Modelo Minceriano: determinantes de los salarios en El Salvador, 2020
UNIVERSIDAD DE EL SALVADOR
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA DE ECONOMÍA
ECONOMETRÍA
TEMA DE INVESTIGACIÓN:
“EL MODELO MINCERIANO: DETERMINATES DEL SALARIO EN EL SALVADOR, 2020”.
DOCENTE:
MSF. Carlos Ademir Pérez Alas.
INTEGRANTES:
Pérez Vides, Debee Berenice PV18021.
Solano Tovar, Luis Fernando ST17005.
Umanzor Portillo, Keiry Margarita UP17003.
GRUPO TEÓRICO:
3
CIUDAD UNIVERSITARIA, 14 DE JUNIO DEL 2022.
INTRODUCCIÓN
Se busca desarrollar un modelo econométrico que permita encontrar los determinantes de los salarios en El Salvador.Este modelo permite comparar la relación entre capital humano e ingresos y luego medir estadísticamente los retornos de la educación. la teórica empírica, apunta que algunas características como el sexo, la edad, la experiencia, la habilidad innata, así como la propia de la persona aptap para el trabajo en su disposición de aprender e innovar pueden ser cruciales para que una persona consiga un trabajo y un excelente salario. Este modelo se caracteriza por explicar la relacion de los salarios de los trabajadores en función de la edad, el género, la localización, la educación, entre otras variables.
OBJETIVO
OBJETIVO GENERAL
Desarrollar un modelo econométrico lineal que permita pronosticar los salarios de las personas en El Salvador para el año dos mil veinte.
OBJETIVO ESPECÍFICO
- Definir las variables a estudiar para realizar el modelo econométrico y su incidencia en los salarios.
- Registrar los datos en los que se basara el modelo a explicar la proyección de salarios para verificar las relaciones establecidas.
- Demostrar los resultados obtenidos por medio del modelo y su impacto en los salarios de las personas salvadoreñas.
1. MARCO TEÓRICO Y REFERENCIAL
Para Mincer, las teorías de capital humano influían en la capacidad de ingreso-edad, dado esto en función de año de escolaridad y experiencia laboral, por medio de la estimación de ingresos a través de Mínimos Cuadrados Ordinarios (MCO), permitiendo el impacto de estimación en años de estudio a sus rentas laborales en los individuos.
Para conocer a cerca del modelo a realizar, estudiaremos la importancia sobre este economista dio un aporte social-económico, siendo este padre de la economía laboral moderna, destacado de la Universidad de Columbia también de la Escuela de Chicago.
Jacob Mincer (Julio 15, 1922 – agosto 20, 2006), desarrollo parte de un trabajo económico que estudiaría los fundamentos empíricos de la teoría de capital humano, junto con el economista Gary Becker (diciembre 2, 1930 – mayo 3,2014). Durante el tiempo en su carrera siendo parte de las enseñanzas de la Universidad de Chicago, tuvo muchos aportes y ensayos hacia la economía y el comportamiento social de las personas, su trabajo más fundamental fue: Escolarización, experiencia y ganancia, publicado en 1974, usando las herramientas por medio de CENSOS para un informe de datos claros para su investigación en los años 1950 a 1960 sobre el cálculo de ganancias anuales de escolaridad.
Siendo una pequeña parte de inversión en las primeras necesidades vitales, como comida y salud, teniendo como prioridad la inversión en la educación, que dado a esto se dará el aumento de nuevas oportunidades y nuevos ingresos en la persona. Los economistas neoclásicos, dan como proceso educativo al elegir la inversión, dan prioridad al aporte económico y su inversión en ella, para poder incrementar la capacidad del personal, de igual manera su productividad, los neoclásicos ven la inversión en la educación y no lo ven como un gasto, y el stock de conocimientos, considerado como un capital.
La teoría de capital humano desarrollado por el economista Becker (1964), su objetivo original era la estimación en el crecimiento de la educación, pero de igual manera se dio cuenta que no existía un marco que explicaría el proceso de inversión sobre las personas.
2. ESPECIFICACIÓN
2.1 PLANTEAMIENTO TEÓRICO DEL FENÓMENO ECONÓMICO
Con la recolección de datos de parte de la Dirección General de Estadísticas y Censos de El Salvador (Digestyc); se pretende determinar un modelo, el cual estime los salarios en los hogares de las familias salvadoreñas, para el propósito de relacionar el capital humano e ingresos y que esto sirva para determinar que variables inciden más en que las personas adquieran un ingreso relativamente alto y, así como ésta es apta para un trabajo en su disposición de aprender e innovar. Es importante destacar, que para el año de estudio que es el 2020, se presenta factores que influyeron en los ingresos de las familias salvadoreñas. Se pretende estimar el modelo, para determinar que variables influyen mas en que una persona obtenga un buen salario para el consumo de el mismo.
2.1.1 VARIABLE ENDÓGENA Y VARIABLES EXÓGENAS
Varible Endógena
Ingreso
El ingreso es la cantidad de recursos monetarios, dinero, que se asigna a cada factor por su contribución al proceso productivo. El ingreso puede tomar la forma de sueldos y salarios, renta, dividendos, regalías, utilidades, honorarios, dependiendo el factor de producción que lo reciba: trabajo, capital, tierra, etc. (htt)
Varibales Exógenas
Sexo
Se refiere a los roles, las características y oportunidades definidos por la sociedad que se consideran apropiados para los hombres, las mujeres, los niños, las niñas y las personas con identidades no binarias.(Salud, s.f.)
Eduación
Es el proceso de facilitar el aprendizaje o la adquisición de conocimientos, habilidades, valores, creencias y hábitos de un grupo de personas que los transfieren a otras personas, a través de la narración de cuentos, la discusión, la enseñanza, el ejemplo, la formación o la investigación. (Educación, s.f.)
Región
Es una zona territorial delimitada por características comunes que pueden ser geográficas, culturales, políticas o económicas
2.1.2 RELACIÓN FUNCIONAL ENTRE LAS VARIABLES
+ Relación entre ingresos y sexo
Existe una relacion inversa entre las dos variables. Dado que los ingresos no dependen del genero de las personas
+ Relación entre ingresos y región
Existe una relacion directa entre las variables, dado que en cada region geografica del pais se necesitan diferentes profecionales que laboren.
+ Relación entre ingresos y eduación
Existe un relacion directa entre las dos variblaes, debido a que, sí la persona esta mayor capacitada, así será el ingreso que éste obtendrá
2.2 ESPECIFICACIÓN DEL MODELO MATEMÁTICO Y MODELO ESTADÍSTICO
2.2.1 ESPECIFICACIÓN DEL MODELO MATEMÁTICO
Para determinar el modelo minceriano en El Salvador, se pretende analizar que variable influye mas a la hora de determinar el ingreso a las familias salvadoreñas, asimismo, las distintas variables que incidencia tienen en la determiancion del salario. Para eso, se tomó a bien, buscar la información para un año, siendo éste el año 2020.
Por tanto el modelo, queda de la siguiente manera:
\(Υ = β_0+ β_1 X_1+ β_2 X_2+ β_3 X_3+ β_4 X_4+ β_5 X_5\)
Donde:
\(γ = Ingresos\)
\(X_1 = Región\)
\(X_2 = Sexo\)
\(X_3 = Título que aprobó\)
\(X_4 = Edad\)
\(X_5 = Remesas\)
Por lo tanto:
\(γ= β_0+ β_1(Región)+β_2 (Sexo)+ β_3(Títulos que aprobó)+β_4(Edad)+ β_5(Remesas)\)
2.2.1.1 RESTRICCIONES DE LOS PARÁMETROS
2.2.2 ESPECIFICACIÓN DEL MODELO ESTADÍSTICO
\(Υ= β_0+ β_1 X_1+ β_2 X_2+ β_3 X_3+ β_4 X_4+ β_5 X_5+ ε\)
2.3 EVIDENCIA EMPÍRICA DEL FENÓMENO ECONÓMICO (Datos)
Acontinuación se muestra la base de datos a utilizar con la información disponible para el año 2020; siendo éste el año que se planteará el modelo minceriano para determinar los salarios de nuestro país.
Por tanto:
\(γ =\) Ingresos = ingfa
\(X_1 =\) Región = region
\(X_2 =\) Sexo = r104
\(X_3 =\) Títulos que aprobó = r217
\(X_4 =\) Edad = r442a
\(X_5 =\) Remesas = r454_b1
load("C:/Users/Keiry/Documents/Eco22/EHPM_2020.Rdata")
EHPM_2020[1:10,1:10]## edicion lote tipo folio viv r101 idboleta fac00 area region
## 1 2020 20 0 69 0 1 237167 486.0600 1 1
## 2 2020 20 0 69 0 2 237167 486.0600 1 1
## 3 2020 20 0 69 0 3 237167 486.0600 1 1
## 4 2020 20 0 70 0 1 237688 484.2381 1 1
## 5 2020 20 0 70 0 2 237688 484.2381 1 1
## 6 2020 20 0 71 0 1 236233 481.5052 1 1
## 7 2020 20 0 71 0 2 236233 481.5052 1 1
## 8 2020 20 0 71 0 3 236233 481.5052 1 1
## 9 2020 20 0 71 0 4 236233 481.5052 1 1
## 10 2020 20 0 72 0 1 236526 486.0600 1 13. ESTIMACIÓN
library(stargazer)
modelo_minceriano_2020<-lm(formula = ingfa ~ region + r104 + r217 + r442a + r454_b1, data = EHPM_2020)
stargazer(modelo_minceriano_2020, type = "text",title = "Modelo Minceriano El Salvador 2020")##
## Modelo Minceriano El Salvador 2020
## ===============================================
## Dependent variable:
## ---------------------------
## ingfa
## -----------------------------------------------
## region 28.265***
## (2.388)
##
## r104 -8.752
## (6.672)
##
## r217 96.189***
## (2.418)
##
## r442a 5.006***
## (0.460)
##
## r454_b1 -152.015***
## (21.305)
##
## Constant 735.542***
## (44.185)
##
## -----------------------------------------------
## Observations 37,030
## R2 0.073
## Adjusted R2 0.073
## Residual Std. Error 628.129 (df = 37024)
## F Statistic 581.191*** (df = 5; 37024)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01Prueba de Normalidad
Jarque-Bera
options(scipen = 9999999)
library(normtest)
jb.norm.test(modelo_minceriano_2020$residuals)##
## Jarque-Bera test for normality
##
## data: modelo_minceriano_2020$residuals
## JB = 9700237, p-value < 0.00000000000000022Kolmogorov - Smirnov
library(nortest)
lillie.test(modelo_minceriano_2020$residuals)##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo_minceriano_2020$residuals
## D = 0.15425, p-value < 0.00000000000000022Shapiro - Wilk
#shapiro.test(modelo_minceriano_2020$residuals)Multicolinealidad
Indice de condición
library(mctest)
X_mat<-model.matrix(modelo_minceriano_2020)
mctest(mod = modelo_minceriano_2020)##
## Call:
## omcdiag(mod = mod, Inter = TRUE, detr = detr, red = red, conf = conf,
## theil = theil, cn = cn)
##
##
## Overall Multicollinearity Diagnostics
##
## MC Results detection
## Determinant |X'X|: 0.7695 0
## Farrar Chi-Square: 9700.3502 1
## Red Indicator: 0.1521 0
## Sum of Lambda Inverse: 5.5974 0
## Theil's Method: 0.1855 0
## Condition Number: 40.0199 1
##
## 1 --> COLLINEARITY is detected by the test
## 0 --> COLLINEARITY is not detected by the testPrueba de Farrar-Glaubar
library(mctest)
mctest::omcdiag(mod = modelo_minceriano_2020)##
## Call:
## mctest::omcdiag(mod = modelo_minceriano_2020)
##
##
## Overall Multicollinearity Diagnostics
##
## MC Results detection
## Determinant |X'X|: 0.7695 0
## Farrar Chi-Square: 9700.3502 1
## Red Indicator: 0.1521 0
## Sum of Lambda Inverse: 5.5974 0
## Theil's Method: 0.1855 0
## Condition Number: 40.0199 1
##
## 1 --> COLLINEARITY is detected by the test
## 0 --> COLLINEARITY is not detected by the testFactores Inflacionarios de la Varianza (FIV)
library(mctest)
mc.plot(mod = modelo_minceriano_2020,vif = 2)
Heterocedasticidad
library(skedastic)
#white_lm(modelo_minceriano_2020,interactions = FALSE)Prueba de Durbin Watson y Multiplicador de Lagrange para verificar la presencia de estructuras de autocorrelación de 1 y segundo orden
#Durbin Watson
library(lmtest)
dwtest(modelo_minceriano_2020,alternative = "two.sided",iterations = 1000)##
## Durbin-Watson test
##
## data: modelo_minceriano_2020
## DW = 0.55096, p-value < 0.00000000000000022
## alternative hypothesis: true autocorrelation is not 0#Multiplicador de Lagrange
#Primer orden
bgtest(modelo_minceriano_2020,order = 1)##
## Breusch-Godfrey test for serial correlation of order up to 1
##
## data: modelo_minceriano_2020
## LM test = 19967, df = 1, p-value < 0.00000000000000022#Segundo orden
bgtest(modelo_minceriano_2020,order = 2)##
## Breusch-Godfrey test for serial correlation of order up to 2
##
## data: modelo_minceriano_2020
## LM test = 19967, df = 2, p-value < 0.00000000000000022