimiento alto que las mujeres (+4,3 pp y +10 pp respectivamente). En la franja de 60 a 79 años, la ventaja pasa a ser significativamente favorable a las mujeres (-7,2 pp en ambos decenios). En las edades centrales (20 a 59 años), las brechas son más moderadas pero predominantemente favorables a las mujeres. Cabe señalar que en ambos sexos, la percepción de reconocimiento aumenta considerablemente respecto del nivel general de cada sexo en los rangos etarios superiores a 60 años.

resultado_sector <- crear_grafico_brecha(
  base = base_reconocimiento,
  variable = "sector",
  titulo_variable = "Sector de ocupación",
  orden = orden_sector,
  excluidos = c("Ns/Nc", "S/R"),
  archivo = "05_reconocimiento_sexo_sector.png",
  alto = 7
)
## # A tibble: 2 × 4
##   grupo sexo  casos porcentaje_muestra
##   <chr> <fct> <int>              <dbl>
## 1 Ns/Nc Varón     1               0.01
## 2 Ns/Nc Mujer     2               0.02

En el Sector Privado, las mujeres perciben mayor reconocimiento alto que los varones (-4,6 pp). En el Sector Público o Estatal, aunque los niveles generales de reconocimiento alto son sensiblemente menores para ambos sexos que en el sector privado, la brecha a favor de la mujer se reduce a -2,3 pp.

resultado_rama_actividad <- crear_grafico_brecha(
  base = base_reconocimiento,
  variable = "rama_actividad",
  titulo_variable = "Rama de actividad",
  orden = orden_rama_actividad,
  excluidos = c("Sin especificar", "Ns/Nc", "S/R"),
  archivo = "06_reconocimiento_sexo_rama_actividad.png",
  alto = 16,
  tamano_etiquetas = 7,
  espaciado_filas = 0.15,
  ancho_etiquetas = 30
)
## # A tibble: 2 × 4
##   grupo           sexo  casos porcentaje_muestra
##   <chr>           <fct> <int>              <dbl>
## 1 Sin especificar Varón    17               0.19
## 2 Sin especificar Mujer     6               0.07

Las brechas más pronunciadas a favor de la mujer en reconocimiento alto se encuentran en Otras ramas (-31,5 pp) y Trabajo doméstico (-15,3 pp), seguidas por Industria manufacturera (-9,7 pp) y Hoteles y restaurantes (-8,9 pp). Por el contrario, los varones perciben sustancialmente más reconocimiento alto en Actividades primarias (+8,3 pp) y, en menor medida, en Servicios sociales y de salud (+5 pp). En ambos sexos, se observa que en actividades primarias el nivel de reconocimiento es menor respecto del nivel general para cada sexo, pero mayor en el caso de Otros servicios comunitarios. En el caso de las mujeres de la categoría Otras ramas, la percepción de reconocimiento aumenta considerablemente en relación al promedio general de las mujeres, siendo importante indagar acerca de qué incluye dicha categoría.

RESUMEN

Aunque las mujeres reportan en promedio un reconocimiento laboral más elevado que los varones, esta percepción está fuertemente condicionada por el nivel alcanzado y el posicionamiento en el mercado de trabajo. La ventaja femenina predomina en niveles educativos bajos/incompletos, sectores privados y ramas feminizadas o informales, mientras que los varones consolidan una mayor percepción de reconocimiento en los niveles educativos superiores de posgrado/universitario completo y en sectores primario y servicios sociales y de salud.
Si bien el análisis descriptivo no permite matizar posibles sesgos producto de limitaciones de la muestra (por ejemplo, sólo hay 5 varones en el sector de empleados domésticos), los resultados obtenidos nos permiten abrir preguntas vinculadas a qué entiende cada sexo por reconocimiento y cómo estas concepciones se articulan con expectativas diferenciales en uno y otro en cuanto al nivel educativo, la región, el rango etario, el sector de ocupación y la rama de actividad.
Algunas posibles líneas de análisis podrían ser:
  1. ¿Qué otras variables hacen que la acreditación educativa formal influya en la brecha de sexo respecto del reconocimiento laboral alto, y qué sucede en los extremos de la estructura educativa?
  2. ¿Cómo varían los significados y expectativas atribuibles al “reconocimiento laboral” entre varones y mujeres a lo largo del ciclo de vida, y de qué manera esta mutación conceptual explica las fluctuaciones intergénero en la percepción de reconocimiento alto?
  3. ¿En qué medida la segregación sectorial y la tipología de la actividad económica amplifican o neutralizan las diferencias de género en la percepción de reconocimiento laboral (feminización/masculinización de las ocupaciones)?