Universidad Autónoma de Nuevo

León

Facultad de Economía

MACROECONOMIA II

“Participación relativa de variables de capital humano en la

desigualdad del ingreso: un análisis de descomposición para el año
2006 en México.”

Manuel Díaz Vázquez

Ricardo Flores Espinosa
Sergio Adrian Martínez García
Miguel Ángel Santiago Martínez
 Introducción

La desigualdad de ingresos entre los habitantes de una población ha permanecido en los

umbrales de discusión entre los economistas a través del tiempo. Hipótesis como la de

Kuznets (1955), sostienen que conforme el nivel de riqueza de una economía crece, la

desigualdad también lo hace, aunque a tasa decreciente hasta alcanzar un punto máximo

para luego descender, semejando la figura de una u invertida (Ver figura).

Desigualdad

PIB per cápita

Fuente: flipspagnoli.wordpress.com

Por otra parte, la observación de nuestro entorno y la propia experiencia sugieren que la

pobreza de un individuo depende claramente de su nivel de ingresos y de la desigualdad

de éstos en el lugar dónde viva (T. Srinivasan, 1995), por ello, es relevante en un contexto

de bienestar general o macroeconómico, el estudio apropiado de la distribución del

ingreso y de la desigualdad, para conocer y explorar las diversas razones que la explican

y las posibles políticas que se puedan implementar para remediarla.

En este trabajo se presta principal atención a describir la interacción entre la desigualdad

del ingreso y el capital humano; los economistas definen al capital humano como, “el

conjunto de cualificaciones que poseen los trabajadores en una economía” (Blanchard et.

al. 2000), siendo éste de importancia relativa en la generación de riqueza de un país o

región en particular.
Como uno de los factores del capital humano que tiene más importancia, sobresale la

educación; podemos suponer que los individuos que dedican más tiempo a su educación

reciben recompensas de ingreso mayores en promedio, que los que dedican menos

tiempo a su formación académica, manteniendo otros factores constantes.

En particular, se pretende analizar la relación que existe entre el capital humano

(primordialmente la educación) y la desigualdad del ingreso, para ello se sigue la línea de

investigación realizada por el economista Gurleen K. Popli (Changes in Human Capital

and Wage Inequality in Mexico, 2007). En el mencionado trabajo se estudia como

diversos factores de capital humano entre otros contribuyen en proporción a la

desigualdad de los salarios. Nosotros nos apartamos de su objetivo en lo siguiente:

 Se analiza sólo un año, el 2006; este año se escogió por ser uno en el que las

bases de datos de la ENIGH (Encuesta Nacional de Ingreso y Gasto) eran más

accesibles y se prestaban a menos confusión por los posibles errores, además por

estar marcado de expectativas positivas acerca del crecimiento económico en el

país.

 Al analizarse sólo un año, los datos son de corte transversal y por lo tanto tenemos

una fotografía en el tiempo que nos muestra la participación de cada una de las

variables explicativas en la desigualdad y no su comportamiento a través de

diferentes años, lo cual probablemente limite nuestras inferencias, aunque es una

simplificación adecuada acorde a la situación que se planteó.

 El número de variables explicativas incluidas en el modelo que desarrollamos es

menor y por tanto los ajustes de la regresión con respecto a los valores

observados son menores, ello se decidió deliberadamente, ya que nuestro trabajo

 se enfoca principalmente en desagregar los niveles de educación (como un reflejo

aproximado del capital humano) y visualizar su participación en la desigualdad.

 Hemos tomado en cuenta ingresos totales, es decir, no consideramos si éstos

provenían de sueldos, transferencias u otras remuneraciones pues deseamos

controlar también para estas variables y evitar así un posible insesgamiento en los

parámetros.

Entender la participación de una variable de capital humano en el nivel de desigualdad

brinda un importante punto de referencia para lograr un razonamiento económico

adecuado que visualice las relaciones empíricas, es decir, las entrañas del abismo de la

desigualdad económica.
Marco teórico.

Podemos suponer que quienes tienen altos o bajos ingresos seguirán este patrón y que

este proceso es difícil de modificar. Al estudiar la distribución del ingreso nos encontramos

con diversos factores que la afectan directamente en diferentes grados; sin embargo

hemos optado por analizar más a fondo cómo el capital humano incide en la distribución

del ingreso en México, ya que desde nuestro punto de vista es uno de los factores mas

importantes que modifican esta distribución.

Algunos trabajos de investigación sugieren que la desigualdad de los ingresos puede

observarse como relación causal de cambios en la demanda de trabajo especializado

(Ramírez, 2004) y cambios en la oferta de trabajo (Popli, 2007). Para observar los

cambios en la desigualdad, podemos observar el cuadro anexo, en donde se muestran los

cambios en el coeficiente de Gini (medida de desigualdad) a través de diferentes años. Al

parecer la tendencia de la desigualdad se ha orientado a la baja, después de permanecer

constante, o por lo menos aproximadamente constante, durante los años 2002 al 2004.

Año 2000 2002 2004 2005 2006

Coeficiente 0.501 0.479 0.479 0.483 0.473

de Gini

Fuente: elaboración propia con datos de la ENIGH.

Averiguar en qué contexto la desigualdad del ingreso decayó en el año 2006, por

influencias de la educación y otros factores nos permitirá encontrar la relación

proporcional entre variables de capital humano y desigualdad.

Nuestro objetivo primordial es el de encontrar la contribución de cada factor de la

regresión en la desigualdad de los ingresos. En la teoría se usan modelos de regresión

lineal para explicar el ingreso de los individuos tomando variables explicativas como,

educación, región donde viven, edad, entre otras. En el marco empírico procederemos a

describir el modelo en cuestión y desarrollarlo, a fin de probarlo después usando el

paquete estadístico de E-Views.

Marco empírico.

Para entender la contribución de las variables explicativas a la desigualdad del ingreso,

podemos partir de un modelo como el siguiente:

Donde lnIT es el logaritmo natural de los ingresos totales por hogar, aj es un vector

columna que presenta a los parámetros estimados incluyendo a un valor de 1 para el

error, en tanto que zji representa un vector renglón que incluye a las variables explicativas

incluyendo al “intercepto” y al error.

β1

β2

β3

β14

β15 = 1 xi1 xi2 xi3 xi4 . . . xi14 xi15 xi16 εi

a=
β16

1
Se estiman 16 variables explicativas, incluyendo variables dicotómicas para niveles de

instrucción del jefe de familia y región en donde se ubica el hogar de donde se tomo la i-

ésima observación. Las variables son: norte, centro, sur (base), sin instrucción (base),

primaria incompleta, primaria completa, secundaria incompleta, secundaria completa,

preparatoria incompleta, preparatoria completa, superior incompleta, superior completa,

posgrado, estrato, hombres viviendo en el hogar, mujeres viviendo en el hogar, estrato (es

decir número de habitantes de la población a la que pertenece el hogar), edad y edad2.

Para lograr descomponer la contribución de cada una de las variables independientes de

nuestra regresión en la desigualdad de los ingresos totales, usamos el método propuesto

por Gary Fields (2003). A continuación se desglosa el método:

Tomamos la covarianza en ambos lados de la ecuación 1 con respecto al logaritmo

natural del ingreso, el lado izquierdo de la ecuación es el siguiente:

Para el lado, derecho, sabemos que la covarianza de una variable aleatoria con respecto

a sí misma es igual a su varianza, podemos mostrar entonces que:

3
Dividiendo la ecuación 3 entre , tenemos el importante resultado:

Los valores de sj nos indican la contribución proporcional de cada variable explicativa a la

varianza de los ingresos totales, la cual usamos como medida de la desigualdad de

ingresos.

Alterando un poco más la ecuación 5, y realizando la siguiente observación:

Arribamos a la fórmula que nos ayuda a calcular la contribución de cada variable a la

desigualdad:

Dos propiedades importantes de la sumatoria de sj son:


Todas las ecuaciones que hemos desarrollado, proveen los cálculos necesarios para

averiguar a partir de los parámetros estimados lo que hemos estado diciendo a lo largo de

este trabajo: la participación de cada variable explicativa, con especial énfasis en las

variables más importantes de capital humano, como son los niveles de instrucción del jefe

de familia, en la desigualdad de los ingresos.

DATOS

Los datos usados para el análisis son de El Instituto Nacional de Estadística, Geografía e

Informática (INEGI), de la Encuesta Nacional de Ingresos y Gastos de los Hogares

(ENIGH-2006).

Estos datos proporcionan un panorama estadístico del comportamiento del ingreso y

gasto de los hogares en cuanto a su monto, procedencia y distribución, para apoyar la

toma de decisiones en materia de política económica y social, así como para

investigadores y organismos internacionales.

Esta encuesta ofrece, de manera adicional, información sobre las características tanto

ocupacionales y socio demográficas de los integrantes del hogar, como de la

infraestructura de la vivienda y el equipamiento del hogar.

La generación de estadísticas de la ENIGH se basa en la aplicación de un esquema de

muestreo probabilístico, donde la unidad ultima de selección es la vivienda y la unidad de

observación es el hogar; en consecuencia, los resultados obtenidos de la encuesta se

generalizan a toda la población.

Para nuestro estudio, de entre todas las variables de la encuesta tomamos a

consideración solamente: Estrato, cantidad de hombres que viven en el hogar (hombres),

cantidad de mujeres que viven en el hogar (mujeres), nivel de instrucción del jefe de

familia, edad del jefe de familia, ubicación geográfica; y contemplamos como variable de

estudio los ingresos totales; que consideramos apropiado ya que engloba el total de

percepciones del hogar en cantidades nominales.

Los datos de nivel de instrucción y ubicación geográfica se ordenaron para poder usarse

como variables dicotómicas a fin de ser utilizados en la regresión y poder mostrar los

resultados de forma apropiada. El tamaño de la muestra es de 20876 observaciones, a

partir de los datos tomados de la encuesta ya antes mencionada.

RESULTADOS

Los datos de la tabla 1 muestran los resultados que se estimaron al regresar el logaritmo

del ingreso total, contra las variables explicativas de región; nivel de instrucción del jefe de

familia; número de hombres y de mujeres viviendo en el hogar; estrato; edad del jefe de

familia y edad del jefe de familia al cuadrado. La prueba de Breusch-Pagan mostró

evidencias de heteroscedasticidad, arrojando un estadístico de F=13.50834, con un valor

p de cero. Por ello, los errores estándar se corrigieron para tomar en cuenta la presencia

del mencionado problema. Los valores p mostrados en tabla nos indican alta significancia

en las variables, aunque la R2 nos dice que sólo explicamos aproximadamente el 42% de

nuestra variable dependiente, tal problema no debería de movernos demasiado a

preocupación ya que nos interesa principalmente el efecto de las variables de educación y

las recompensas de ingreso por edad.

SIGNIFICANCIA ESTADÍSTICA VERSUS SIGNIFICANCIA ECONÓMICA

Los coeficientes estimados tienen significancia estadística, tal característica es valiosa

para realizar inferencias, pero para analizar la significancia práctica o económica de las

variables tenemos que seguir un criterio diferente, después de todo, si un coeficiente no

tiene una magnitud relevante, ¿porqué no mejor ignorarla en el análisis y enfocar nuestra

atención en las variables cuya magnitud sea lo suficientemente grande para inquirir

acerca de sus posibles consecuencias?

En los resultados que observamos en la tabla podemos ordenar las variables de menor a

mayor de la siguiente forma: estrato, edad2, edad, mujeres, hombres, centro, norte,

primaria completa, primaria incompleta, secundaria incompleta, secundaria completa,

preparatoria incompleta, preparatoria completa, superior completa, superior incompleta,

posgrado y el intercepto. Tener lo anterior en cuenta nos ayuda a visualizar un rasgo

interesante, tanto primaria incompleta como superior incompleta, son variables que tienen

una menor participación en el ingreso que sus respectivas “hermanas” completas.

También, aunque la variable explicativa edad y edad2 no tienen una magnitud muy

grande, edad2 al tener un valor negativo nos indica que hay presencia de retornos

decrecientes de la edad con respecto al salario, lo cual se espera de teoría económica,

pues las personas no suelen aprender y desarrollar habilidades a una tasa constante o

positiva de manera que puedan recuperar su inversión en aprender tales habilidades a

una tasa creciente.

La variable de estrato, al tener una participación muy pequeña en el salario, es quizá una

de las menos importantes en nuestro análisis y bien podría ser descartada del modelo sin

provocar grandes daños a los estimadores por presencia de correlación, de hecho sólo se

incluyo para evitar tal problema, pero como se puede apreciar en los resultados no tiene

una interpretación económica tan interesante como el de las variables dummy de nivel de

instrucción.

TABLA 1*: Regresión de Ingreso total; variable dependiente: ln (IT) (logaritmo

natural del ingreso total)

VARIABLES COEFICIENTES ERRORES** VALORES P

ESTÁNDAR

CONSTANTE 8.224091 0.046128 0.0000

REGIÓN (CATEGORÍA

BASE: SUR)

NORTE 0.162812 0.011670 0.0000

CENTRO 0.116709 0.010930 0.0000

NIVEL DE

INSTRUCCIÓN

(CATEGORÍA BASE: SIN

INSTRUCCIÓN)

PRIMARIA 0.489877 0.018410 0.0000

INCOMPLETA

PRIMARIA 0.296124 0.017301 0.0000

COMPLETA

SECUNDARIA 0.705359 0.019584 0.0000

INCOMPLETA

SECUNDARIA 0.838141 0.023181 0.0000

COMPLETA

PREPARATORIA 0.984876 0.027268 0.0000

INCOMPLETA

PREPARATORIA 0.991804 0.024652 0.0000

COMPLETA

SUPERIOR 1.528749 0.022983 0.0000

INCOMPLETA

SUPERIOR 1.232540 0.034611 0.0000

COMPLETA

POSGRADO 1.932011 0.037668 0.0000

HOMBRES 0.094287 0.003707 0.0000

MUJERES 0.080932 0.003651 0.0000

ESTRATO -0.161260 0.004104 0.0000

EDAD 0.037970 0.001723 0.0000

2
EDAD -0.000280 0.0000170 0.0000
2
R 0.423001 N/A*** N/A
 2
R AJUSTADA 0.422558 N/A N/A

*La regresión se estimó usando datos de la ENIGH 2006, mediante el paquete computacional E-VIEWS.

**Los errores estándar son consistentes con la heteroscedasticidad de White.

***N/A: no aplica.

CONTRIBUCIÓN DE CADA VARIABLE EXPLICATIVA AL NIVEL DE DESIGUALDAD

EN LOS INGRESOS.

En la Tabla 2 se presenta la contribución de cada una de las variables explicativas en la

dispersión del ingreso, o desigualdad de éste (medida a través de la varianza del

logaritmo de los ingresos totales). Se pueden comprobar las propiedades de las sj(lnIT)

descritas anteriormente en el marco empírico, es decir, la suma de cada una de las

proporciones correspondientes a las variables explicativas sin incluir la proporción de los

residuos es aproximadamente igual a nuestra R2 (por errores de redondeo); si después,

incluimos los residuos, la suma, en efecto, da 1, que porcentualmente es igual a 100%.

La variable que proporcionalmente contribuye más a la desigualdad, excluyendo a la

proporción de los residuos (que es la mayor) es aquélla que tiene que ver con si el jefe de

familia cursó un grado educacional superior pero no acabo con éste. Tanto las variable

dicotómicas primaria incompleta, primaria completa así como la variable edad tienen una

contribución negativa a la desigualdad del ingreso, lo cual sugiere que las personas que
en su tiempo, estudiaron la primaria o la empezaron, a una edad determinada, tienen, en

promedio, un ingreso total relativamente equitativo.

La variable estrato, que no tenía gran volumen en la regresión, parece sin embargo

explicar la desigualdad de los ingresos de una forma mayor al resto de las otras variables,

excluidas, por supuesto, las ya mencionadas anteriormente.

Las participaciones de norte y sur se sumaron para llamarles efecto proporcional de

región, esta explica aproximadamente un .94% de la desigualdad.

TABLA 2 CONTRIBUCIÓN PORCENTUAL DE LAS VARIABLES EXPLICATIVAS A LA DESIGUALDAD.

VARIABLES EXPLICATIVAS Sj(lnIT) %

REGIÓN 0.93516288

ESTRATO 9.15326825

PRIMARIA INCOMPLETA -1.69939063

PRIMARIA COMPLETA -3.01970158

SECUNDARIA INCOMPLETA 0.39231862

SECUNDARIA COMPLETA 1.98862273

PREPARATORIA INCOMPLETA 1.88531151

PREPARATORIA COMPLETA 2.61567326

SUPERIOR INCOMPLETA 17.7434234

SUPERIOR COMPLETA 2.39772373

POSGRADO 5.94130243

EDAD -2.13452543

HOMBRES 1.59441001
 MUJERES 1.03267643

EDAD^2 3.47021875

RESIDUOS 57.6999273

SUMA TOTAL 100

*NOTA: LAS PEQUEÑAS DIFERENCIAS EN LA SUMA TOTAL SE DEBEN A ERRORES DE REDONDEO

CONCLUSIONES

En el análisis que hemos presentado, utilizamos una metodología que nos permitió

descomponer en proporciones los efectos de las variables explicativas en la desigualdad

de los ingresos. Aunque habíamos observado que un factor como el estrato en el que
residían los hogares, no tenía una participación intensa en el salario, sí la tiene en la

desigualdad. A la vez, variables educacionales probaron tener resultados interesantes en

su contribución en la desigualdad; al desagregar los efectos fuimos capaces de observar

que las personas que completaron la primaria como aquéllas que por lo menos estudiaron

una parte de ella, son receptores de ingresos menos dispersos, en comparación con la

diferencia que existe entre personas que no terminaron un grado de educación superior.

Las variables de capital humano explican en proporción una gran parte de la desigualdad.

Si sumáramos las participaciones relativas del nivel de instrucción tendríamos que ésta

explica aproximadamente un 28.25% de la desigualdad siendo todas las contribuciones

(sj´s) positivas sin incluir las excepciones que ya mencionamos.

Una política que incentive el desarrollo de los niveles de instrucción podría aumentar la

desigualdad de los salarios para un año dado y a su vez, sin embargo, reducir (aunque no

se demuestre aquí) las brechas de ingreso con el tiempo, lo que al parecer sucede con los

valores sj de educación primaria; se tiene evidencia de que trabajadores que recibieron tal

educación en ese tiempo tienen quizá una desigualdad menor que las personas más

recientes que han empezado estudios superiores y de posgrado.

REFERENCIAS

Popli, Gurleen K. 2007. “Changes in Human Capital and Wage Inequality in Mexico”,

Sheffield Economic Research Paper Series, no. 2007001.

Fields, Gary. 2003. “Accounting for Income Inequality and its Change: A new Method, with

Application to the Distribution of Earnings in the United States,” Research in Labor

Economics.

Legovini, A., C. Bouillon and N. Lustig.2005. “Can Education Explain Changes in Income

Inequality in Mexico?” in F. Bourguignon, F. H. G. Ferreira, and N. Lustig, (eds), The

Microeconomics of Income Distribution Dynamics: in East Asia and Latin America, (A co-

publication of World Bank and Oxford University Press), pp. 275-312.

ENIGH Encuesta Nacional de Ingreso-Gasto de los Hogares, INEGI, 2006.

Ramírez Cruz, María Delfina. 2004. “Desigualdad salarial y desplazamientos de la

demanda calificada en México, 1993-1999” El Trimestre Económico, 2004, vol. LXXI (3),

edición 283, páginas 625-680.

Wooldridge, Jeffrey M. Introducción a la Econometría Editorial Thompson International.

Autor, David, Lawrence Katz y Alan Krueger. 1998. “Computing Inequality: Have

Computers Changed the Labor Market,” Quarterly Journal of Economics, vol. 113.

Card, David. 1999. “The Causal Effect of Education on Earnings,” in Orley Ashenfelter y

David Card, (eds), Handbook of Labor Economics, (North Holland), vol. 3.

Card, David. 2001. “Estimating the Return to Schooling: Progress on some persistent

Econometric Problems,” Econometrica, vol.69, no.5.

Juhn, Chinhui, Kevin Mrphy and Brooks Price. 1993. “Wage Inequality and the Rise in

Returns to Skill,” Journal of Political Economy, vol.101.

Katz, Lawrence and David Autor. 1999. “Changesin the Structure and Earnings Inequality,”

in Orley Ashenfelter and David Card, (eds), Handbook of Labor Economics, (North

Holland), vol. 3.

Lerman, Robert and Shlomo Yitzhaki. 1989. “Improving the Accuracy of Estimates of Gini

Coefficients,” Journal of Econometrics, vol.42.