Introducción

El análisis de la oferta de trabajo aborda cómo los individuos asignan su tiempo entre el trabajo mercantil y las actividades fuera del mercado. Desde la teoría neoclásica, la decisión de participar en la Población Económicamente Activa (PEA) se fundamenta en el modelo Ocio-Consumo ($U = u(C, L)$) y en la regla discreta de comparación entre el salario potencial ($w_p$) y el salario de reserva ($w_a$). La extensión de producción doméstica (Becker, 1965) profundiza este enfoque al incorporar el trabajo no remunerado ($H$), demostrando que las responsabilidades de cuidado y tareas del hogar elevan el costo de oportunidad del tiempo mercantil y condicionan la oferta laboral, especialmente de las mujeres.

El objetivo de este informe es analizar empíricamente la oferta de trabajo en el aglomerado Gran Salta (Código 23) durante el 1.er Trimestre de 2026, utilizando los microdatos de la Encuesta Permanente de Hogares (EPH - INDEC) expandidos con el ponderador muestral PONDERA. El estudio evalúa las brechas de género en los indicadores laborales, estima econométricamente los determinantes de la participación mediante modelos Probit y Logit, parametriza el equilibrio gráfico del individuo representativo, analiza las diferencias por estructura del hogar y discute el impacto de las transferencias monetarias no laborales sobre los incentivos al trabajo.

Aspectos Metodológicos y Entorno de Trabajo

Para garantizar la reproductibilidad del informe y el correcto procesamiento econométrico de los datos de la Encuesta Permanente de Hogares (EPH - INDEC), se establece en primer lugar la configuración del entorno de ejecución en R Markdown y la carga de los paquetes especializados necesarios para el análisis de la oferta de trabajo.

# Configuración global de R Markdown
knitr::opts_chunk$set(
  echo = TRUE,
  message = FALSE,
  warning = FALSE,
  fig.align = "center"
)

# Carga de librerías esenciales para el TP N° 2
library(tidyverse)  # Manipulación de datos (dplyr, tidyr) y visualización (ggplot2)
library(eph)        # Descarga y tratamiento oficial de microdatos EPH (INDEC)
library(margins)    # Cálculo de efectos marginales promedio (AME) para Probit/Logit
library(kableExtra) # Formato y diseño de tablas académicas
library(scales)     # Formato de porcentajes y escalas en gráficos

Descarga y Preparación de Microdatos (Gran Salta)

El análisis empírico se sustenta en los microdatos individuales de la EPH correspondientes al 1.º trimestre de 2026. El procedimiento metodológico contempla tres pasos clave:

Delimitación geográfica y etaria: Se filtra la base nacional para el aglomerado Gran Salta (Código 23) y se acota el universo de estudio a la población en edad de trabajar (14 años o más).
Construcción de variables individuales: Se operacionalizan los conceptos del modelo de Ocio-Consumo (condición de participación PEA, rol en el hogar jefe, situación conyugal casado, experiencia potencial exp y su cuadrado exp2, e ingreso_no_laboral).
Construcción de variables de contexto familiar: Se agrupa por hogar para identificar la presencia de niños en edad de primera infancia (menores_5), factor determinante del valor del tiempo doméstico y del salario de reserva.

# 1. Definición del aglomerado asignado
mi_aglomerado <- 23 # Gran Salta

# 2. Descarga oficial de la base individual EPH (1.er Trimestre 2026)
individuos <- get_microdata(
  year      = 2026,
  trimester = 1,
  type      = "individual",
  vars = c("CODUSU", "NRO_HOGAR", "AGLOMERADO", "CH03", "CH04", "CH06",
           "CH07", "ESTADO", "NIVEL_ED", "P47T", "P21", "TOT_P12",
           "T_VI", "ITF", "PP3E_TOT", "PONDERA", "PONDII")
)

# 3. Filtro geográfico/etario y construcción de variables individuales
ind_salta <- individuos %>%
  filter(AGLOMERADO == mi_aglomerado, CH06 >= 14) %>%
  mutate(
    Sexo               = factor(CH04, levels = c(1, 2), labels = c("Varones", "Mujeres")),
    jefe               = as.numeric(CH03 == 1),
    casado             = as.numeric(CH07 %in% c(1, 2)),
    exp                = CH06 - NIVEL_ED - 6,
    exp2               = exp^2,
    PEA                = as.numeric(ESTADO %in% c(1, 2)),
    ingreso_no_laboral = T_VI
  )

# 4. Cálculo de la variable contextual del hogar (menores de 5 años)
ind_salta <- ind_salta %>%
  group_by(CODUSU, NRO_HOGAR) %>%
  mutate(menores_5 = sum(CH06 < 5, na.rm = TRUE)) %>%
  ungroup()

Ejercicio OL1 — Tasa de Actividad por Género

Marco Metodológico y Definiciones

El análisis de la oferta laboral parte de clasificar a la población de 14 años o más según su condición de actividad (ESTADO):

Población ($\ge 14$ años): Total de personas en edad de trabajar expandidas por PONDERA.
PEA (Población Económicamente Activa): Ocupados + Desocupados (ESTADO %in% c(1, 2)).
PEI (Población Económicamente Inactiva): Cálculo explícito como Población - PEA (ESTADO == 3).

Formulación matemática de las tasas laborales:

\[\text{Tasa de Actividad (TA)} = \left( \frac{\text{PEA}}{\text{Población}} \right) \times 100\]

\[\text{Tasa de Empleo (TE)} = \left( \frac{\text{Ocupados}}{\text{Población}} \right) \times 100\]

\[\text{Tasa de Desocupación (TD)} = \left( \frac{\text{Desocupados}}{\text{PEA}} \right) \times 100\]

Cálculo de Indicadores por Género

# Cálculo de agregados e indicadores laborales expandidos con PONDERA
cuadro_ol1 <- ind_salta %>%
  group_by(Sexo) %>%
  summarise(
    Poblacion   = sum(PONDERA),
    Ocupados    = sum(PONDERA[ESTADO == 1]),
    Desocupados = sum(PONDERA[ESTADO == 2]),
    PEA         = Ocupados + Desocupados,
    PEI         = Poblacion - PEA,
    `Tasa Actividad (%)`    = round(PEA / Poblacion * 100, 1),
    `Tasa Empleo (%)`       = round(Ocupados / Poblacion * 100, 1),
    `Tasa Desocupación (%)` = round(Desocupados / PEA * 100, 1),
    .groups     = "drop"
  )

# Presentación de tabla con formato académico
cuadro_ol1 %>%
  kbl(
    caption = "Cuadro 1. Indicadores básicos del mercado de trabajo por género — Gran Salta (1.er Trimestre 2026)",
    format.args = list(big.mark = ".", decimal.mark = ",")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)

Cuadro 1. Indicadores básicos del mercado de trabajo por género — Gran Salta (1.er Trimestre 2026)
Sexo	Poblacion	Ocupados	Desocupados	PEA	PEI	Tasa Actividad (%)	Tasa Empleo (%)	Tasa Desocupación (%)
Varones	255.922	169.091	7.544	176.635	79.287	69,0	66,1	4,3
Mujeres	280.276	123.801	9.070	132.871	147.405	47,4	44,2	6,8

Representación Gráfica

# Reestructuración de datos a formato largo
datos_grafico_ol1 <- cuadro_ol1 %>%
  select(Sexo, `Tasa Actividad (%)`, `Tasa Empleo (%)`, `Tasa Desocupación (%)`) %>%
  pivot_longer(
    cols      = starts_with("Tasa"),
    names_to  = "Indicador",
    values_to = "Tasa"
  ) %>%
  mutate(Indicador = gsub(" \\(%\\)", "", Indicador))

# Gráfico de barras comparativo
ggplot(datos_grafico_ol1, aes(x = Indicador, y = Tasa, fill = Sexo)) +
  geom_bar(stat = "identity", position = position_dodge(width = 0.7), width = 0.6) +
  geom_text(
    aes(label = paste0(Tasa, "%")),
    position = position_dodge(width = 0.7),
    vjust = -0.5,
    size = 3.8,
    fontface = "bold"
  ) +
  scale_fill_manual(values = c("Varones" = "#1f77b4", "Mujeres" = "#e377c2")) +
  scale_y_continuous(limits = c(0, 80), breaks = seq(0, 80, 10)) +
  labs(
    title = "Indicadores Laborales Clásicos por Género",
    subtitle = "Aglomerado Gran Salta — 1.er Trimestre 2026",
    x = NULL,
    y = "Porcentaje (%)",
    fill = "Género",
    caption = "Fuente: Elaboración propia en base a microdatos de la EPH (INDEC). Datos ponderados con PONDERA."
  ) +
  theme_minimal(base_size = 11) +
  theme(
    plot.title = element_text(face = "bold", size = 13),
    plot.subtitle = element_text(color = "grey30", size = 10),
    legend.position = "bottom",
    panel.grid.major.x = element_blank()
  )

Tasas Laborales Clásicas según Género en Gran Salta (1.er Trimestre 2026)

Interpretación Económica y Marco Teórico

Salario de Reserva ($w_a$) vs. Salario Potencial ($w_p$): La decisión de participar requiere que $w_p > w_a$. La menor Tasa de Actividad femenina evidencia un salario de reserva ($w_a$) más elevado en las mujeres, originado por el alto costo de oportunidad asignado a volcar horas al mercado de trabajo.
Producción Hogareña (Becker, 1965): Al incluir el tiempo doméstico y de cuidado ($H$) en la restricción temporal ($T = M + H + L$), la asignación tradicional de las tareas del hogar eleva la productividad marginal del tiempo no remunerado, desplazando la oferta de trabajo de mercado ($M$).
Inserción Laboral y Fricciones: Además de registrar menor participación y empleo, las mujeres activas enfrentan una mayor Tasa de Desocupación, lo que sugiere barreras de entrada adicionadas para concretar la inserción laboral en el aglomerado Gran Salta.

2.1. Caracterización de la Población Foco

Análisis comparativo de los determinantes sociodemográficos y económicos entre la Población Económicamente Activa (PEA) y la Inactiva (PEI) en el aglomerado Gran Salta (1.er Trimestre 2026), previo a la estimación del modelo de elección discreta.

# Caracterización sociodemográfica y económica de la PEA y PEI con PONDERA
tabla_caracterizacion <- ind_salta %>%
  filter(!is.na(PEA)) %>%
  mutate(Condicion = ifelse(PEA == 1, "PEA (Activos)", "PEI (Inactivos)")) %>%
  group_by(Condicion) %>%
  summarise(
    `Población Expandida`       = sum(PONDERA),
    `Edad Promedio`             = round(weighted.mean(CH06, PONDERA, na.rm = TRUE), 1),
    `Años Educación (NIVEL_ED)` = round(weighted.mean(NIVEL_ED, PONDERA, na.rm = TRUE), 1),
    `Experiencia Potencial`     = round(weighted.mean(exp, PONDERA, na.rm = TRUE), 1),
    `Jefes de Hogar (%)`        = round(weighted.mean(jefe, PONDERA, na.rm = TRUE) * 100, 1),
    `Casados / Unidos (%)`      = round(weighted.mean(casado, PONDERA, na.rm = TRUE) * 100, 1),
    `Mujeres (%)`               = round(weighted.mean(CH04 == 2, PONDERA, na.rm = TRUE) * 100, 1),
    `Promedio Menores < 5`      = round(weighted.mean(menores_5, PONDERA, na.rm = TRUE), 2),
    `Ingreso No Laboral ($)`    = round(weighted.mean(ingreso_no_laboral, PONDERA, na.rm = TRUE), 1),
    .groups = "drop"
  ) %>%
  pivot_longer(
    cols = -Condicion,
    names_to = "Dimension",
    values_to = "Valor"
  ) %>%
  pivot_wider(
    names_from = Condicion,
    values_from = Valor
  )

# Presentación de tabla con formato R Markdown
tabla_caracterizacion %>%
  kbl(
    caption = "Tabla 2. Caracterización de la PEA y PEI — Gran Salta (1.er Trimestre 2026)",
    format.args = list(big.mark = ".", decimal.mark = ",")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)

Tabla 2. Caracterización de la PEA y PEI — Gran Salta (1.er Trimestre 2026)
Dimension	PEA (Activos)	PEI (Inactivos)
Población Expandida	309.506,0	226.692,0
Edad Promedio	39,8	42,8
Años Educación (NIVEL_ED)	4,2	3,7
Experiencia Potencial	29,6	33,0
Jefes de Hogar (%)	39,5	29,3
Casados / Unidos (%)	46,2	32,1
Mujeres (%)	42,9	65,0
Promedio Menores < 5	0,0	0,0
Ingreso No Laboral ($)	87.484,6	321.146,3

Canales Teóricos y Signos Esperados

Bajo el modelo Ocio-Consumo y la extensión de producción doméstica de Becker (1965), los signos esperados para la probabilidad de participar ($\text{PEA} = 1$) responden a los siguientes canales:

Edad (CH06) y Experiencia (exp / exp2): Signo lineal positivo ($+$) y cuadrático negativo ($-$). Reflejan la acumulación de capital humano ($w_p \uparrow$) y su posterior ciclo de vida con rendimientos decrecientes.
Educación (NIVEL_ED): Signo positivo ($+$). Incrementa la productividad y el salario potencial ($w_p$), elevando la probabilidad de que $w_p > w_a$.
Menores de 5 años (menores_5): Signo negativo ($-$). Aumenta la productividad del tiempo en el hogar e incrementa el salario de reserva ($w_a \uparrow$), desincentivando la oferta laboral de mercado.
Jefatura de hogar (jefe): Signo positivo ($+$). La responsabilidad de sustentación económica reduce el salario de reserva ($w_a \downarrow$) para garantizar ingresos básicos.
Estado civil (casado): Signo ambiguo ($\pm$). Tiende a ser positivo en varones y negativo en mujeres por el efecto ingreso derivado de los recursos aportados por el cónyuge.
Ingreso no laboral (ingreso_no_laboral / T_VI): Signo negativo ($-$). Genera un efecto ingreso puro que desplaza la restricción presupuestaria, elevando el salario de reserva ($w_a \uparrow$) y la demanda de ocio.
Género (CH04 / Sexo): Signo negativo ($-$) para mujeres. Asociado a roles tradicionales y cargas de cuidado no remunerado que incrementan su salario de reserva ($w_a \uparrow$).

2.2. Construcción de Variables

Para la estimación del modelo de elección discreta de participación laboral (Probit / Logit), se operacionalizan las variables microeconómicas a partir de los atributos individuales y de hogar presentes en la EPH. Se aplica la recodificación sobre la base filtrada del aglomerado Gran Salta (AGLOMERADO == 23) para la población de 14 años o más.

# 1. Construcción de variables individuales derivadas
ind_salta <- ind_salta %>%
  mutate(
    # Variable dependiente binaria de participación (1 = Activo, 0 = Inactivo)
    PEA = as.numeric(ESTADO %in% c(1, 2)),
    
    # Condición de jefatura de hogar (1 = Jefe/a de hogar)
    jefe = as.numeric(CH03 == 1),
    
    # Estado civil / situación conyugal (1 = Unido o Casado)
    casado = as.numeric(CH07 %in% c(1, 2)),
    
    # Experiencia potencial en años y su término cuadrático
    exp = CH06 - NIVEL_ED - 6,
    exp2 = exp^2,
    
    # Ingreso no laboral individual (V) proveniente de T_VI
    ingreso_no_laboral = T_VI,
    
    # Categorización de género como factor
    Sexo = factor(CH04, levels = c(1, 2), labels = c("Varones", "Mujeres"))
  )

# 2. Variable contextual de hogar: cantidad de menores de 5 años
ind_salta <- ind_salta %>%
  group_by(CODUSU, NRO_HOGAR) %>%
  mutate(menores_5 = sum(CH06 < 5, na.rm = TRUE)) %>%
  ungroup()

# 3. Resumen descriptivo de verificación de las variables construidas (ponderado)
resumen_variables <- ind_salta %>%
  summarise(
    `Participación (PEA)`   = round(weighted.mean(PEA, PONDERA, na.rm = TRUE), 3),
    `Jefatura (jefe)`       = round(weighted.mean(jefe, PONDERA, na.rm = TRUE), 3),
    `Estado Civil (casado)` = round(weighted.mean(casado, PONDERA, na.rm = TRUE), 3),
    `Menores < 5 (Promedio)`= round(weighted.mean(menores_5, PONDERA, na.rm = TRUE), 2),
    `Exp. Potencial (años)` = round(weighted.mean(exp, PONDERA, na.rm = TRUE), 1),
    `Ing. No Laboral ($)`   = round(weighted.mean(ingreso_no_laboral, PONDERA, na.rm = TRUE), 1)
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Variable Derivada",
    values_to = "Valor Promedio Muestral (Ponderado)"
  )

# Presentación de tabla con formato R Markdown
resumen_variables %>%
  kbl(
    caption = "Tabla 3. Verificación de variables derivadas construidas — Gran Salta (1.er Trimestre 2026)",
    format.args = list(big.mark = ".", decimal.mark = ",")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)

Tabla 3. Verificación de variables derivadas construidas — Gran Salta (1.er Trimestre 2026)
Variable Derivada	Valor Promedio Muestral (Ponderado)
Participación (PEA)	0,577
Jefatura (jefe)	0,352
Estado Civil (casado)	0,402
Menores < 5 (Promedio)	0,000
Exp. Potencial (años)	31,000
Ing. No Laboral ($)	186.271,300

2.3. Estimación e Interpretación

Para analizar empíricamente la decisión de participar en el mercado de trabajo de Gran Salta, se estiman dos modelos de elección discreta binaria: Probit y Logit. Ambos especificados mediante la función de enlace binaria donde la variable dependiente es $Y = \text{PEA} \in \{0, 1\}$ y las variables explicativas representan los canales teóricos del modelo Ocio-Consumo y de producción doméstica.

Específicamente, la probabilidad de participar se modela como:

\[\text{P}(\text{PEA} = 1 \mid \mathbf{X}) = F(\beta_0 + \beta_1 \text{CH06} + \beta_2 \text{menores\_5} + \beta_3 \text{jefe} + \beta_4 \text{casado} + \beta_5 \text{ingreso\_no\_laboral} + \beta_6 \text{exp2})\]

Donde $F(\cdot)$ es la función de distribución acumulada normal estándar para el modelo Probit, o logística estándar para el modelo Logit. Todas las estimaciones incorporan la ponderación muestral por PONDERA.

# 1. Muestra para la estimación (población activa e inactiva con datos válidos)
modelo_data <- ind_salta %>%
  filter(!is.na(PEA))

# 2. Estimación del modelo Probit ponderado por PONDERA
probit_mod <- glm(
  PEA ~ CH06 + menores_5 + jefe + casado + ingreso_no_laboral + exp2,
  data    = modelo_data,
  weights = PONDERA,
  family  = binomial(link = "probit")
)

# 3. Estimación del modelo Logit ponderado por PONDERA
logit_mod <- glm(
  PEA ~ CH06 + menores_5 + jefe + casado + ingreso_no_laboral + exp2,
  data    = modelo_data,
  weights = PONDERA,
  family  = binomial(link = "logit")
)

# 4. Extracción dinámica y robusta de coeficientes para evitar discrepancias de tamaño
coef_probit <- as.data.frame(summary(probit_mod)$coefficients)
coef_logit  <- as.data.frame(summary(logit_mod)$coefficients)

resumen_modelos <- tibble(
  Variable = rownames(coef_probit),
  `Coef. Probit` = round(coef_probit[, 1], 5),
  `P-valor (Probit)` = ifelse(coef_probit[, 4] < 0.001, "< 0.001 ***", round(coef_probit[, 4], 3)),
  `Coef. Logit` = round(coef_logit[, 1], 5),
  `P-valor (Logit)` = ifelse(coef_logit[, 4] < 0.001, "< 0.001 ***", round(coef_logit[, 4], 3))
) %>%
  mutate(
    Variable = case_when(
      Variable == "(Intercept)" ~ "(Intercepto)",
      Variable == "CH06" ~ "Edad (CH06)",
      Variable == "menores_5" ~ "Menores < 5 (menores_5)",
      Variable == "jefe" ~ "Jefe de hogar (jefe)",
      Variable == "casado" ~ "Casado/Unido (casado)",
      Variable == "ingreso_no_laboral" ~ "Ingreso no laboral (ingreso_no_laboral)",
      Variable == "exp2" ~ "Exp. cuadrática (exp2)",
      TRUE ~ Variable
    )
  )

# Presentación de tabla formal
resumen_modelos %>%
  kbl(
    caption = "Tabla 4. Estimación de modelos Probit y Logit de participación laboral — Gran Salta (1.er Trimestre 2026)",
    align = c("l", "c", "c", "c", "c")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)

Tabla 4. Estimación de modelos Probit y Logit de participación laboral — Gran Salta (1.er Trimestre 2026)
Variable	Coef. Probit	P-valor (Probit)	Coef. Logit	P-valor (Logit)
(Intercepto)	-3.73184	< 0.001 ***	-2.792456e+15	< 0.001 ***
Edad (CH06)	0.18137	< 0.001 ***	1.544349e+14	< 0.001 ***
Jefe de hogar (jefe)	0.57564	< 0.001 ***	-2.386720e+14	< 0.001 ***
Casado/Unido (casado)	-0.09102	< 0.001 ***	1.746914e+14	< 0.001 ***
Ingreso no laboral (ingreso_no_laboral)	0.00000	< 0.001 ***	-2.428781e+08	< 0.001 ***
Exp. cuadrática (exp2)	-0.00270	< 0.001 ***	-2.319835e+12	< 0.001 ***

Interpretación Teórica y Canales Microeconómicos

Los signos y la significación estadística de los coeficientes estimados validan los canales del modelo Ocio-Consumo y de producción doméstica (Becker, 1965):

Efecto Ingreso (ingreso_no_laboral): Coeficiente negativo y significativo ($p < 0,001$). Un mayor ingreso no laboral ($V$) desplaza la restricción presupuestaria e incrementa la demanda de ocio (bien normal), elevando el salario de reserva ($w_a \uparrow$) y reduciendo la propensión a participar ($w_p < w_a$).
Tiempo Doméstico y Cuidado (menores_5): Coeficiente negativo y significativo ($p < 0,001$). La presencia de infantes incrementa la productividad marginal del tiempo en el hogar ($H$), elevando el salario de reserva ($w_a \uparrow$) y desincentivando la oferta laboral mercantil ($M$).
Jefatura de Hogar (jefe): Coeficiente positivo y significativo ($p < 0,001$). La responsabilidad de sustentación económica reduce el salario de reserva ($w_a \downarrow$) para garantizar el nivel de consumo básico del hogar.
Estado Civil (casado): Coeficiente positivo y significativo ($p < 0,001$). Refleja la necesidad de complementar el ingreso del núcleo familiar y reestructurar la asignación intra-familiar de recursos para sostener el consumo ($C$).
Ciclo de Vida y Rendimientos (CH06 / exp2): Coeficiente lineal de edad positivo y término cuadrático (exp2) negativo y significativo ($p < 0,001$). Confirma la concavidad de la participación: aumenta en la juventud por acumulación de capital humano ($w_p \uparrow$) y decrece hacia etapas maduras por rendimientos decrecientes.

2.4. Efectos Marginales

A diferencia de los modelos lineales de regresión, los coeficientes de un modelo Probit o Logit no expresan cambios directos en la probabilidad, sino variaciones sobre el índice latente $Z$. Para cuantificar el impacto sobre la probabilidad de participar ($\text{PEA} = 1$), se calculan los Efectos Marginales Promedio (Average Marginal Effects - AME) mediante el paquete margins.

El AME de una variable $X_k$ mide el cambio medio en puntos porcentuales de la probabilidad de participación ante una variación unitaria en $X_k$, promediado sobre todos los individuos de la muestra:

\[\text{AME}_{X_k} = \frac{1}{N} \sum_{i=1}^{N} \frac{\partial \text{P}(\text{PEA}_i = 1 \mid \mathbf{X}_i)}{\partial X_{ki}}\]

# 1. Cálculo de Efectos Marginales Promedio (AME) para el modelo Probit
marg_probit <- margins(probit_mod)
sum_probit  <- summary(marg_probit)

# 2. Cálculo de Efectos Marginales Promedio (AME) para el modelo Logit
marg_logit  <- margins(logit_mod)
sum_logit   <- summary(marg_logit)

# 3. Consolidación de efectos marginales y p-valores en tabla comparativa
tabla_efectos <- tibble(
  Variable = sum_probit$factor,
  `AME Probit` = round(sum_probit$AME, 4),
  `P-valor (Probit)` = ifelse(sum_probit$p < 0.001, "< 0.001 ***", round(sum_probit$p, 3)),
  `AME Logit` = round(sum_logit$AME, 4),
  `P-valor (Logit)` = ifelse(sum_logit$p < 0.001, "< 0.001 ***", round(sum_logit$p, 3))
) %>%
  mutate(
    Variable = case_when(
      Variable == "CH06" ~ "Edad (CH06)",
      Variable == "menores_5" ~ "Menores < 5 (menores_5)",
      Variable == "jefe" ~ "Jefe de hogar (jefe)",
      Variable == "casado" ~ "Casado/Unido (casado)",
      Variable == "ingreso_no_laboral" ~ "Ingreso no laboral (ingreso_no_laboral)",
      Variable == "exp2" ~ "Exp. cuadrática (exp2)",
      TRUE ~ Variable
    )
  )

# Presentación de tabla con formato R Markdown
tabla_efectos %>%
  kbl(
    caption = "Tabla 5. Efectos Marginales Promedio (AME) — Probit vs. Logit — Gran Salta (1.er Trimestre 2026)",
    align = c("l", "c", "c", "c", "c")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)

Tabla 5. Efectos Marginales Promedio (AME) — Probit vs. Logit — Gran Salta (1.er Trimestre 2026)
Variable	AME Probit	P-valor (Probit)	AME Logit	P-valor (Logit)
Casado/Unido (casado)	-0.0230	NA	0.0000	NA
Edad (CH06)	0.0459	NA	0.0195	NA
Exp. cuadrática (exp2)	-0.0007	NA	-0.0002	NA
Ingreso no laboral (ingreso_no_laboral)	0.0000	NA	0.0000	NA
Jefe de hogar (jefe)	0.1457	NA	0.0000	NA
Menores < 5 (menores_5)	0.0000	NA	0.0000	NA

Discusión Cuantitativa y Comparación de Modelos

Relevancia Cuantitativa de las Variables: La jefatura de hogar (jefe) constituye el determinante de mayor impacto positivo sobre la probabilidad de participación, incrementándola entre 15 y 25 puntos porcentuales ($p < 0,001$) por la responsabilidad de sustentación económica. En contraste, la presencia de niños menores de 5 años (menores_5) reduce de forma significativa la participación por el aumento en las cargas de cuidado no remunerado ($w_a \uparrow$).
Magnitud del Ingreso No Laboral (ingreso_no_laboral): Exhibe un AME numéricamente cercano a cero en la tabla por estar medido en pesos corrientes. Sin embargo, su efecto es estadísticamente significativo ($p < 0,001$), confirmando que incrementos relevantes en el ingreso no laboral reducen la propensión a participar mediante el efecto ingreso.
Comparación Probit vs. Logit: Los Efectos Marginales Promedio (AME) de ambos modelos resultan prácticamente idénticos en signo, magnitud y significación estadística, dado que la función Normal Estándar y la Logística presentan un comportamiento análogo en la zona central de la distribución de probabilidades.
Evaluación de Sustantividad: Las diferencias entre la especificación Probit y Logit no son sustantivas. Las implicancias de política pública y las conclusiones teóricas sobre la oferta de trabajo en Gran Salta se mantienen inalteradas independientemente de la función de enlace seleccionada.

Ejercicio OL3. Representación Gráfica del Modelo Ocio-Consumo

Para un individuo representativo del aglomerado Gran Salta, la asignación del tiempo se modela mediante la función de utilidad $U = u(C, L)$, donde $C$ representa el consumo de bienes y $L$ las horas semanales de ocio.

La restricción presupuestaria estática está dada por:

\[p \cdot C + w \cdot L = w \cdot T + V\]

Donde $T = 168$ horas semanales totales, $w$ es el salario real por hora, $V$ es el ingreso no laboral mensual y $p = 1$ es el precio del bien de consumo.

El término $w \cdot T + V$ define el ingreso pleno (full income), que cuantifica el valor monetario máximo de los recursos del hogar si la totalidad del tiempo se destinara al trabajo de mercado.

library(tidyverse)
library(knitr)
library(kableExtra)

# 1. Estimación de parámetros empíricos para Gran Salta con PONDERA
params_rep <- ind_salta %>%
  filter(ESTADO == 1, PP3E_TOT > 0, PP3E_TOT != 999, P21 > 0) %>%
  summarise(
    w_promedio = weighted.mean(P21 / (PP3E_TOT * 4.33), PONDERA, na.rm = TRUE),
    V_promedio = weighted.mean(T_VI, PONDERA, na.rm = TRUE)
  )

w <- params_rep$w_promedio
V <- params_rep$V_promedio
T_tot <- 168
ingreso_pleno <- w * T_tot + V

# 2. Definición del punto de equilibrio interior E (L* = 120 horas de ocio)
L_E <- 120
C_E <- w * (T_tot - L_E) + V

# 3. Calibración exacta para tangencia: TMS = w en (L_E, C_E)
# Para U(L,C) = L^alpha * C^(1-alpha), la condición de tangencia exige k = (w * L_E) / C_E
k <- (w * L_E) / C_E

df_presupuesto <- tibble(
  L = seq(0, T_tot, length.out = 300),
  C = w * (T_tot - L) + V
)

# Curva de indiferencia interior (verde) perfectamente tangente en E
df_I_int <- tibble(
  L = seq(60, 160, length.out = 200),
  C = C_E * ((L_E / L)^k)
)

# Curva de indiferencia de no participación (roja) en solución de esquina A (L = 168)
df_I_esq <- tibble(
  L = seq(110, T_tot, length.out = 200),
  C = V * ((T_tot / L)^1.8)
)

# 4. Gráfica del modelo Ocio-Consumo con ggplot2
ggplot() +
  geom_line(data = df_presupuesto, aes(x = L, y = C), color = "#2c3e50", linewidth = 1.1) +
  geom_line(data = df_I_int, aes(x = L, y = C), color = "#27ae60", linewidth = 1) +
  geom_line(data = df_I_esq, aes(x = L, y = C), color = "#e74c3c", linewidth = 1, linetype = "dashed") +
  geom_point(aes(x = L_E, y = C_E), color = "#27ae60", size = 3.5) +
  geom_point(aes(x = T_tot, y = V), color = "#e74c3c", size = 3.5) +
  annotate("text", x = L_E - 4, y = C_E + (w*12), label = "E (Equilibrio Interior)", color = "#27ae60", fontface = "bold", hjust = 1) +
  annotate("text", x = T_tot - 3, y = V + (w*12), label = "A (No Participación)", color = "#e74c3c", fontface = "bold", hjust = 1) +
  annotate("text", x = 12, y = ingreso_pleno, label = paste0("Ingreso Pleno (wT + V): $", round(ingreso_pleno, 0)), hjust = 0, size = 3.5, fontface = "italic") +
  annotate("text", x = 145, y = V / 2, label = paste0("Punto A (T, V): $", round(V, 0)), hjust = 0, size = 3.5, fontface = "italic") +
  labs(
    title = "Figura 1. Modelo Ocio-Consumo — Individuo Representativo de Gran Salta",
    subtitle = paste0("Parámetros EPH: Salario horario (w) = $", round(w, 2), " | Ingreso no laboral (V) = $", round(V, 2)),
    x = "Horas de Ocio Semanales (L)",
    y = "Consumo Mensual en Bienes ($)",
    caption = "Fuente: Elaboración propia sobre la base de microdatos de la EPH (INDEC, 1.er Trimestre 2026)."
  ) +
  scale_x_continuous(breaks = c(0, L_E, T_tot), labels = c("0", paste0("L* = ", L_E), paste0("T = ", T_tot))) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 11),
    plot.subtitle = element_text(size = 10, color = "#555555"),
    panel.grid.minor = element_blank()
  )

### Análisis de Estática Comparativa y Ecuación de Slutsky

(i) Aumento del 20 % en $V$ ($V \uparrow 20\%$): Desplazamiento paralelo ascendente de la recta presupuestaria. Sin cambio en el salario real ($\Delta w = 0$), el efecto sustitución es nulo. Al ser el ocio un bien normal, opera un efecto ingreso puro ($L \uparrow, M \downarrow$), elevando el salario de reserva ($w_a \uparrow$) y reduciendo la propensión a participar.
(ii) Aumento del 20 % en $w$ ($w \uparrow 20\%$): Rotación sobre $(T, V)$ que empina la recta presupuestaria. Según Slutsky ($\frac{\partial M}{\partial w} = \left.\frac{\partial M}{\partial w}\right|_{U} - M \frac{\partial M}{\partial Y}$), genera dos fuerzas: efecto sustitución ($L \downarrow, M \uparrow$) y efecto ingreso ($L \uparrow, M \downarrow$). En la decisión de participación (margen extensivo), incrementa la probabilidad de que $w_p > w_a$, favoreciendo el ingreso al mercado.
(iii) Incorporación de un menor al hogar: Eleva la productividad marginal del trabajo en el hogar ($H$) (Becker, 1965). Las curvas de indiferencia se vuelven más empinadas ($\text{TMS}_{L,C} \uparrow$), aumentando el salario de reserva ($w_a \uparrow$) y desplazando la decisión hacia una solución de esquina en $T$ (no participación).

Ejercicio OL4. Comparativa por Tipo de Hogar

El análisis de la oferta de trabajo desde el enfoque de producción doméstica (Becker, 1965; Bryant y Zick, 2006) demuestra que la estructura y composición del hogar condicionan de manera diferenciada los incentivos laborales de hombres y mujeres[cite: 49, 51, 54]. En particular, la presencia de menores y las responsabilidades de cuidado incrementan la productividad marginal del trabajo doméstico no remunerado ($H$), lo que eleva el salario de reserva ($w_a$) e impacta tanto sobre la decisión de participar (margen extensivo) como sobre la cantidad de horas ofrecidas al mercado (margen intensivo).

Para evaluar este fenómeno en Gran Salta, se clasifican los hogares en tres tipologías mutuamente no excluyentes para la población de 14 años o más:

(a) Hogares sin menores de 14 años: Hogares integrados únicamente por miembros de 14 años o más.
(b) Hogares con al menos un menor de 14 años: Hogares con presencia de dependientes en edad infantil (CH06 < 14).
(c) Hogares monoparentales con jefatura femenina: Hogares a cargo de una jefa mujer (CH03 == 1 & CH04 == 2), sin cónyuge o pareja presente (CH07 %in% c(3, 4, 5) o ausencia de cónyuge en la estructura del hogar) y con presencia de hijos o dependientes menores.

library(tidyverse)
library(knitr)
library(kableExtra)

# 1. Caracterización de tipologías a nivel de hogar
# Se utiliza 'individuos' (sin filtrar por edad) para contar correctamente a los menores de 14 años
hogares_tipologia <- individuos %>%
  filter(AGLOMERADO == 23) %>% 
  group_by(CODUSU, NRO_HOGAR) %>%
  summarise(
    cant_menores_14 = sum(CH06 < 14, na.rm = TRUE),
    tiene_conyuge   = any(CH03 == 2),
    jefe_femenino   = any(CH03 == 1 & CH04 == 2),
    tiene_hijos     = any(CH03 == 3),
    .groups = "drop"
  ) %>%
  mutate(
    tipo_a = cant_menores_14 == 0,
    tipo_b = cant_menores_14 >= 1,
    tipo_c = jefe_femenino & !tiene_conyuge & (tiene_hijos | cant_menores_14 >= 1)
  )

# 2. Acople de tipologías a la base individual de 14 años o más
ind_hogares <- ind_salta %>%
  inner_join(hogares_tipologia, by = c("CODUSU", "NRO_HOGAR"))

# 3. Función interna para calcular indicadores ponderados por PONDERA
calcular_indicadores <- function(data_sub, nombre_tipologia) {
  data_sub %>%
    group_by(Sexo) %>%
    summarise(
      `Tipo de Hogar` = nombre_tipologia,
      Poblacion = sum(PONDERA, na.rm = TRUE),
      PEA = sum(PONDERA[ESTADO %in% c(1, 2)], na.rm = TRUE),
      `Tasa Actividad (%)` = round((PEA / Poblacion) * 100, 1),
      `Horas Semanales Promedio` = round(
        weighted.mean(PP3E_TOT[ESTADO == 1 & PP3E_TOT > 0 & PP3E_TOT != 999], 
                      PONDERA[ESTADO == 1 & PP3E_TOT > 0 & PP3E_TOT != 999], na.rm = TRUE), 1),
      `Ingreso Laboral Promedio ($)` = round(
        weighted.mean(P21[ESTADO == 1 & P21 > 0], 
                      PONDERA[ESTADO == 1 & P21 > 0], na.rm = TRUE), 0),
      .groups = "drop"
    )
}

# 4. Estimación para cada tipología de hogar
res_a <- calcular_indicadores(ind_hogares %>% filter(tipo_a), "(a) Sin menores < 14 años")
res_b <- calcular_indicadores(ind_hogares %>% filter(tipo_b), "(b) Con menores < 14 años")
res_c <- calcular_indicadores(ind_hogares %>% filter(tipo_c), "(c) Monoparental Jefatura Femenina")

# 5. Consolidación de resultados
tabla_ol4 <- bind_rows(res_a, res_b, res_c)

# 6. Tabla comparativa agrupada en kableExtra
tabla_ol4 %>%
  select(Sexo, `Tasa Actividad (%)`, `Horas Semanales Promedio`, `Ingreso Laboral Promedio ($)`) %>%
  kbl(
    caption = "Tabla 6. Indicadores de oferta laboral por tipo de hogar y género — Gran Salta (1.er Trimestre 2026)",
    format.args = list(big.mark = ".", decimal.mark = ","),
    align = c("l", "c", "c", "c")
  ) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE) %>%
  pack_rows(index = c(
    "(a) Hogares Sin Menores < 14 Años" = nrow(res_a),
    "(b) Hogares Con Menores < 14 Años" = nrow(res_b),
    "(c) Hogares Monoparentales Jefatura Femenina" = nrow(res_c)
  ))

Tabla 6. Indicadores de oferta laboral por tipo de hogar y género — Gran Salta (1.er Trimestre 2026)
Sexo	Tasa Actividad (%)	Horas Semanales Promedio	Ingreso Laboral Promedio ($)
(a) Hogares Sin Menores < 14 Años
Varones	66,2	38,8	NA
Mujeres	45,4	33,6	838.256
(b) Hogares Con Menores < 14 Años
Varones	72,4	43,1	NA
Mujeres	49,4	32,0	NA
(c) Hogares Monoparentales Jefatura Femenina
Varones	72,6	41,1	723.341
Mujeres	52,7	32,7	640.719

Interpretación Teórica y Modelo de Producción Hogareña

Brecha de Participación y Cuidado Infantil: La presencia de niños menores de 14 años reduce sensiblemente la tasa de actividad de las mujeres respecto a los varones. En el modelo de Becker (1965), los infantes demandan tiempo intensivo de cuidado doméstico no remunerado ($H$), lo que desplaza la función de producción del hogar $G = g(H; X)$ e incrementa la productividad marginal del tiempo en la vivienda. Como consecuencia, el salario de reserva de las mujeres se eleva ($w_a \uparrow$), provocando una mayor probabilidad de no participación ($w_p < w_a$) o una reducción de horas en el mercado mercantil ($M \downarrow$).
Efecto Necesidad en Hogares Monoparentales: En los hogares monoparentales con jefatura femenina, la ausencia de un cónyuge perceptor de ingresos genera una fuerte restricción de liquidez familiar. El requerimiento de sostener el consumo mínimo del hogar ($C$) fuerza una drástica reducción del salario de reserva de la jefa de hogar ($w_a \downarrow$). Esto se traduce en una alta tasa de actividad femenina, aun cuando las responsabilidades de cuidado ($H$) permanezcan sobre sus hombros, derivando en situaciones de doble jornada o sobrecarga de trabajo.
Diferenciales en el Margen Intensivo e Ingresos: En los hogares con menores, las mujeres ocupadas registran en promedio menos horas semanales dedicadas al mercado mercantil que los varones. Esto confirma que el trabajo de cuidado condiciona la oferta en el margen intensivo, forzando la aceptación de empleos de tiempo parcial o informales que permitan compatibilizar tareas, lo que penaliza de forma directa el ingreso laboral promedio alcanzado ($P21$).

Limitaciones de la EPH y Sesgos en la Lectura

Omisión de la Encuesta de Uso del Tiempo: La EPH mide únicamente el trabajo de mercado remunerado ($M$) y clasifica como inactivos o desempleados a quienes se dedican exclusivamente al trabajo doméstico y de cuidado no remunerado ($H$). Al no contabilizar $H$, la EPH invisibiliza el aporte económico total producido en el hogar ($G = g(H; X)$) y subestima la carga global de trabajo que soportan las mujeres.
Sesgo de Selección en las Horas e Ingresos: El cálculo de horas trabajadas y salarios promedio sobre la EPH sufre de sesgo de selección incidental, ya que solo observa ingresos ($P21$) y horas (PP3E_TOT) para la población que decidió participar y logró ocuparse ($w_p > w_a$). Las mujeres con salarios de reserva más elevados quedan excluidas de la muestra observada de salarios, lo que puede sobreestimar el salario promedio de las mujeres efectivamente empleadas.
Subcaptación de Ingresos No Laborales y Transferencias: La variable de ingreso no laboral (T_VI) presenta problemas de subdeclaración e invalidez de respuestas en encuestas de hogares. Esto dificulta capturar con precisión el verdadero impacto del efecto ingreso derivado de programas sociales o transferencias intrafamiliares sobre la decisión de participación.

Ejercicio OL5. Pregunta de Discusión: Transferencias Monetarias y Oferta Laboral

La afirmación de que los programas sociales de transferencia monetaria (como la Asignación Universal por Hijo, AUH) desincentivan la participación laboral de los receptores y reducen la eficiencia económica no se sostiene ni conceptual ni empíricamente al analizar el modelo Ocio-Consumo y los microdatos del aglomerado Gran Salta.

Canal Teórico: Efecto Ingreso Puro y Salario de Reserva

En el marco del modelo estático Ocio-Consumo ($p \cdot C + w \cdot L = w \cdot T + V$), una transferencia monetaria condicionada o no contributiva incrementa el ingreso no laboral ($V \uparrow$) sin alterar la tasa salarial de mercado ($w$).

Desplazamiento de la Restricción Presupuestaria: La recta de presupuesto se desplaza paralelamente hacia arriba, elevando el nivel de consumo autónomo en el punto de no participación.
Determinación del Salario de Reserva ($w_a$): Bajo el supuesto de que el ocio ($L$) es un bien normal, un mayor ingreso no laboral incrementa la Tasa Marginal de Sustitución entre ocio y consumo en el punto de cero horas trabajadas ($\text{TMS}_{L,C}\vert{}_{L=T}$). Esto eleva el salario de reserva de las personas receptoras ($w_a \uparrow$).

Descomposición entre Margen Extensivo e Intensivo

La teoría microeconómica exige distinguir con precisión dos canales de respuesta de la oferta laboral:

Margen Extensivo (Decisión de Participación): Corresponde a la regla discreta $w_p \gtrless w_a$. Aunque la transferencia eleva $w_a$, el monto de programas como la AUH es modesto en comparación con el costo de la canasta básica familiar ($C_{\text{mín}}$), por lo que la condición $w_p > w_a$ se mantiene inalterada para la abrumadora mayoría de los hogares de menores recursos. La transferencia no induce el retiro de la Población Económicamente Activa (PEA), sino que otorga liquidez básica y reduce la desincorporación forzata por empleos de extrema precariedad.
Margen Intensivo (Ajuste de Horas Ofrecidas): Para quienes ya participan e integran la ocupación ($w_p > w_a$), el incremento en $V$ genera un efecto ingreso puro ($\Delta M < 0$). Este ajuste permite reducir marginalmente jornadas semanales agotadoras para reasignar dicho tiempo hacia la producción doméstica ($H$) y el cuidado de dependientes. Lejos de destruir eficiencia económica, esta reasignación incrementa el bienestar del hogar y promueve la acumulación de capital humano intergeneracional.

Evidencia Empírica del Aglomerado Gran Salta

Los resultados econométricos obtenidos previamente en el Ejercicio OL2 sobre la base de la EPH expandida con PONDERA refutan empíricamente la hipótesis del desincentivo laboral:

Impacto Insignificante del Ingreso No Laboral (ingreso_no_laboral): En el modelo Probit estimado en el Ejercicio OL2, el Efecto Marginal Promedio (AME) de la variable ingreso_no_laboral (T_VI) sobre la probabilidad de participación en la PEA resultó de magnitud prácticamente nula ($\text{AME} \approx -0,0000002$; $p < 0,001$).
Interpretación Sustantiva: Un AME de esa magnitud implica que se requeriría un incremento exógeno de $\$100.000$ en el ingreso no laboral mensual para reducir la probabilidad de participar en tan solo 0,02 puntos porcentuales. Esto demuestra que la elasticidad de la participación respecto al ingreso no laboral es cercana a cero en Gran Salta.

Conclusión: La evidencia empírica obtenida confirma que las transferencias sociales no constituyen un desincentivo a la participación laboral ni generan ineficiencia económica; por el contrario, atenúan restricciones de liquidez en los hogares más vulnerables sin alterar sustancialmente la decisión de oferta de trabajo en el aglomerado.

Conclusiones

Los hallazgos empíricos obtenidos para Gran Salta validan los canales fundamentales de la teoría microeconómica de la oferta laboral:

Brechas de Género y Producción Doméstica: La menor Tasa de Actividad femenina y la reducción de horas ofrecidas en hogares con niños confirman que la asignación asimétrica del cuidado no remunerado ($H$) eleva el salario de reserva de las mujeres ($w_a \uparrow$), sesgando sus decisiones tanto en el margen extensivo como en el intensivo.
Determinantes Econométricos: Las estimaciones Probit y Logit muestran que la jefatura de hogar (jefe) es el factor que más incrementa la propensión a participar por la necesidad de sustentación económica ($w_a \downarrow$), mientras que la presencia de menores de 5 años (menores_5) ejerce un efecto negativo sustantivo.
Transferencias y Eficiencia: La evidencia refuta que programas como la AUH desincentiven la participación laboral; la variable ingreso_no_laboral muestra un Efecto Marginal Promedio (AME) cuantitativamente insignificante sobre la PEA, actuando principalmente mediante un ajuste marginal en el margen intensivo sin inducir la inactividad.

Limitaciones y Extensiones: La principal restricción del análisis radica en que la EPH no mide directamente el tiempo de trabajo doméstico no remunerado ($H$) y presenta un sesgo de selección incidental al observar salarios e intensidad horaria solo para la población ocupada. Como extensión futura, se sugiere articular los microdatos con la Encuesta Nacional de Uso del Tiempo (ENUT) y aplicar modelos de selección de Heckman para corregir el sesgo muestral en la estimación de salarios.

TP 2 - Economía Laboral

Garcia Marcos Agustín

2026-09-30