ÍNDICE

1.Resumen

2.Introducción

3.Material y método

3.1.Información disponible

3.2.Análisis estadístico

4.Resultados

5.Conclusiones

6.Referencias

1.RESUMEN

Estudio sobre el salario de la mujer, observando cuales son las principales causas que lo generan a lo largo de cincuenta años. Actualmente en España existe el concepto de “Brecha salarial” que consiste en la diferencia salarial de género, lo que podemos observar en nuestro análisis. Los hombres reciben salarios representativos del puesto de trabajo que ejercen, ejerciendo éste sin necesidad de un nivel específico de estudios. Por el contrario, las mujeres necesitan tener unos estudios acreditativos para obtener un salario digno y además, siendo fémina, el puesto de trabajo en el que te encuentres, sea de un nivel o de otro, siempre tendrás una retribución inferior que los hombres ejerciendo ambos un puesto similar.

2.INTRODUCCIÓN

Los datos corresponden al Salario medio de hombres y mujeres en los últimos 50 años. Disponemos además de las Tasas de paro medias anuales, y así como el Tipo de trabajo:

0=sin calificar 1=estudios primarios 2=estudios secundaria 3=FP grado superior o grado universitario

Es evidente, como dicen multitud de artículos como los siguientes, que en nuestro país existe una brecha salarial.

La diferencia salarial de género (también conocida como brecha salarial de género) es la diferencia existente entre los salarios de los hombres y los de las mujeres expresada como un porcentaje del salario masculino, de acuerdo con la OCDE.

La Comisión Europea define la brecha salarial de género como la diferencia media entre el salario de los hombres y de las mujeres por hora. Existe una variedad de teorías sobre cómo y por qué las mujeres enfrentan discriminación en el mercado laboral. Por ejemplo, un empleador o un cliente pueden subestimar las habilidades de las empleadas o los mismos compañeros de trabajo varones pueden resistirse a trabajar con mujeres. En general estas actitudes no estén dirigidas a todas las trabajadoras sino a aquellas que ocupan puestos de mayor responsabilidad y estatus.

Según el artículo de La razón, hombres y mujeres no cobran lo mismo cuando desempeñan tareas similares en España. Ellas ganan un 12,7% menos por hora, según un estudio de Fedea que ha depurado estadísticamente los datos salariales brutos de 2014.

Como demuestran estudios recientes (del Observatorio de la Mujer Empresa y Economía, del centro de estudios de economía aplicada (FEDEA), de la Organización para la Cooperación y el Desarrollo Económico (OCDE), etc.), las mujeres tienen más formación pero sufren más el desempleo. Se ve también muy bien en este gráfico, en el que se observa que hay más desempleadas que desempleados a medida que aumenta el nivel de formación, especialmente, desde la educación secundaria.

O según el artículo Crece la brecha salarial del periódico La vanguardia, las mujeres cobran en España un 29,1% menos que los hombres, casi medio punto porcentual más que un año antes, según un adelanto de la segunda edición del informe “Brecha salarial y techo de cristal” elaborado por los Técnicos de Hacienda (Gestha) con datos de 2016.

En cifras absolutas, la diferencia de sueldos alcanzó los 4.745 euros anuales en 2016 y, según Gestha, se necesitarían casi siete décadas para acabar con esa brecha salarial. De media, una mujer gana 16.281 euros, con grandes diferencias por autonomías.

Más de 3 millones no llegan al salario mínimo.

El informe señala que tras estas diferencias de sueldo está, fundamentalmente, que hay más mujeres que hombres que no llegan a los 1.000 euros al mes y añade que casi 3,2 millones de trabajadoras no llegan al salario mínimo.

En definitiva podemos decir que en nuestro país está a la orden del día la brecha salarial entre hombres y mujeres, teniendo mucho que ver con el nivel de estudios del que dispone cada individuo y los cargos que éste asume.

El objetivo principal del análisis es observar qué variables son las que influyen y de qué manera lo hacen sobre el salario que perciben las mujeres.

3.MATERIAL Y MÉTODO

3.1. Información disponible

Como decía, los datos corresponden al Salario medio de hombres y mujeres en los últimos 50 años. Disponemos además de las Tasas de paro medias anuales, y así como el tipo de trabajo.

setwd("F:/Analisis estadistico de series economicas/Individual")
datos = read.csv('archivo5.csv')
datos <- datos[-c(24),]
View(datos)
datos$Tipo<-factor(datos$Tipo, labels=c("Primaria", "Secundaria", "FP o gr sup"))

Porcentaje de paro: variable cuantitativa continua

summary(datos$Porcen.paro)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   8.696  17.125  19.990  20.626  23.183  35.617

Salario de hombres: variable cuantitativa continua

summary(datos$Salario.hombres)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1043    1396    1611    1571    1793    1967

Tipo: Variable cualitativa ordinal, se corresponde con el tipo de estudios:

0=sin calificar 1=estudios primarios 2=estudios secundaria 3=FP grado superior o grado universitario

Salario de mujeres: variable cuantitativa continua

summary(datos$Salario.Mujeres)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1144    2147    2679    2683    3110    4591

anyo: variable cualitativa

3.2. Análisis estadístico

Para cumplir los objetivos básicos del análisis voy a comenzar con hacer un análisis descriptivo de los datos para ver como se comportan. Al analizar datos lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible acerca de sus características. Posteriormente voy a probar diferentes combinaciones de modelos tanto de regresión lineal, como anova o como ancova y finalmente quedarme con aquel que ajuste mejor mis datos. Lo siguiente será modelizar los datos mediante las técnicas de series temporales y predecir y, por último, sacar las conclusiones de todo el estudio.

4. RESULTADOS

setwd("F:/Analisis estadistico de series economicas/Individual")
datos = read.csv('archivo5.csv')
datos <- datos[-c(24),]
View(datos)
datos$Tipo<-factor(datos$Tipo, labels=c("Primaria", "Secundaria", "FP o gr sup"))

library(knitr)
library(pastecs)
library(psych)
describe(datos2)

##                 vars  n    mean     sd  median trimmed    mad     min
## Porcen.paro        1 49   20.63   5.05   19.99   20.37   4.59    8.70
## Salario.hombres    2 49 1571.33 275.27 1611.40 1584.66 294.59 1043.15
## Salario.Mujeres    3 49 2683.12 899.26 2679.35 2655.11 789.29 1143.58
##                     max   range  skew kurtosis     se
## Porcen.paro       35.62   26.92  0.53     0.28   0.72
## Salario.hombres 1967.25  924.10 -0.41    -0.96  39.32
## Salario.Mujeres 4590.79 3447.21  0.23    -0.67 128.47

library(data.table)
tablita <- stat.desc(datos2)
tablita <- data.table(Estadistico = rownames(tablita), tablita)
kable(tablita, caption = "Descriptivo básico", digits = 3)

Descriptivo básico
Estadistico	Porcen.paro	Salario.hombres	Salario.Mujeres
nbr.val	49.000	49.000	49.000
nbr.null	0.000	0.000	0.000
nbr.na	0.000	0.000	0.000
min	8.696	1043.149	1143.581
max	35.617	1967.252	4590.787
range	26.921	924.103	3447.206
sum	1010.654	76994.988	131472.967
median	19.990	1611.396	2679.354
mean	20.626	1571.326	2683.122
SE.mean	0.721	39.324	128.466
CI.mean.0.95	1.449	79.067	258.297
var	25.466	75773.555	808667.591
std.dev	5.046	275.270	899.259
coef.var	0.245	0.175	0.335

Se observa que los salarios más comunes rondan los 2500-3000 euros.

Como podemos observar el salario de la mujer siempre está condicionado por el tipo de estudios que disponga, si los estudios son primarios el salario es inferior y si los estudios son de FP o grado superior el salario es superior. También nos deja ver que con el paso de los años el salario va cambiando, en 1970 una mujer con estudios secundarios tenía un salario de 2000 euros aproximadamente y en 2010 en torno a 1500 euros.

En este, por otro lado, vemos el salario del hombre en función del tipo de estudio y de los años. Podemos comenzar comentando que el salario que un hombre percibe es independiente al nivel de estudios que disponga; si un hombre tiene estudios primarios puede cobrar salarios iguales que si un hombre dispone de estudios superiores y viceversa. Si nos fijamos a lo largo de los años, en el 2010 los hombres cobran una media de salarios inferior que en 1970 pero en general no ha afectado.

Observamos que la variable salario de hombres es superior que el de las mujeres con cualquier tipo de estudios y que los salarios se cobran según el nivel del que dispongan.

Podemos ver que el porcentaje de paro no tiene mucha relevancia a la hora de observar el salario de los hombres.

El salario de la mujer es superior cuando el tipo de estudios que tiene es FP o gr sup y es menor cuando el tipo de estudios del que dispone es estudios primarios, cobrando en torno a 4000 y 1500 euros respectivamente.

En este caso, el tipo de estudios del que dispone cada individuo masculino es menos relevante frente al salario que éste adquiere. Todas las cajas están entre casi 1350 euros y los 1850 euros.

Estudiamos la correlación

Se evidencia que las variables que están linealmente relacionadas son el salario del hombre con el salario de la mujer.

pairs(~Salario.Mujeres + Salario.hombres + Porcen.paro, data = datos, main="Simple Scatterplot Matrix")

MODELO LINEAL

He decicido no incluir la varibale anyo en ninguno de los modelos que a continuación voy a probar debido a que se trata de una observación cada año y no lo considero significativo.

Para escoger el mejor modelo he probado tanto modelos de regresión lineal simple, anova y ancova. Una vez he realizado los modelos, me he dado cuenta de que en ninguno de ellos el incercepto era significativo. Para solucionar este problema, he empleado una transformación logarítmica sobre dos de los modelos.

modelo5<-lm(log(Salario.Mujeres)~Salario.hombres+Tipo, data=datos)
summary(modelo5)

## 
## Call:
## lm(formula = log(Salario.Mujeres) ~ Salario.hombres + Tipo, data = datos)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.059296 -0.017826  0.003224  0.018863  0.041118 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     5.978e+00  2.225e-02  268.62   <2e-16 ***
## Salario.hombres 6.943e-04  1.187e-05   58.48   <2e-16 ***
## TipoSecundaria  7.188e-01  1.014e-02   70.85   <2e-16 ***
## TipoFP o gr sup 1.134e+00  1.084e-02  104.62   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.02215 on 45 degrees of freedom
## Multiple R-squared:  0.9965, Adjusted R-squared:  0.9962 
## F-statistic:  4225 on 3 and 45 DF,  p-value: < 2.2e-16

AIC(modelo5)

## [1] -228.4909

En este modelo analizamos el salario de la mujer frente al salario de los hombres por el tipo de estudios.

modelo6<-lm(log(Salario.Mujeres)~Salario.hombres*Tipo, data=datos)
summary(modelo6)

## 
## Call:
## lm(formula = log(Salario.Mujeres) ~ Salario.hombres * Tipo, data = datos)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.059616 -0.018054  0.003127  0.018830  0.041170 
## 
## Coefficients:
##                                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                     6.058e+00  1.223e-01  49.522  < 2e-16 ***
## Salario.hombres                 6.473e-04  7.122e-05   9.089 1.44e-11 ***
## TipoSecundaria                  6.393e-01  1.247e-01   5.126 6.69e-06 ***
## TipoFP o gr sup                 1.045e+00  1.265e-01   8.266 1.99e-10 ***
## Salario.hombres:TipoSecundaria  4.636e-05  7.282e-05   0.637    0.528    
## Salario.hombres:TipoFP o gr sup 5.210e-05  7.417e-05   0.703    0.486    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.02253 on 43 degrees of freedom
## Multiple R-squared:  0.9965, Adjusted R-squared:  0.9961 
## F-statistic:  2450 on 5 and 43 DF,  p-value: < 2.2e-16

AIC(modelo6)

## [1] -225.0552

Para la mejor elección del modelo, los comparamos.

library(MASS)
modelo5.step <- stepAIC(modelo6, direcction = "both")

Start: AIC=-366.11 log(Salario.Mujeres) ~ Salario.hombres * Tipo

                   Df  Sum of Sq      RSS     AIC

Salario.hombres:Tipo 2 0.00025278 0.022077 -369.55 0.021824 -366.11

Step: AIC=-369.55 log(Salario.Mujeres) ~ Salario.hombres + Tipo

              Df Sum of Sq    RSS     AIC

0.0221 -369.55 - Salario.hombres 1 1.6781 1.7002 -158.69 - Tipo 2 5.5108 5.5329 -102.87

Pese que a los AIC de cada uno de los modelos son muy parecidos, decido quedarme con el modelo5 ya que todas las variables que lo forman son significativas.

modelo_definitivo<-lm(log(Salario.Mujeres)~Salario.hombres+Tipo, data=datos)
summary(modelo_definitivo)

## 
## Call:
## lm(formula = log(Salario.Mujeres) ~ Salario.hombres + Tipo, data = datos)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.059296 -0.017826  0.003224  0.018863  0.041118 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     5.978e+00  2.225e-02  268.62   <2e-16 ***
## Salario.hombres 6.943e-04  1.187e-05   58.48   <2e-16 ***
## TipoSecundaria  7.188e-01  1.014e-02   70.85   <2e-16 ***
## TipoFP o gr sup 1.134e+00  1.084e-02  104.62   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.02215 on 45 degrees of freedom
## Multiple R-squared:  0.9965, Adjusted R-squared:  0.9962 
## F-statistic:  4225 on 3 and 45 DF,  p-value: < 2.2e-16

Bondad del ajuste

library(BCA)
R2gauss <- function(Salario.Mujeres, modelo_definitivo) {
  moy <- mean(Salario.Mujeres)
  N <- length(Salario.Mujeres)
  p <- length(modelo_definitivo$coefficients) - 1
  SSres <- sum((Salario.Mujeres - predict(modelo_definitivo))^2)
  SStot <- sum((Salario.Mujeres - moy)^2)
  R2 <- 1 - (SSres/SStot)
  Rajust <- 1 - (((1 - R2) * (N - 1))/(N - p - 1))
  return(data.frame(R2, Rajust, SSres, SStot))
}

R2gauss(datos$Salario.Mujeres, modelo_definitivo)

##          R2    Rajust     SSres    SStot
## 1 -9.034162 -9.703106 389486458 38816044

kable(R2gauss(datos$Salario.Mujeres, modelo_definitivo), digits = 3, caption = "Bondad del ajuste")

Bondad del ajuste
R2	Rajust	SSres	SStot
-9.034	-9.703	389486458	38816044

Validación de los modelos

Arriba izquierda: gráfico sobre homocedasticidad de los residuos. Debería ser una nube de puntos y en este caso son puntos concentrados a lo largo del gráfico entorno a la línea roja.

Abajo izquierda: gráfico sobre la normalidad de los residuos. Los datos están sobre la diagonal y no presentan dibujo alguno.

Arriba derecha: gráfico sobre la independencia de los residuos (los residuos se distribuyen por igual a lo largo de los rangos de los predictores), no presenta patrón alguno.

Abajo derecha: observaciones influyentes y atípicas. Observamos valores alejados del resto como la observación 37, 39 y 50.

Hipótesis de la media de los residuos = 0

residuos <- modelo_definitivo$residuals
t.test(residuos)

## 
##  One Sample t-test
## 
## data:  residuos
## t = -5.8047e-17, df = 48, p-value = 1
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  -0.006160059  0.006160059
## sample estimates:
##     mean of x 
## -1.778423e-19

Hipótesis de normalidad

Para una prueba de normalidad, las hipótesis son las siguientes.

H0: Los residuos siguen una distribución normal.

H1: Los residuos no siguen una distribución normal.

shapiro.test(modelo_definitivo$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  modelo_definitivo$residuals
## W = 0.96164, p-value = 0.1107

El p-valor obtenido es de 0.1107 > 0.05, no rechazamos la hipótesis nula. Los residuos siguen una distribución normal.

Hipótesis de homocedasticidad

H0: Los residuos son homocedasticidad

H1: Heterocedasticidad

bptest(modelo_definitivo)

## 
##  studentized Breusch-Pagan test
## 
## data:  modelo_definitivo
## BP = 3.1992, df = 3, p-value = 0.3619

El p-valor resultante es de 0.3619, no rechazamos la hipótesis nula de homocedasticidad.Los residuos son homocedásticos.

Outliers Bonferonni

outlierTest(modelo_definitivo)

## 
## No Studentized residuals with Bonferonni p < 0.05
## Largest |rstudent|:
##     rstudent unadjusted p-value Bonferonni p
## 50 -3.103982          0.0033332      0.16332

Aceptamos la hipótesis nula de aleatoriedad de los valores atípicos, el p-valor extraído es de 0.002135.

AUTOCORRELACION

Todos los contrastes numéricos de autocorrelación se plantean con idénticas hipótesis; así, podemos señalar que la forma general del contraste es:

H0: Existe autocorrelación

H1: No existe autocorrelación

durbinWatsonTest(modelo_definitivo)

##  lag Autocorrelation D-W Statistic p-value
##    1     -0.09784152      2.021307   0.922
##  Alternative hypothesis: rho != 0

No existe autocorrelación entre las variables, el p-valor es 0.908.

Análisis de una serie

Para realizar y modelar una serie es necesario identificar la estructura que la genera, es decir, cómo influyen las observaciones del pasado en las futuras.

Las ACF proporcionan información sobre cómo una observación influye en las siguientes.

Las PACF proporcionan la relación directa exisitente entre observaciones separadas por k retardos.

Observando el ACF y PACF podemos decir que se trata de un ruido blanco.

A continuación se mostrará el gráfico con la serie temporal mostrando en el eje de abcisas el salario de la mujer y en el eje de ordenadas los años. Dibujando la recta de regresión vemos que el salario de la mujer desciende con el paso de los años aunque, por ejemplo, en 1996 y 2014 ha habido salarios superiores a los 4000 euros.

datos$anyo2<-as.Date(as.character(datos$anyo), "%Y")
p <- ggplot(datos, aes(x = anyo2, y = Salario.Mujeres)) + geom_line(col = "purple") + 
  geom_point(col = "purple", pch = 1) + xlab("Years") + geom_smooth(method = lm, se = FALSE, col = "pink")
p <- p + scale_x_date(date_breaks = "5 year", date_labels = "%Y") 
p + theme(axis.text.x = element_text(angle = 60, hjust = 1))

Predicciones

library(openxlsx)

## Warning: package 'openxlsx' was built under R version 3.4.3

library(forecast)
setwd("F:/Analisis estadistico de series economicas/Individual")
datos<- read.csv("archivo5.csv")
datos <- datos[-c(24),]
datos$Tipo<-factor(datos$Tipo, labels=c("Primaria", "Secundaria", "FP o gr sup"))
datostipo<-read.xlsx("Libro1.xlsx", detectDates=F)
datostipo <- datostipo[-c(24),]

modelo5<-lm(log(Salario.Mujeres)~Salario.hombres+Tipo, data=datos)
AIC(modelo5)

## [1] -228.4909

modelo6<-lm(log(Salario.Mujeres)~Salario.hombres*Tipo, data=datos)
AIC(modelo6)

## [1] -225.0552

library(ggplot2)
mm <- ggplot(datos, aes(Tipo, Salario.Mujeres)) 
mm + geom_boxplot(fill = "#C5EBFF", colour = "#5292B4",outlier.colour = "#0D6593", outlier.shape = 1)

Un ejemplo para una nueva predicción sería que el salario del hombre sea 2500 euros y el tipo de estudios que dispone son los secundarios.

Nuevos.Datos<-data.frame(Salario.hombres=2500,Tipo="Secundaria")
a <- predict(modelo5, Nuevos.Datos,type="response",se.fit=TRUE)
a

## $fit
##        1 
## 8.432077 
## 
## $se.fit
## [1] 0.01186089
## 
## $df
## [1] 45
## 
## $residual.scale
## [1] 0.02214951

library(knitr)
Tipovar<-datostipo[,c(3,7,8)]
colnames(Tipovar) <- c("Sec/SH","FP/SH")

Creamos la variable del modelo lineal:

Variables.xreg <- cbind(Tipo=Tipovar)
visits <- ts(datos$Salario.Mujeres, frequency=1)

#Ajustamos el modelo ARIMAX(ARIMA(1,0))
modArima <- Arima(visits, xreg=Variables.xreg, order=c(1,0,0))
#Ajustamos el modelo ARIMAX(ARIMA(2,0))
modArima2 <- Arima(visits, xreg=Variables.xreg, order=c(2,0,0))
#Ajustamos el modelo ARIMAX(ARIMA(0,1))
modArima3 <- Arima(visits, xreg=Variables.xreg, order=c(0,0,1))

Representamos los residuos del modelo ARIMA(1,0)

checkresiduals(modArima)

## 
##  Ljung-Box test
## 
## data:  Residuals from Regression with ARIMA(1,0,0) errors
## Q* = 11.918, df = 5, p-value = 0.03594
## 
## Model df: 5.   Total lags used: 10

variables.prediccion<-data.frame(2500,0,0)

prediccion<-forecast(modArima, xreg=variables.prediccion )
prediccion2<-forecast(modArima2, xreg=variables.prediccion)
prediccion3<-forecast(modArima3, xreg=variables.prediccion)

Observamos la predicción en la que el salario es de 2500 euros y tenemos un ARIMAX(1,0)

prediccion

##    Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## 50       2844.332 2711.372 2977.291 2640.987 3047.676

Observamos la predicción en la que el salario es de 2500 euros y tenemos un ARIMAX(2,0)

prediccion2

##    Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## 50       2871.271 2741.827 3000.714 2673.304 3069.238

Observamos la predicción en la que el salario es de 2500 euros y tenemos un ARIMAX(0,1)

prediccion3

##    Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## 50       2799.563 2657.841 2941.284 2582.819 3016.307

Generamos escenarios Optimistas, Pesimistas y Neutro.

prueba1<-c(3500,1,0) #Salario del hombre de 3500, estudios secundarios
prueba2<-c(1,2500,0)#Salario del hombre de 2500, estudios Grado superior o FP
prueba3<-c(0,1,1950)#Salario del hombre de 1950, estudios primarios

Predecimos cada uno de los casos que probamos.

variables.prediccion<-data.frame(rbind(prueba1,prueba2,prueba3)) 
prediccion<-forecast(modArima, xreg=variables.prediccion)
plot(prediccion)

En esta predicción final observamos la predicción para cada una de las pruebas.

5.Conclusiones

Acabo el análisis como lo he comenzado, reivindicando la brecha salarial entre géneros. He realizado el estudio sobre las variables que afectan y de qué manera lo hacen respecto al salario de la mujer. Lo relevante es que con el paso de los años, exactamente desde 1967 hasta 2017, sigue habiendo una brecha salarias inmensa que separa a los hombres y las mujeres. Como hemos podido presenciar, el salario de la mujer está condicionado por el tipo de estudios que disponga. Para optar a un gran puesto, lo que equivale a un gran salario, la mujer tiene que estar más preparada que un hombre y aun estándolo, su sueldo será inferior, en cambio un hombre no necesita tener unos estudios para optar a grandes puesto y grandes salarios. Esto nos lleva a reflexionar sobre el “handicap” que las féminas se encuentran a la hora de pensar qué quieren ser, qué quieren estudiar y hasta dónde quieren llegar, sabiendo que siempre quedarán por debajo del sexo masculino.

Por desgracia, podemos ver que aunque en los últimos años la brecha salarial entre hombres y mujeres se ha reducido, según la Organización Internacional del Trabajo (OIT), habrá que esperar al menos otros 70 años para que desaparezca, es decir, para que varones y mujeres cobren un sueldo igual por el mismo trabajo.

Artículo publicado en el periódico “EL MUNDO”