ANÁLISIS DE FACTORES ASOCIADOS AL INGRESO LABORAL EN COLOMBIA MEDIANTE REGRESIÓN LINEAL MÚLTIPLE: Estudio de Microdatos de la GEIH DANE - JUNIO 2025
Valerie Juliana Moran Rodriguez (2436484), Karol Sofia Arteaga Perdomo (2515341), Cesar Eduardo Calero (2436851), David Stiven Ordoñez Delgado (2440076)
2026-09-30
1. Introducción
Comprender los factores asociados a las diferencias en los ingresos laborales constituye un elemento relevante para el análisis del mercado de trabajo y de las condiciones económicas de la población. El ingreso laboral representa una de las principales fuentes de recursos de los hogares y su comportamiento puede estar relacionado con características individuales, educativas y laborales de los trabajadores. Por ello, estudiar estos factores permite identificar patrones y diferencias dentro del mercado laboral colombiano.
En Colombia, características como el nivel educativo, la edad, las horas trabajadas, el sexo y el tipo de vinculación laboral pueden estar asociados con distintos niveles de remuneración. La educación puede relacionarse con el acceso a ocupaciones que requieren mayores niveles de cualificación, mientras que la edad, la intensidad de la jornada laboral y el tipo de vinculación pueden presentar diferencias en los ingresos percibidos por los trabajadores.
Para analizar estas características, la Gran Encuesta Integrada de Hogares (GEIH), realizada por el Departamento Administrativo Nacional de Estadística (DANE), constituye una fuente relevante de información sobre el mercado laboral colombiano. Esta encuesta recopila información sociodemográfica y laboral de la población, incluyendo variables relacionadas con educación, ocupación, horas trabajadas e ingresos. Su información permite estudiar las asociaciones existentes entre las características de los trabajadores y sus ingresos laborales.
En este contexto, la regresión lineal múltiple permite analizar simultáneamente la relación entre una variable dependiente y diferentes variables explicativas. Para este estudio, esta metodología permite examinar la asociación entre el ingreso laboral y las características individuales y laborales seleccionadas. Asimismo, el modelo utiliza como variable dependiente el logaritmo natural del ingreso laboral, con el propósito de reducir la influencia de la elevada dispersión presente en los ingresos en su escala original.
A partir de este contexto, se plantea la siguiente pregunta de investigación:
¿Qué factores están asociados con las diferencias en el ingreso laboral de los trabajadores en Colombia durante junio de 2025?
Para responder esta pregunta, el presente estudio utiliza información de la GEIH correspondiente a junio de 2025 y construye una base de datos con trabajadores de 18 años o más que presentan un ingreso laboral positivo. El modelo considera como variable dependiente el logaritmo natural del ingreso laboral mensual y como variables explicativas el nivel educativo, la edad, las horas trabajadas semanalmente, el sexo y el tipo de empleado, diferenciando entre trabajadores particulares y del Gobierno.
De esta manera, el objetivo del estudio es analizar la relación entre el ingreso laboral y las características individuales y laborales seleccionadas, identificando la dirección, magnitud y significancia estadística de las asociaciones estimadas mediante un modelo de regresión lineal múltiple. Los resultados se interpretarán considerando las características y limitaciones de los datos utilizados, por lo que las asociaciones encontradas no serán entendidas como relaciones causales.
2. Fuente y construcción de la base de datos
2.1 Fuente de información
La información utilizada en el presente estudio proviene de la Gran Encuesta Integrada de Hogares (GEIH) 2025, realizada por el Departamento Administrativo Nacional de Estadística (DANE). La GEIH es una operación estadística orientada a la caracterización del mercado laboral colombiano y recopila información sobre las condiciones sociodemográficas y laborales de la población, incluyendo aspectos relacionados con educación, ocupación, horas trabajadas e ingresos. La encuesta cuenta con cobertura nacional y permite analizar diferentes características de la población y del mercado de trabajo.
Para el desarrollo de este estudio se utilizó específicamente la información correspondiente al mes de junio de 2025, disponible en el catálogo de microdatos del DANE. Los archivos utilizados fueron “Características generales, seguridad social, salud y educación” y “Ocupados”, debido a que contienen las variables necesarias para construir la base de datos requerida para el análisis.
Fuente: Departamento Administrativo Nacional de Estadística (DANE). Gran Encuesta Integrada de Hogares (GEIH) – 2025.
Enlace: https://microdatos.dane.gov.co/index.php/catalog/853
2.2 Unidad de análisis y período
La unidad de análisis corresponde a trabajadores de 18 años o más con ingreso laboral positivo, observados durante el mes de junio de 2025. La muestra fue construida a partir de la información de la GEIH y restringida a trabajadores particulares y del Gobierno, de acuerdo con los criterios definidos para el estudio.
La selección de esta población permite analizar la relación entre determinadas características individuales y laborales y el ingreso laboral mensual. Por tanto, los resultados corresponden a la muestra seleccionada para el período analizado y no a la totalidad de la población incluida originalmente en la GEIH.
2.3 Variables seleccionadas
A partir de los archivos de la GEIH se seleccionaron las variables necesarias para estudiar la relación entre las características individuales y laborales de los trabajadores y su ingreso laboral.
La variable dependiente corresponde a ingreso laboral
mensual, identificada en la base como
ingreso_laboral. A partir de esta variable se construyó
log_ingreso, correspondiente a su logaritmo natural,
que constituye la variable dependiente del modelo de regresión.
Como variables explicativas se seleccionaron:
- Sexo: variable categórica, clasificada en Hombre y Mujer.
- Edad: variable cuantitativa medida en años.
- Nivel educativo: variable categórica agrupada en Primaria, Secundaria, Técnica/Tecnología, Universitaria y Postgrado.
- Horas trabajadas: variable cuantitativa correspondiente a las horas trabajadas semanalmente.
- Tipo de empleado: variable categórica clasificada en Particular y Gobierno.
Estas variables fueron seleccionadas debido a su relación con las características individuales y laborales que pueden estar asociadas con las diferencias observadas en el ingreso laboral.
2.4 Construcción, limpieza e integración de la base
La construcción de la base de datos se realizó mediante la integración de dos archivos de la GEIH correspondientes a junio de 2025. En primer lugar, del archivo “Características generales, seguridad social en salud y educación” se seleccionaron las variables relacionadas con sexo, edad y nivel educativo. Del archivo “Ocupados” se seleccionaron la posición ocupacional, las horas trabajadas y el ingreso laboral.
Posteriormente, ambos archivos fueron integrados mediante las
variables identificadoras DIRECTORIO,
SECUENCIA_P y ORDEN, las cuales permitieron
relacionar las observaciones correspondientes a una misma persona entre
las dos bases de datos. De esta manera, se obtuvo una base consolidada
con 29.706 observaciones, que contiene la información
sociodemográfica y laboral necesaria para el análisis.
Después de la integración, se aplicaron criterios de depuración de acuerdo con el objetivo del estudio. Se conservaron únicamente las personas cuya posición ocupacional correspondía a trabajador particular o trabajador del Gobierno, identificadas mediante los códigos 1 y 2 de la variable de posición ocupacional, obteniendo 14.117 observaciones y excluyendo 15.589. Posteriormente, se restringió la población a personas de 18 años o más, obteniendo 14.031 observaciones y excluyendo 86. Finalmente, se conservaron únicamente los trabajadores con ingreso laboral mayor que cero, excluyendo 55 observaciones.
En cuanto al nivel educativo, las categorías originales de la GEIH fueron reorganizadas para facilitar su interpretación en el modelo. Se agruparon los niveles educativos en cinco categorías: Primaria, Secundaria, Técnica/Tecnología, Universitaria y Postgrado. Las observaciones correspondientes a la categoría de educación “Ninguno” fueron excluidas, debido a que no se incorporaron dentro de las categorías educativas definidas para el modelo.
También se recodificó la variable sexo en las categorías
Hombre y Mujer, y la posición
ocupacional se transformó en la variable tipo_empleado,
diferenciando entre Particular y
Gobierno. Finalmente, se creó la variable
log_ingreso mediante el logaritmo natural del ingreso
laboral mensual.
Como resultado del proceso de integración, selección y depuración, se
obtuvo una base final de 13.885 observaciones y siete
variables, conformada por las variables sexo,
edad, nivel_educativo,
horas_trabajadas, tipo_empleado,
ingreso_laboral y log_ingreso. Esta base
constituye el insumo utilizado posteriormente para el análisis
descriptivo y la estimación del modelo de regresión lineal múltiple.
3. Metodología
El presente estudio emplea un modelo de regresión lineal múltiple con el propósito de analizar la asociación entre el ingreso laboral mensual de los trabajadores y un conjunto de características individuales y laborales. La metodología permite evaluar simultáneamente la relacion entre la variable dependiente y las variables explicativas seleccionadas, manteniendo constantes las demás características incluidas en el modelo.
3.1 Variables del modelo
La variable dependiente es el ingreso laboral,
expresado originalmente en pesos colombianos. Debido a la elevada
dispersión que presenta esta variable, se emplea su transformación
mediante el logaritmo natural, denominada log_ingreso. Esta
transformación permite reducir la influencia de los valores extremos y
facilita la estimación e interpretación del modelo.
Las variables explicativas seleccionadas son las siguientes:
Sexo: variable categórica que distingue entre Hombre y Mujer. Se incorpora al modelo debido a que las características y condiciones de participación en el mercado laboral pueden estar asociadas con diferencias en los ingresos laborales. Esto es consistente con cifras oficiales del DANE, que reportan una brecha salarial de 4,9 puntos porcentuales en 2024 a nivel nacional. La categoría de referencia es Hombre.
Edad: variable cuantitativa medida en años. Se incluye porque es comúnmente utilizada en análisis de ingresos en Colombia y sirve como aproximación a la experiencia laboral acumulada, dado que en la base empleada no se muestra de manera directa la experiencia potencial, y en general los trabajadores de mayor edad suele tener más experiencia acumulada y presentan trayectoras laborales diferentes a las de trabajadores más jóvenes.
Nivel educativo: variable categórica agrupada en cinco categorías: Primaria, Secundaria, Técnica/Tecnología, Universitaria y Postgrado. Se selecciona debido a la importancia de la formación académica en el acceso a diferentes ocupaciones y niveles de cualificación. Esto coincide con estudios sobre el retorno a la educación en Colombia que documentan una remuneración laboral más alta para la educación superior frente a niveles más bajos. La categoría de referencia es Postgrado.
Horas trabajadas: variable cuantitativa expresada en horas trabajadas por semana. Se incorpora porque la cantidad de tiempo dedicado al trabajo puede estar relacionada con el ingreso laboral percibido; a mayor tiempo dedicado al trabajo, se espera un mayor ingreso laboral.
Tipo de empleado: variable categórica que diferencia entre trabajadores Particulares y del Gobierno. Se incluye debido a que las condiciones de vinculación laboral, las características de los empleos y los sistemas de remuneración pueden variar entre estos dos grupos. Esto es consistente con un estudio del Banco de la República que estima que la diferencia salarial entre empleados particulares y servidores públicos en Colombia es de 40% a 44%. La categoría de referencia es Gobierno.
La selección de estas variables responde a su posible asociación con las diferencias observadas en el ingreso laboral y permite considerar conjuntamente características individuales y laborales de los trabajadores.
3.2 Especificación del modelo
El modelo de regresión lineal múltiple utilizado se expresa de la siguiente manera:
\[ \log(Ingreso_i)=\beta_0+\beta_1Sexo_i+\beta_2Edad_i+\beta_3Educación_i+\beta_4Horas_i+\beta_5TipoEmpleado_i+\varepsilon_i \]
donde:
- \(\log(Ingreso)\) corresponde al logaritmo natural del ingreso laboral mensual del trabajador \(i\).
- \(Sexo\) representa el sexo del trabajador.
- \(Edad\) corresponde a la edad del trabajador en años.
- \(Educación\) representa el nivel educativo.
- \(Horas\) corresponde al número de horas trabajadas semanalmente.
- \(Tipo Empleado\) identifica si el trabajador pertenece al sector particular o al Gobierno.
- \(\beta_0\) representa el intercepto del modelo.
- \(\beta_1,\beta_2,\ldots,\beta_5\) representan los parámetros asociados a las variables explicativas.
- \(\varepsilon_i\) representa el término de error, que recoge la variación del ingreso no explicada por las variables incluidas en el modelo.
Debido a que algunas variables son categóricas, estas se incorporan mediante variables indicadoras, tomando como categorías de referencia Hombre para sexo, Postgrado para nivel educativo y Gobierno para tipo de empleado.
La estimación del modelo se realizó mediante el método de mínimos cuadrados ordinarios (MCO) utilizando el software estadístico R. El modelo estimado corresponde a:
modelo <- lm(log_ingreso ~ sexo + edad + nivel_educativo + horas_trabajadas + tipo_empleado,
data = base)La interpretación de los coeficientes se realiza en términos de asociaciones con el logaritmo natural del ingreso laboral, manteniendo constantes las demás variables incluidas en el modelo.
Se asume que los errores del modelo son independientes entre sí, es decir, que la parte del ingreso laboral que el modelo no explica en un trabajador no está relacionada con la de otro trabajador de la muestra. Dado que los datos provienen de la GEIH, esta independencia se asume de forma simplificada: no se incorporó el diseño muestral de la encuesta (conglomerados y factores de expansión), por lo que los resultados se interpretan para la muestra analizada y los errores estándar podrían estar subestimados. Este aspecto se discute en la sección 6.6.
4. Resultados Descriptivos
En esta sección se presentan los resultados descriptivos de la base de datos utilizada en el estudio. Inicialmente, se describe la composición general de la base y las características de las variables seleccionadas. Posteriormente, se analiza el comportamiento del ingreso laboral mensual mediante estadísticas descriptivas y gráficos de distribución. Finalmente, se presenta la caracterización de las variables explicativas incluidas en el modelo de regresión.
4.1 Descripción general de la base de datos
La base de datos utilizada en el estudio está conformada por 13.885 observaciones y siete variables, correspondientes a trabajadores de 18 años o más con ingreso laboral positivo durante junio de 2025. Las variables seleccionadas permiten caracterizar tanto las condiciones individuales como laborales de los trabajadores y analizar su relación con el ingreso laboral mensual.
La Tabla presenta las variables utilizadas en el análisis, su tipo y la información correspondiente a cada una.
4.2 Caracterización de la variable dependiente
La variable dependiente del estudio corresponde al ingreso
laboral mensual, registrado originalmente en pesos colombianos.
Para el análisis de regresión se utiliza su transformación mediante el
logaritmo natural, denominada log_ingreso. La
caracterización de esta variable permite identificar su tendencia
central, dispersión y comportamiento distributivo antes de realizar la
estimación del modelo.
La Tabla presenta las principales estadísticas descriptivas del ingreso laboral mensual, mientras que los histogramas permiten observar su distribución tanto en la escala original como después de aplicar la transformación logarítmica.
| N | Ingreso promedio | Mediana | Desv. estándar | Mínimo | Máximo |
|---|---|---|---|---|---|
| 13.885 | 2.214.072 | 1.580.000 | 2.163.567 | 30.000 | 80.000.000 |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
El ingreso laboral mensual presenta una media de $2.214.072 y una mediana de $1.580.000. La diferencia entre ambas medidas evidencia una distribución con concentración de valores hacia los niveles inferiores y presencia de ingresos elevados que incrementan el promedio.
Los ingresos presentan un mínimo de $30.000 y un máximo de $80.000.000, lo que evidencia una amplia dispersión en la variable. Estos valores extremos se mantienen en la base, ya que un valor elevado no constituye por sí mismo un error de registro.
Debido a esta dispersión, se utiliza el logaritmo natural del
ingreso laboral (log_ingreso) como variable
dependiente en el modelo. Esta transformación permite reducir la
influencia de los valores extremos y obtener una distribución más
concentrada para el análisis de regresión.
Histograma de distribución log del ingreso laboral
Al aplicar el logaritmo natural al ingreso laboral, la distribución presenta una mayor concentración de las observaciones y una reducción de la asimetría observada en la escala original. La transformación permite representar de manera más equilibrada las diferencias entre los ingresos y facilita su utilización como variable dependiente en el modelo de regresión lineal múltiple.
Histograma de distribución del ingreso laboral
El histograma del ingreso laboral mensual muestra una distribución asimétrica hacia la derecha, caracterizada por una mayor concentración de observaciones en los niveles de ingreso más bajos y una menor cantidad de trabajadores con ingresos considerablemente superiores. Este comportamiento explica la diferencia observada entre la media y la mediana y evidencia la elevada dispersión de la variable en su escala original.
4.3 Caracterización de las variables explicativas
* Análisis Edad
La edad se incorpora al modelo como una variable cuantitativa medida en años. Su inclusión permite analizar la relación entre la edad de los trabajadores y el ingreso laboral mensual, considerando que esta característica puede estar relacionada con la trayectoria y experiencia laboral.
| N | Edad promedio | Mediana | Desv. estándar | Mínimo | Máximo |
|---|---|---|---|---|---|
| 13.885 | 38.4 | 37 | 12.4 | 18 | 92 |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
La muestra está conformada por 13.885 trabajadores, con una edad promedio de 38,4 años y una mediana de 37 años. La desviación estándar de 12,4 años evidencia una variabilidad considerable en la edad de los trabajadores. Las edades observadas se encuentran entre los 18 y 92 años, lo que refleja una amplia cobertura del ciclo de vida laboral dentro de la muestra. La proximidad entre la media y la mediana sugiere que la distribución de la edad no presenta una asimetría particularmente marcada.
La Figura muestra una relación positiva y de baja intensidad entre la edad y el logaritmo del ingreso laboral. La línea de tendencia presenta una pendiente ligeramente ascendente, lo que indica que, descriptivamente, los trabajadores de mayor edad tienden a presentar ingresos laborales ligeramente superiores. Sin embargo, se observa una amplia dispersión de las observaciones alrededor de la tendencia, especialmente en las edades intermedias, lo que evidencia que la edad por sí sola no explica completamente las diferencias observadas en los ingresos laborales. Esta relación será posteriormente evaluada dentro del modelo de regresión múltiple, en conjunto con las demás variables explicativas.
* Análisis Horas Trabajadas
| N | Horas promedio | Mediana | Desv. estándar | Mínimo | Máximo |
|---|---|---|---|---|---|
| 13.885 | 46.3 | 47 | 9.2 | 2 | 130 |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
La variable presenta 13.885 observaciones, con un promedio de 46,3 horas semanales y una mediana de 47 horas. La desviación estándar de 9,2 horas indica que existe una variación considerable en las jornadas laborales de los trabajadores.
En la distribución se observa que la mayor concentración se encuentra aproximadamente entre 40 y 50 horas semanales, aunque también hay trabajadores con jornadas menores y otros que superan las 60 horas. Los valores van desde 2 hasta 130 horas, lo que evidencia una amplia variación. Los valores superiores a 70 horas son menos frecuentes y pueden considerarse casos extremos dentro de la distribución. En general, los datos muestran que, aunque las jornadas se concentran alrededor de un rango determinado, existen diferencias importantes en el número de horas trabajadas entre los trabajadores.
* Análisis Sexo
La siguiente tabla presenta la composición de la muestra según el sexo de los trabajadores.
| Sexo | N | Ingreso promedio | Mediana | Desv. estándar | Mínimo | Máximo |
|---|---|---|---|---|---|---|
| Hombre | 7.416 | 2.214.024 | 1.600.000 | 2.171.562 | 30.000 | 60.000.000 |
| Mujer | 6.469 | 2.214.128 | 1.500.000 | 2.154.532 | 30.000 | 80.000.000 |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
La Figura muestra la distribución de los trabajadores según sexo.
En la tabla 4 se observa que el ingreso laboral promedio es casi idéntico entre ambos grupos: $2.214.024 para los hombres (N = 7.416) y $2.214.128 para las mujeres (N = 6.469). Sin embargo, las medianas revelan una brecha pequeña pero real: la mediana del ingreso laboral fue de $1.500.000 para las mujeres y de $1.600.000 para los hombres, es decir, una diferencia de $100.000 a favor de los hombres. Aunque el promedio sugiere equidad, la distribución está sesgada hacia la derecha por la presencia de salarios atípicos elevados, por lo que la mediana ofrece una representación más robusta del ingreso central de la población.
En el boxplot, la caja de las mujeres muestra mayor concentración en valores bajos y una cantidad considerable de valores atípicos superiores, mientras que la posición central de la caja masculina refleja una remuneración típica ligeramente superior en el mercado laboral.
* Análisis Nivel Educativo
La siguiente tabla presenta la composición de la muestra según el nivel educativo de los trabajadores.
| Nivel educativo | N | Ingreso promedio | Mediana | Desv. estándar | Mínimo | Máximo |
|---|---|---|---|---|---|---|
| Primaria | 2.051 | 1.370.400 | 1.423.500 | 800.841 | 30.000 | 18.000.000 |
| Secundaria | 4.962 | 1.565.240 | 1.423.500 | 741.744 | 40.000 | 14.450.000 |
| Técnica/Tecnología | 2.637 | 1.853.552 | 1.600.000 | 1.113.705 | 30.000 | 26.500.000 |
| Universitaria | 3.061 | 2.807.545 | 2.223.500 | 2.460.543 | 100.000 | 80.000.000 |
| Postgrado | 1.174 | 5.692.732 | 4.880.000 | 4.126.634 | 100.000 | 60.000.000 |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
La Figura muestra la distribución de los trabajadores según nivel educativo.
La Tabla 5 muestra que la muestra se concentra en niveles educativos básicos: secundaria es la categoría más frecuente (4.962 casos, 36 %), y junto con primaria (2.051 casos, 15 %) reúne a algo más de la mitad de los trabajadores. Le siguen la formación universitaria (3.061 casos, 22 %), la técnica o tecnológica (2.637 casos, 19 %) y, por último, el postgrado (1.174 casos, 8 %). El ingreso laboral aumenta de forma sistemática con el nivel educativo, pero no de manera uniforme. La mediana es idéntica en primaria y secundaria ($1.423.500) y sube a $1.600.000 en técnica/tecnología, $2.223.500 en universitaria y $4.880.000 en postgrado. Es decir, el salto entre secundaria y técnica es modesto (cerca de $176.500), mientras que la mediana universitaria supera en alrededor de 40 % a la técnica y la de postgrado más que duplica a la universitaria. Con ese último nivel, la mediana es aproximadamente 3,4 veces la de primaria.
La dispersión también crece con la educación: la desviación estándar pasa de unos $800.000 en primaria a más de $4.100.000 en postgrado. Salvo en primaria, el promedio supera a la mediana en todos los niveles, y la diferencia se amplía en los más altos (más de $800.000 en postgrado), lo que refleja una distribución sesgada hacia la derecha por ingresos muy elevados, como el máximo de $80.000.000 en universitaria. Por eso la mediana describe mejor el ingreso típico de cada grupo. El boxplot confirma este patrón. Las cajas se desplazan hacia arriba y se hacen más altas con cada nivel, lo que indica mayor desigualdad interna entre quienes tienen formación universitaria o de postgrado. En secundaria la caja es muy estrecha, es decir, hay una fuerte concentración de ingresos alrededor de un mismo valor, mientras que primaria, secundaria y técnica presentan muchos valores atípicos inferiores. En postgrado casi no aparecen, lo que sugiere una distribución más alejada de los ingresos bajos.
La mediana es idéntica en primaria y secundaria ($1.423.500), valor que coincide con el salario mínimo legal mensual vigente (SMMLV) de 2025, lo que indica que en estos niveles el ingreso típico se ubica en el piso salarial.
* Análisis Tipo de Empleado
La siguiente tabla presenta la composición de la muestra según el tipo de empleado.
| Tipo de empleado | N | Ingreso promedio | Mediana | Desv. estándar | Mínimo | Máximo |
|---|---|---|---|---|---|---|
| Particular | 12.328 | 1.936.266 | 1.440.000 | 1.852.749 | 30.000 | 80.000.000 |
| Gobierno | 1.557 | 4.413.684 | 3.900.000 | 3.020.070 | 300.000 | 60.000.000 |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
La Figura muestra la distribución de los trabajadores según su tipo de empleado.
El análisis del ingreso laboral mensual evidencia una brecha sustancial según el tipo de empleador. La mediana del ingreso fue de $3.900.000 en el sector Gobierno y de $1.440.000 en el sector Particular (Tabla 6), una diferencia de $2.460.000: la mediana del sector Gobierno equivale a cerca de 2,7 veces la del sector particular. Esto se refleja en el diagrama de cajas y bigotes, donde la caja del sector Gobierno se ubica claramente por encima de la del sector particular. Además, ambas distribuciones presentan sesgo positivo, pues los promedios ($4.413.684 en Gobierno y $1.936.266 en Particular) superan a sus respectivas medianas debido a la presencia de ingresos muy altos. Estos valores atípicos se aprecian en el diagrama como una alta densidad de observaciones por fuera de los bigotes, especialmente en el sector particular (N = 12.328), cuyos ingresos van desde $30.000 hasta un máximo de $80.000.000.
pie de la figura (“eje en escala logarítmica”) para que el lector entienda por qué los valores no se ven en pesos.
5. Resultados del Modelo
El modelo de regresión lineal múltiple se estimó con el propósito de analizar la asociación entre el logaritmo natural del ingreso laboral mensual y las características individuales y laborales de los trabajadores. Las variables incluidas corresponden a sexo, edad, nivel educativo, horas trabajadas y tipo de empleado.
5.1 Resultados de la estimación
La siguiente tabla presenta los resultados de la estimación del modelo de regresión lineal múltiple.
| Variable | Coeficiente | Error estándar | Estadístico t | Valor p | Sig. |
|---|---|---|---|---|---|
| (Intercept) | 14.57906 | 0.0288 | 506.146 | <0,00001 | *** |
| sexoMujer | -0.105 | 0.00784 | -13.4 | <0,00001 | *** |
| edad | 0.00711 | 0.00032 | 21.974 | <0,00001 | *** |
| nivel_educativoPrimaria | -1.27883 | 0.01793 | -71.341 | <0,00001 | *** |
| nivel_educativoSecundaria | -1.07714 | 0.01602 | -67.222 | <0,00001 | *** |
| nivel_educativoTécnica/Tecnología | -0.90337 | 0.01683 | -53.682 | <0,00001 | *** |
| nivel_educativoUniversitaria | -0.5762 | 0.01611 | -35.77 | <0,00001 | *** |
| horas_trabajadas | 0.0176 | 0.00042 | 41.808 | <0,00001 | *** |
| tipo_empleadoParticular | -0.39818 | 0.01351 | -29.464 | <0,00001 | *** |
| R² ajustado | 0.4905 | ||||
| F | 1671.82 | ||||
| Valor p (modelo) | 0.00e+00 | ||||
| N | 13885 | ||||
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
El “intercepto”, equivalente a 14.57906 y altamente significativo, corresponde al valor esperado del logaritmo del ingreso laboral cuando todas las variables explicativas toman su categoría de referencia o el valor cero. Aunque tiene utilidad técnica para construir la predicción del modelo, no representa una condición real observable, por lo que carece de interpretación práctica directa.
La variable binaria de “sexo mujer” presenta un coeficiente negativo (-0.105, p < 0.00001) y altamente significativo, lo que evidencia que, a igualdad de condiciones laborales, las personas de sexo femenino perciben en promedio un ingreso 10.0% (exp(−0.105)−1) menor que los hombres. Este resultado es coherente con la existencia de una brecha salarial reportada por el DANE, aunque no es directamente comparable por cuestión de diferencias entre la población y el periodo de tiempo; pone en evidencia la persistencia de la desigualdad de género en el mercado laboral.
El coeficiente de la “edad” es positivo y significativo (0.00711, p < 0.00001); cada año adicional se asocia con un incremento aproximado de 0.71% en el ingreso laboral, eso si se mantiene a las demás variables constantes, es un efecto pequeño, pero importante, consistente con la idea de que la experiencia se acumula gradualmente y se asocia con mayores ingresos.
El conjunto de variables educativas compara cada nivel frente a la categoría base, que corresponde al nivel más alto (posgrado). Contar únicamente con educación primaria se asocia a un ingreso 72.2% (exp(−1.27883)−1) menor; finalizar secundaria reduce la brecha a un 66% menos; completar estudios técnicos o tecnológicos deja la diferencia en 59.5% menos; y tener título universitario, el nivel más cercano a la referencia, implica un ingreso 43.8% menor frente a quienes tienen posgrado. Este patrón decreciente evidencia una marcada estratificación de ingresos por nivel educativo en el mercado laboral.
El número de horas trabajadas por semana resultó con un coeficiente positivo y significativo (0.0176, p < 0.00001); cada hora adicional representa un 1.78% (exp(0.0176)−1) extra de ingreso, reflejando la relación directa entre tiempo dedicado al trabajo y la generación de recursos.
Por último, la variable tipo de empleado compara a los trabajadores del sector particular frente a los del sector gobierno, trabajar en el sector particular implica un ingreso 32.8% (exp(−0.39818)−1) menor que trabajar en el sector público, cifra que es consistente con la magnitud reportada por el Banco de la República, y que resulta relevante para entender las disparidades del mercado laboral según el tipo de empleador.
Los valores de R² ajustado (0.4905) y F (1671.82), junto con el valor p del modelo (< 0.0001), confirman la significancia global del modelo y su capacidad explicativa razonable, dado que logra explicar cerca del 49% de la variabilidad del logaritmo del ingreso laboral a partir de las variables incluidas.
6. Diagnóstico del modelo
6.1 Linealidad y comportamiento de los residuos
Para evaluar la linealidad del modelo y el comportamiento de los residuos, se analiza el gráfico de residuos frente a los valores ajustados. Este permite identificar posibles patrones sistemáticos y evaluar de manera aproximada el cumplimiento de este supuesto.
La suposición de linealidad fue verificada mediante la figura 8. Residuos vs valores ajustados, donde la nube de residuos se concentra principalmente entre los valores ajustados 14 y 15, que corresponde al rango donde se agrupa la mayoría de las observaciones del modelo. La línea de tendencia no es perfectamente horizontal; dado que parte en valores negativos a la izquierda, se acerca a cero en la zona central del rango, y vuelve a descender levemente hacia el extremo derecho. Esto indica una leve desviación del supuesto de linealidad, concentrada principalmente en los valores de ingreso más bajos y más altos (extremos), mientras que en la parte central que contiene el mayor volumen de datos los residuos se distribuyen de forma simétrica alrededor de cero. No hay un patrón de curvatura pronunciada que comprometa la linealidad del modelo.
6.2 Normalidad de los residuos
Para evaluar la distribución de los residuos, se analiza el gráfico Q-Q, que permite comparar los residuos observados con una distribución normal teórica.
La normalidad de los residuos aproximada se evaluó con el gráfico Q-Q (cuantiles teóricos vs. cuantiles observados de una distribución normal) de la figura 9. Gráfico Q-Q de los residuos. En la parte central de la distribución (entre -1 y 1, aproximadamente), los puntos siguen de cerca la línea diagonal de referencia, lo que indica un comportamiento cercano a la normalidad para la mayoría de las observaciones. Sin embargo, en ambas colas se observa una separación clara respecto a la línea, formando un patrón en forma de “S”: la cola izquierda cae por debajo de la línea y la derecha se eleva por encima, es decir, existen más residuos extremos que los que una distribución normal marcaría, lo que sugiere colas más pesadas de las esperadas bajo normalidad estricta. La presencia de colas pesadas es consistente con la naturaleza de los datos de ingreso laboral, donde la presencia de valores atípicos, como ingresos excepcionalmente altos, genera residuos de mayor magnitud en los extremos.
6.3 Homocedasticidad
Para evaluar la homocedasticidad, se analiza la dispersión de los residuos a lo largo de los valores ajustados.
Se visualizó cómo varía la dispersión de los residuos a lo largo del rango de predicciones mediante la figura 10, Scale-Location (raíz cuadrada de los residuos estandarizados vs. valores ajustados), donde la línea de tendencia desciende al inicio del rango, sube después de los 14 puntos aproximadamente, y se mantiene relativamente estable en el resto del recorrido; en conjunto, no se observa un patrón clásico de “embudo”, por lo que no se evidencia una heterocedasticidad generalizada y sistemática. Sin embargo, se observa mayor dispersión puntual en la zona media-baja de los valores ajustados, lo que sugiere una heterogeneidad de varianza localizada asociada a observaciones con ingresos atípicos.
6.4 Matriz de Correlaciones
Se presenta la tabla de matriz de correlaciones de Pearson para identificar la relación entre las variables cuantitativas del modelo.
| log_ingreso | edad | horas_trabajadas | |
|---|---|---|---|
| log_ingreso | 1.000 | 0.200 | 0.163 |
| edad | 0.200 | 1.000 | -0.017 |
| horas_trabajadas | 0.163 | -0.017 | 1.000 |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
La gráfica permite visualizar la dirección y magnitud de las correlaciones entre las variables analizadas.
Relación del ingreso con la edad. La edad presenta una correlación positiva y débil con el logaritmo del ingreso (r = 0,20; intervalo de confianza al 95 %: 0,18 a 0,22). Esto indica que, en promedio, los trabajadores de mayor edad tienden a recibir ingresos más altos, lo que es consistente con el efecto de la experiencia acumulada en el mercado laboral. Sin embargo, la edad por sí sola explica apenas cerca del 4 % de la variabilidad del ingreso (r² = 0,04), de modo que la mayor parte de las diferencias salariales obedece a otros factores.
Relación del ingreso con las horas trabajadas. Las horas trabajadas también se asocian de forma positiva y débil con el logaritmo del ingreso (r = 0,16; IC 95 %: 0,15 a 0,18), con una capacidad explicativa individual de alrededor del 2,7 %. La asociación es algo menor que la de la edad, lo que sugiere que trabajar más horas se acompaña de un ingreso mensual algo más alto, pero esa relación no es lo bastante fuerte para describir por sí sola las diferencias de ingreso. Esta lectura es coherente con la distribución de la variable: la mayoría de los trabajadores se concentra entre 44 y 48 horas semanales (más del 75 %), por lo que hay poca variación con la cual diferenciar a unos trabajadores de otros.
Relación entre las variables explicativas. La correlación entre edad y horas trabajadas es prácticamente nula (r = −0,02). Aunque con una muestra tan grande este valor resulta estadísticamente distinto de cero (p = 0,04), su magnitud es insignificante en términos prácticos, por lo que no se interpreta como una asociación relevante. Este resultado indica que ambas variables aportan información distinta al modelo y no hay evidencia de multicolinealidad entre ellas. Esto se confirma con los factores de inflación de la varianza (VIF), que se ubican por debajo de 5 en todas las variables del modelo.
6.5 Multicolinealidad
Para evaluar la posible presencia de multicolinealidad entre las variables explicativas, se utilizan los factores de inflación de la varianza (VIF).
| Variable | VIF | Tolerancia | Diagnóstico | |
|---|---|---|---|---|
| nivel_educativo | nivel_educativo | 1,390 | 0,7194 | Aceptable |
| tipo_empleado | tipo_empleado | 1,271 | 0,7868 | Aceptable |
| edad | edad | 1,123 | 0,8905 | Aceptable |
| sexo | sexo | 1,068 | 0,9363 | Aceptable |
| horas_trabajadas | horas_trabajadas | 1,049 | 0,9533 | Aceptable |
| Nota: Fuente: Elaboración propia con base en la GEIH del DANE, junio de 2025. |
La multicolinealidad se evaluó mediante el factor de inflación de la varianza (VIF) y la tolerancia de las variables explicativas. Los resultados muestran que los valores de VIF se encuentran entre 1,049 y 1,390, mientras que los valores de tolerancia se encuentran entre 0,7194 y 0,9533.
La variable con mayor VIF corresponde a nivel educativo, con un valor de 1,390, seguida de tipo de empleado (1,271), edad (1,123), sexo (1,068) y horas trabajadas (1,049). Todos los valores se encuentran en niveles bajos y fueron clasificados como aceptables.
Estos resultados indican que no existe evidencia de un problema relevante de multicolinealidad entre las variables explicativas del modelo. En consecuencia, las variables presentan un grado adecuado de independencia lineal entre sí, por lo que sus coeficientes pueden ser estimados sin que la presencia de relaciones lineales fuertes entre los predictores genere problemas importantes en la interpretación del modelo.
En conclusión, el supuesto de ausencia de multicolinealidad se considera cumplido, por lo que no se identifica la necesidad de eliminar ninguna de las variables explicativas por este motivo.
6.6 Independencia de las observaciones
El supuesto de independencia entre los errores se considera razonable en el sentido de que los datos corresponden a un corte transversal (junio de 2025) y no existe dependencia temporal. Sin embargo, la GEIH emplea un muestreo por conglomerados y un mismo hogar puede aportar más de un trabajador, lo que podría generar correlación entre los errores de observaciones de un mismo hogar o segmento. Como la base final no conserva el identificador del hogar, no fue posible verificarlo directamente, por lo que se reconoce como una limitación.
Como diagnóstico complementario, el estadístico de Durbin-Watson calculado sobre el orden de las observaciones fue 1,74. Aunque es cercano a 2, con esta muestra indica una correlación leve pero distinguible de cero entre residuos contiguos, compatible con la posible agrupación de trabajadores de un mismo hogar. Como esta prueba fue diseñada para series de tiempo, se interpreta solo como un indicio que refuerza la limitación señalada. De existir esta dependencia, los coeficientes seguirían siendo insesgados, pero los errores estándar podrían estar subestimados, por lo que los valores p y los intervalos de confianza deben interpretarse con cautela.
7. Conclusiones
7.1. Respuesta a la pregunta de investigación
El presente estudio buscó responder qué factores están asociados a la diferencia salarial de los trabajadores en Colombia durante junio de 2025. Los resultados del modelo de regresión lineal múltiple muestran que el nivel educativo, el tipo de empleado, las horas trabajadas, la edad y el sexo están asociados de manera significativa con el logaritmo del ingreso laboral mensual.
El nivel educativo resultó ser el factor con mayor poder explicativo: contar únicamente con educación primaria se asocia a un ingreso 72.2% menor que tener posgrado, brecha que se reduce progresivamente con cada nivel educativo adicional (66% para secundaria, 59.5% para técnica o tecnológica y 43.8% para universitaria). El tipo de empleado también mostró una asociación relevante; trabajar en el sector particular se asocia a un ingreso 32.8% menor que trabajar en el sector público. Las horas trabajadas presentan una relación positiva (1.78% adicional de ingreso por cada hora semanal más), al igual que la edad, aunque con un efecto más modesto (0.71% por año). Finalmente, se identificó una brecha de género de 10.0% en contra de las mujeres, controlando por las demás variables del modelo, cifra del mismo orden de magnitud a la reportada por el DANE a nivel nacional, aunque no directamente comparable por tratarse de una asociación controlada por otras variables.
En conjunto, estos resultados sugieren que en el mercado laboral durante el período analizado las diferencias salariales responden principalmente a factores estructurales como la educación y el tipo de empleado, aunque persisten brechas asociadas al género que no se explican por las demás características incluidas en el modelo.
7.2 ¿El modelo logró responder al objetivo de investigación?
Sí, el modelo ajustado permitió responder al objetivo planteado de manera satisfactoria ya que logró cuantificar la dirección, magnitud y significancia estadística de la relación de la educación, la edad, las horas trabajadas, el sexo y el tipo de empleado con el ingreso laboral. El modelo planteado logró explicar el 49.05% de la variabilidad total del logaritmo del ingreso laboral en Colombia (R² ajustado = 0.4905). Además, la prueba de significancia global (F = 1671.82, p < 0.0001) confirma que el conjunto de los predictores es altamente informativo de forma conjunta, y todos los coeficientes resultaron estadísticamente significativos con signos consistentes con la evidencia empírica nacional sobre el mercado laboral colombiano.
7.3 Limitaciones del estudio
Es importante señalar que las asociaciones encontradas no deben interpretarse como relaciones causales, dado que el diseño del estudio es observacional y de corte transversal: no es posible descartar la influencia de variables no observadas (por ejemplo, la región, el sector económico, el tipo de contrato o la experiencia laboral real, que la edad solo aproxima de manera imperfecta).
A esto se suma que el modelo asume independencia entre los errores sin incorporar el diseño muestral por conglomerados de la GEIH, podría llevar a una subestimación de los errores estándar y, en consecuencia, a una interpretación demasiado optimista de la significancia estadística de los coeficientes.
Adicionalmente, la base de datos utilizada corresponde únicamente al mes de junio de 2025, por lo que los resultados no pueden generalizarse a otros períodos del año sin verificar si el patrón se mantiene estable en el tiempo. Por último, el ingreso laboral es una variable autoreportada en la GEIH, por lo que puede estar sujeta a subregistro, particularmente entre trabajadores independientes o del sector informal.
Observando el R² ajustado, podemos decir que si bien las variables incluidas son relevantes, existe una proporción considerable de la variación del ingreso que depende de otros factores no captados en este análisis.
7.4 Recomendaciones y extensiones futuras
Para estudios futuros se recomienda ampliar el periodo de análisis a varios meses o a todo el año, de manera que sea posible evaluar si las relaciones identificadas se mantienen estables con el tiempo. Además, sería pertinente incorporar variables adicionales como la región geográfica, el sector económico o el tipo de contrato, los cuales podrían mejorar la capacidad explicativa del modelo. Finalmente, se recomienda evaluar especificaciones alternativas que consideren posibles interacciones entre variables, por ejemplo, entre sexo y nivel educativo, esto con el fin de poder explorar si la brecha salarial de género varía según el nivel de formación de los trabajadores.
8. Bibliografía
Departamento Administrativo Nacional de Estadística (DANE). (2025). Gran Encuesta Integrada de Hogares (GEIH) 2025: Microdatos de junio de 2025. https://microdatos.dane.gov.co/index.php/catalog/853
Departamento Administrativo Nacional de Estadística (DANE). (2025, 4 de marzo). Así se registran las principales brechas de género en las estadísticas oficiales. https://www.dane.gov.co/files/prensa/comunicados/com-brechas-genero-estadisticas-oficiales-mar2025.pdf
Rúa Ramírez, M., & Rivera Duque, E. (2019). Análisis regional de los efectos de la educación y la experiencia en los salarios de Colombia [Trabajo de grado, Universidad EAFIT]. Repositorio Institucional Universidad EAFIT. https://repository.eafit.edu.co/server/api/core/bitstreams/f84ba76f-eebc-431f-9463-86dfb49173fe/content
Arango, L. E., Escobar, D. C., & Monsalve, E. (2013). Subempleo por ingresos y funcionamiento del mercado de trabajo en Colombia (Borradores de Economía No. 764). Banco de la República. https://banrep.gov.co/es/borrador-764