ESTIMACIN DEL SALARIO Y SUS FACTORES DETERMINANTES EN EL DEPARTAMENTO DE LIMA

En el presente trabajo tratamos de estimar por medio del mtodo de Mnimos Cuadrados Ordinarios (MCO), una modelo que permita conocer en qu medida l gnero impacta sobre el salario/ingreso de los trabajadores, es decir, para estimar los retornos de caractersticas como la educacin, su calidad y el impacto de la experiencia, sexo y edad de los trabajadores sobre los salarios. Dicha forma de estimacin ha sido utilizada por varios autores que la han adoptado como base en las caractersticas del mercado laboral y para nuestro caso tomaremos la base de datos de la regin de Lima; exactamente la provincia de Lima Metropolitana. Ing_lab = 1 + 2sexo + 3htrab + 4edad + 5edu + Ui DONDE: Ing_lab: Sexo: htrab: Edad: Edu: Ui: Ingresos laborales (Salarios) de los trabajadores de Lima Metropolitana en un ao. Gnero del trabajador. Esta variable toma valor 1 si el individuo es hombre y 0 si es mujer. Horas de trabajo semanales de los trabajadores de Lima Metropolitana. Edad de los trabajadores de Lima Metropolitana. Aos de educacin de los trabajadores. Variable aleatoria con media cero y varianza constante que refleja caractersticas no observables y que afectan a los salarios.

j (j = 1,2,3,4,5) : es el vector de parmetros a estimar.

ESTIMACIN ECONOMTRICA
Lima es la ciudad capital de la Repblica del Per. Se encuentra situada en la costa central del pas, a orillas del ocano Pacfico, conformando una extensa y populosa rea urbana conocida como Lima Metropolitana, flanqueada por el desierto costero y extendida sobre los valles de los ros Chilln, Rmac y Lurn. Segn el INEI, en el 2007 Lima contaba con ms de 8,4 millones de habitantes, de los cuales, el ndice de relacin entre hombres y mujeres indica que por cada 100 mujeres, hay 98.8 hombres; el 30% de la poblacin peruana, cifras que la convierten en la ciudad ms poblada del pas. Para el presente trabajo se tomo una muestra de 99 habitantes.

Caractersticas que determinan el salario: Educacin formal Experiencia laboral Gnero Edad

Otros factores como: Oferta de trabajo. Coste de vida. Uso de internet. Tipo de empleo: rama de actividad. Base de contrato: part-time o full-time.

ANLISIS ECONOMTRICO - DATOS Y ESTIMACIN

Se tiene a la regin de Lima como objeto de estudio con el prembulo realizado anteriormente y la data proporcionada por la encuesta ENAHO 2010; se analiza los datos que se pretende demostrar con el mtodo economtrico del MCO, y las comparaciones respectivas. DATOS: Ing_lab: Ingresos laborales (Salarios) de los trabajadores de Lima Metropolitana en un ao. Edu: Aos de educacin de los trabajadores. Hortrab: Horas de trabajo semanales de los trabajadores de Lima Metropolitana. Edad: Edad de los trabajadores de Lima Metropolitana. Sexo: Gnero del trabajador. Esta variable toma valor 1 si el individuo es hombre y 0 si es mujer. Una primera especificacin de la ecuacin de salarios que pretendemos estimar es la siguiente: Ing_lab= 1 + 2sexo + 3htrab + 4edad + 5edu + Ui

En otras palabras se puede determinar los salarios basados en regresiones del tipo: ING_LAB = F (sexo, horas de trabajo, edad, aos de educacin)

Veamos nuestra data con las variables, para poder estimar el modelo teniendo como base a Lima (n=99):
ingreso laboral 1579 307 0 0 6770 0 705 524 2472 640 980 30 1797 855 1161 307 6231 1600 2986 0 1076 1500 horas trabajo semanal 49 28 36 24 72 54 44 71 44 6 12 14 58 52 76 70 40 40 44 40 44 48 edad aos educacin sexo

45 18 16 14 81 37 19 65 50 51 61 56 64 35 28 24 49 47 52 27 32 47

6 8 6 5 16 14 11 11 16 16 16 11 16 9 14 14 16 11 11 14 11 14

0 1 0 0 1 0 0 1 1 0 1 0 0 1 1 0 1 0 0 1 1 1

866 1191 1411 863 0 571 921 423 1074 1074 655 971 584 506 4357 378 1806 705 503 1122 608 350 1531 603 804 1216

28 44 62 48 44 59 90 60 72 66 49 25 36 53 40 49 63 42 70 47 15 55 48 40 40 34

66 57 35 27 32 49 37 56 29 26 18 23 26 46 32 59 26 38 19 62 53 33 51 26 23 45

11 14 11 11 11 16 9 6 11 14 11 13 13 11 15 14 11 11 8 6 7 11 16 16 16 16

1 0 1 0 0 1 1 0 1 0 1 1 0 1 0 0 1 1 1 1 0 1 1 0 0 0

993 901 250 710 1243 178 809 1203 317 903 80 40 602 438 281 2276 630 1080 941 1125 647 687 333 80 617 456

50 32 11 41 35 48 54 70 10 84 24 6 48 48 14 49 18 48 42 48 54 6 24 42 50 20

78 45 53 19 24 26 46 36 57 38 33 53 36 37 60 34 26 31 33 28 31 34 54 35 26 18

6 15 16 12 14 11 11 11 6 13 11 16 11 13 14 14 10 11 11 11 11 14 11 6 10 11

0 1 0 1 0 1 0 1 0 1 0 0 1 0 0 1 0 1 1 1 0 0 1 1 1 0

923 1178 1260 646 400 1521 3003 1057 735 2091 651 345 1988 557 1049 809 1525 2422 159 269 2012 672 747 1951 2529 3326

52 60 48 42 30 48 70 45 54 72 30 16 44 8 45 70 70 84 30 36 48 35 45 52 30 46

43 30 65 44 21 23 38 40 57 49 53 15 43 46 35 57 46 36 25 23 59 52 21 50 25 39

11 7 7 6 13 16 11 14 7 11 9 8 12 14 11 14 11 11 11 8 12 9 11 16 11 14

1 1 1 0 0 1 1 1 0 1 0 0 1 1 0 1 1 1 0 0 1 0 0 1 1 0

ESTIMACIN DEL MODELO: Comenzando con el procedimiento de estimacin se utilizan los datos mustrales de corte transversal. Es decir, se toma como muestra 99 observaciones. Considerando el siguiente modelo: Ing_lab = 1 + 2sexo + 3htrab + 4edad + 5edu + Ui A continuacin se regresin ara la variable Ingreso laboral contra una constante 0 (el intercepto, el cual explica todos los efectos determinantes que nuestras variables explicativas no logran captar), el sexo, horas de trabajo, edad y aos de educacin en el programa Eviews. Sobre la base de la informacin de los datos, se obtuvieron los siguientes clculos:

ELABORADO: Los Autores (E-views)

MODELO ESTIMADO:
INGRESO = - 2414.696 113.5084*AOSEDUCACION + 472,8066*SEXO + 16.9055*HORAS + 28.10133*EDAD +

Calculando las respectivas esperanzas para los Salarios de los hombres y mujeres:
E (Y/ sexo=1, horas, edad, educacin) = -1758,722 + 25.821*HORAS + 26.604*EDAD + 99.010*EDUCACION E (Y/ sexo=0, horas, edad, educacin) = -2340.648 + 25.8215*HORAS + 26.604*EDAD + 99.010*EDUCACION

EL

INTERCEPTO

NEGATIVO EN

(PARA LA

HOMBRES)

NO

TIENE DE LAS

MUCHO OTRAS

SIGNIFICADO

PORQUE

MUESTRA

NINGUNA

VARIABLES (EDUCACION, HORAS DE TRABAJO, EDAD) TIENEN VALOR CERO. EL COEFICIENTE DE LA VARIABLE SEXO MIDE LA DIFERENCIA PROMEDIO ENTRE EL SALARIO PROMEDIO MENSUAL DE UNA MUJER Y DE UN HOMBRE, DADO LOS MISMOS NIVELES DE EDUCACION, HORAS DE TRABAJO Y EDAD.

Interpretacin del Modelo Estimado Coeficiente de determinacin:

En nuestro modelo, el 33.69% de la variacin total de los salarios estn siendo explicado por la influencia lineal de la variables horas, edad, aos de educacin y sexo. Por lo que la variacin residual es de 66,31 %. Es decir que el comportamiento estimado de los ingresos de la provincia de Lima, se asemeja en 33.69% al comportamiento real Anlisis de Significancia Individual (Prueba t Student)

Apreciando los resultados de la prueba de significancia estadstica individual, podemos concluir que las variables horas, edad, educacin y sexo, son estadsticamente

significativos, puesto que sus respectivas probabilidad son menores al 5% por lo cual se rechaza la hiptesis nula (H0: =O)

Interpretacin de los Parmetros

Las variables y sus coeficientes C= Sexo = Horas de trabajo = Edad = Aos de estudio = -2414.696 472.8066 16.90555 28.10133 113.5084

SEGN EL MODELO PODEMOS CONCLUIR QUE: Los salarios de los hombres son aproximadamente 472.8066 soles ms con respecto a los salarios de las mujeres. Una hora adicional de trabajo, incrementara el salario de ese trabajador 16.90555 soles. Un trabajador ganara 28.10133 soles ms en su salario, por cada ao de vida cumplido. Por cada ao que un trabajador lo dedique a su educacin e instruccin, su salario se ver incrementado en 113.5084 soles.

CAMBIO O QUIEBRE ESTRUCTURAL

A continuacin analizaremos la existencia o no del cambio estructural en nuestro modelo de exportacin de cobre en la economa peruana. El modelo representa una relacin de series de tiempo del modelo de Exportacin de cobre entre los aos 1999-2011 y se puede encontrar algunos indicadores de existencia de cambio estructural. Entre estos aos podemos observar que existen cambios y crecimiento en nuestra economa que conlleva a que el comportamiento no sea constante. Y esto hace que necesitemos modelos que representen mejor a la realidad en los distintos escenarios que se presentan, en escenario en el que las exportaciones son muy diferentes a las otras.

ESPECIFICACION DEL MODELO EMPIRICO:

Forma funcional: Inicialmente planteamos el siguiente modelo: X = f (P , Dmu) X = 0 + 1 * P + 2 * Dmu + Variable endgena: X = Exportaciones netas de cobre en millones de dlares americanos US$ por ao. Variables explicativas: P=Precio del cobre en Ctvs de US$/lb. Dmu=Demanda mundial del cobre en millones de toneladas por ao.

= la variable estocstica.
Exportaciones netas de cobre del Per: Esta ser nuestra variable dependiente (Endogena), de acuerdo a la especificacin de nuestro modelo economtrico. La variable se encuentra expresado en millones de dlares US$ Americanos. Precio (P): Primera de nuestras variables independientes. La escogimos puesto que es evidente que la funcin de exportaciones es una derivacin de la funcin de demanda, la cual depende

de los precios. Adems su volatilidad afecta su demanda internacional. Esta expresada en Ctvs US$/Lb. Demanda mundial del cobre refinado (Dmu): La incluimos en el modelo como variable independiente porque tiene una gran influencia la demanda externa de cobre. Tanto as que se estima que para el 2020 la demanda del cobre ser mayor que a su oferta. Esta variable esta expresada en miles de tonelada por ao de cobre refinado. Recoleccin de Datos: En el presente anlisis se ha considerado datos de series de tiempo, es decir, un conjunto de observaciones sobre los valores que toma una variable en diferentes momentos del tiempo. El periodo muestral abarca desde los aos 1999 hasta el ao 2011, es decir se analizan un total de 13 aos, esto es debido a una escasez de datos principalmente en la variable demanda mundial del cobre. La informacin obtenida del Banco Central de Reserva del Per se encuentra anualmente. Por el lado de las exportaciones, se utilizaron cifras anuales que se encontraban en millones de dlares. En el caso de la demanda mundial del cobre, los datos fueron obtenidos principalmente de Source: -World Metal Statistics March 2010 and Yearbook 2009, y para ellos se escogi la demanda de cobre refinado en miles de toneladas.
OBS 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 X 776.3000 932.6000 985.6000 1187.100 1260.500 2480.600 3471.800 5995.500 7219.100 7277.000 5933.700 8870.400 10711.40 P 71.3200 82.2400 71.6000 70.7400 80.7000 129.990 166.870 304.910 322.930 315.510 233.520 342.280 400.200 DMU 14465.000 14816.000 15675.000 15350.000 15221.000 15850.000 16610.000 17343.000 17980.000 18484.000 18400.000 19100.000 19510.000

ESTIMACIN DEL MODELO: Comenzando con el procedimiento de estimacin se utilizan los datos muestrales en series de tiempo. Es decir, se toma como muestra 13 aos comprendidos durante el periodo 19992011. Considerando el siguiente modelo: Exportaciones = 0 + 1 * Precios + 2 * Demanda mundial del cobre refinado + t A continuacin se regresion la variable Exportaciones de cobre en el Per contra una constante 0 (el intercepto, el cual explica todos los efectos determinsticos que nuestras variables explicativas no logran captar), los precios del cobre y la demanda mundial del cobre refinado en el programa Eviews. Sobre la base de la informacin de los datos, se obtuvieron los siguientes clculos:

De la regresin obtenemos los valores del intercepto y coeficientes de la pendiente:

X = 11622.02 + 17.56991 * P + 0.743279* DMU + t

Interpretacin y anlisis del modelo estimado 1. Coeficiente de determinacin :

El 98.58% de la variacin total de las exportaciones netas de cobre en el Per, esta siendo explicado por la influencia lineal de los precios del cobre y por la demanda del

cobre refinado a nivel mundial. Por lo que la variacin residual es 1.42% que no esta siendo explicada.

Pruebas Residuos recursivos: En este grafico vamos analizar el quiebre estructural a travs de las bandas de confianza para el modelo exportaciones del cobre con variables definidas del precio y demanda mundial.

En el grfico observamos que el estadstico recursivo tiende a salir de las bandas de confianza, y se percibe un posible quiebre en el ao 2007 en donde sus bandas de confianza se comienzan a ensanchar en este mismo punto por lo tanto concluimos que si existe un quiebre estructural en ese ao.

Prueba Cusum:

Presenta la suma acumulada de los residuos normalizados y bandas de confianza de 95%. Ya que la grafica se mantiene dentro de las bandas de confianza, entonces los coeficientes serian estables en el tiempo, sin embargo un cambio en la dinamica del grafico en el 2006 es seal de un posible quiebre estructural en este periodo.

Prueba Cusum-cuadrado:
Analizaremos la presencia de escenarios con diferentes caractersticas. Para ello realizamos la prueba de Cusum-Cuadrado. Con el grfico de la prueba de Cusumcuadrado se observa que el modelo sufre un cambio estructural. Analizaremos el modelo de exportaciones del cobre en el Per entre los aos 1999-2011. X = F (precio, demanda mundial).

Podemos observar en la grafica sobrepasan las bandas de confianza por lo que nos dice que los coeficientes no son estables en el tiempo Podemos observar mediante el grfico como el estadstico va a mostrar un crecimiento en el tiempo a partir del ao 2005 y a su vez observamos cmo este estadstico sobrepasa las bandas de confianza a partir de este mismo ao.

PRUEBA DE LOS COEFICIENTES RECURSIVOS: Estima los coeficientes del modelo de manera recursiva, si el modelo es estable las estimaciones de los coeficientes deben tender a ser convergentes y la varianza del estimador tiende a reducirse, conforme crece la muestra. 1. Residuo de la prediccin de Y periodo t-1
t

obtenida con los coeficientes estimados hasta el

Si t es normal, entonces Xt es normal N(0, )

residuo normalizado X t

et 1 xt' ( X t'1 X t 1 ) xt

; t k 1, ...,T

10,000 5,000 0 -5,000 -10,000 -15,000 -20,000 02 03 04 05 06 07 08 09 10 11

Grfico n 1

Recurs ive C(1) Estim ates 2 S.E. 60 40 20 0 -20 -40 -60 02 03 04 05 06 07 08 09 10 11

Grfico n2

Recurs ive C(2) Estim ates 2 S.E.

1.2

0.8

0.4

Grafico n3

0.0

-0.4 02 03 04 05 06 07 08 09 10 11

Recurs ive C(3) Estim ates 2 S.E.

PRUEBA CHOW
Un supuesto seala que la varianza de Ui debe permanecer constante en cada uno de los escenarios o muestras, igualmente los trminos de error para cada regresin deben estar independientemente distribuidos, no correlacionados.

Ahora para la deteccin del problema de Heteroscedasticidad en el modelo de exportacin de cobre en el Per, se procede a la aplicacin de las siguientes pruebas:

Prueba de Glejser:
Glejser sugiere hacer la regresin sobre los valores absolutos de t estimados sobre la variable Xi que se cree que esta muy asociada a las perturbaciones al cuadrado, para nuestro modelo dicha variable es el precio del cobre y la demanda mundial del cobre refinado. Dado que existe una forma funcional aproximada a una recta sobre dicha variable. Aplicando la regresin:

ELABORADO: Los Autores (E-views)

P (e) = 0.1190 Tcal = 1.704975 Gl = 10 Tcrit = 2.228 Ho: Homocedasticidad

H1: Heterocedasticidad Tcal< tcrit Se acepta la Ho por lo tanto no existe heterocedasticidad.

Prueba General de Heteroscedasticidad de White:

ELABORADO: Los Autores (E-views)

PLANTEAMINETO DE HIPTESIS
H o : hom oscedasticidad H a : heteroscedasticidad

2 2 u t 1 2 x 2 t 3 x 3t 4 x 2 t 5 x 3t 6 x 2t x 3t v t 2

 = 30899545+59730.53*P4346.841*DMU+46.06155*P +0.154487*DMU24.56898*p*DMU. R2auxiliar = 0.727949 En nuestro modelo hay 5 regresoras gl = 5

n* R2auxiliar X 2;gl.

X2 = 13 * 0.727949 X2 = 9.463337

DECISIN El valor ji-cuadrado calculado no es menor al valor ji-cuadrado crtico por lo que a un nivel de confianza del 95%, se llega a la conclusin de que no hay presencia de Heteroscedasticidad en la regresin mediante la prueba general de White.

Test de Chow

Fcrit.=F(k-1;n-k;=5%) = F(2;10;5%)=4.1 Fcri= 4.10 Chow Breakpoint Test: 2007 F-statistic Log likelihood ratio 11.73601 23.35711 Probability Probability 0.004036 0.000034

Fcal > Fcrit Por lo tanto se rechaza H0, se concluye que no es homocedastica. Por lo que concluimos que sus varianzas no son constantes.

TCNICA DE VARIABLES DICTOMAS

Por este mtodo nos permite conocer en donde es que se producen los cambios: en el intercepto y/o coeficiente de regresin. Tiene la ventaja de utilizar una sola regresin. Para ello debemos conocer y asumir previamente el punto del quiebre.

Suponiendo que el punto de quiebre se encontrara en el 2006:

X = 1 + 4D2 + 2P + 3DMU + 5(D2.P) + 6(D2.DMU) + Ui

Donde: X = Exportaciones netas de cobre en millones de dlares americanos US$ por ao. P=Precio del cobre en Ctvs de US$/lb. Dmu=Demanda mundial del cobre en millones de toneladas por ao.

= la variable estocstica
D2: variable dictoma, toma valor 0 para el periodo 1999-2005; y el valor 1 para el periodo 2006-2011

Aadiendo al modelo inicial variables dictomas que representen el punto de quiebre y procediendo con la regresin del nuevo modelo, obtenemos:

X = -5436.671 16357.23*D2 + 21.454*P + 0.321*DMU 1.085*(D2.P) + 0.921*(D2.DMU) + Ui

Procedemos a hacer un anlisis de cambio cualitativo y cuantitativo: Suponiendo que E(Ui)=0
E(X/D2=0, P, DMU)= - 5436.671 + 21.454*P + 0.321*DMU E(X/D2=1, P, DMU)= (-5436.671 16357.23) + (21.454 1.085)*P + (0.321 + 0.921)*DMU

= - 21793.901 + 20.369*P + 1.242*DMU

Existe cambio cualitativo (los interceptos cambian antes y despus del 2006) Existe cambio cuantitativo (los coeficientes de regresin cambian antes y despus del 2006)