Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TITULO
ECONOMIA DE LA EDUCACION: INDICADORES DE
EFICCIENCIA EDUCATIVA UNI-FIIS Y CAPITAL HUMANO EN
LIMA 2006
AO 2007
DEDICATORIA
Dedico el presente trabajo de investigacin (Tesis) a los docentes de
la Facultad de Ingeniera Econmica y Ciencias Sociales, que con su
esfuerzo y dedicacin han permitido que los alumnos y ex
alumnos
Agradecimiento
INDICE
SUMARIO
I.
INTRODUCCIN
1.1
10
14
1.2
Problematizacin
15
1.3
Objetivos
17
1.4
Importancia
18
JUSTIFICACIN
2.
20
MARCO TEORICO
2.1
23
Fundamentacion Terica
2.1.1
2.1.2
23
Antecedentes
23
32
2.1.3
ptica De La Investigacin
60
2.1.4
Seleccin De Variables
61
2.2
Principales ndices
64
2.3
MARCO EMPRICO
68
2.5
Hiptesis
70
3. ASPECTOS METODOLOGICOS
3.1.
Metodologa
79
79
112
Fuentes de Informacin
153
V.
CONCLUSIONES
154
VI.
REFERENCIAS BIBLIOGRAFICAS
157
SUMARIO
Hemos escogido temas de Economa de la Educacin puesto que este
tema adquiere cada da ms importancia, como factor de desarrollo,
tanto en pases en vas de desarrollo como el nuestro como a nivel
global como el tema de la sociedad del conocimiento. Los indicadores
de eficiencia educativa son indicadores no monetarios que muestran,
el aprovechamiento de los recursos por parte del sistema educativo,
con respeto a los valores esperados, indicando por ejemplo el
promedio de ciclos que permanente el alumno. En el caso de la
Facultad de Ingeniera Industrial y de Sistemas, muestra valores algo
superiores a la unidad, lo que refleja diferentes situaciones como
repitencia, retrazo en los estudios, etc. Se ha incluido como apndice
adicional tentativo un intento de construir un modelo economtrico.
Tambin se ha estudiando el mercado laboral de Lima utilizando el
Modelo del Capital Humano y una encuesta de empleo del INEI,
encontrndose como se espera en el modelo, aplicado en otras
latitudes de que el nivel educativo y la experiencia explica una parte
significativa de los ingresos en salario de los trabajadores, pero
tambin se ha encontrado de que existen otros factores como el sexo
que influyen en los resultados.
I.
INTRODUCCIN
de la sociedad
fundamental en
sociales y
el
Per
el
sistema
educativo
esta
siendo
objeto
de
de
de
relacionados
con
la
situacin
aplicado
una
muestra
de
trabajadores
de
Lima
que
va
contribuir
generar
ingresos,
debemos
los
elementos
que
podran
mejorar
la
situacin.
1.1
habilidades,
etc.,
que
necesitan
los
alumnos
para
10
son
las
que
captan
postulacin.
11
el
mayor
porcentaje
de
esa
Cuadro N 03
Elaboracin propia
Se debe resaltar que las universidades pblicas de mayor tamao han
reducido su matrcula, en los ltimos aos como una medida de
manejarse
dentro
de
una
poltica
estatal
de
reduccin
de
12
Arregui4, seala que una aproximacin para medir grosso modo sera
la relacin entre los ingresantes en un periodo dado y el nmero total
de graduados al cabo de 6 aos (que es el promedio de aos para
que un ingresante se grade), por ejemplo, la autora calcul esta
relacin para los periodos 1988 a 1997 como ingreso y 1993 a 2002
como periodo de graduacin, el cual arroja un valor de
55 %, es
2002.
normativo
implcito
slo
sirve
para
medir
las
13
desarrollo
base
de
investigaciones realizadas en el
ajena a la anterior
bienes de una
la
en
maquinarias
equipos
presentes
en
el
proceso
14
1.2
Problematizacin
el
caso
de
la
educacin
superior,
muchas
veces
son
econmica
del
estudiante
que
podra
afectar
su
desenvolvimiento acadmico
16
es financiada privadamente, es la
1.3
Objetivos
17
1.3.1
Objetivos Especficos
Importancia
Nacional
de
Ingeniera,
es
muy
importante
la
esas
especialidades
dentro
de
su
oferta
acadmica,
Sin
del siglo XX, donde los factores productivos eran el Capital y Trabajo,
donde el dueo del la capital, el empresario se hacia cargo de la
gestin de la empresa; a una sociedad post industrial con una nueva
economa donde el primer factor productivo es el conocimiento,
donde las grandes corporaciones multinacionales estn en manos de
tecncratas empleados de la empresa, y donde la propiedad de las
mismas se encuentra diversificada, fragmentada.
7Un
19
JUSTIFICACIN
1.4.1 Justificacin Terica
El tema de la eficiencia ha sido poco estudiado en el tema de
servicios, en relacin al sector industrial. Seria interesante poder
aplicar y comparar indicadores de eficiencia del sistema educativo.
La investigacin propuesta busca, mediante la aplicacin de la
teora y conceptos bsicos del capital humano, la relacin entre
nivel educativo e ingresos de los trabajadores adems de otras
posibles variables que podran influenciar, como el sexo.
1.4.2
Justificacin Metodologa
20
de
determinadas
tcnicas
de
investigacin
21
como
22
2.
MARCO TEORICO
2.1
Fundamentacion Terica
2.1.1 Antecedentes
Evolucin Histrica
La tradicin europea, que fue heredada por Amrica Latina, pona a
las universidades y las empresas econmicas en polos opuestos.
Segn esta tradicin, las universidades se dedican a la bsqueda del
conocimiento, de la educacin y de la cultura, mientras que son las
empresas las organizaciones que tienen por objetivo la ganancia
monetaria, las empresas tienen una lgica de corto plazo, mientras
que las universidades tienen la perspectiva de los siglos. Desde esta
ptica pedir a las universidades que actuasen basadas en criterios de
eficiencia y productividad parece inadecuado ya que la racionalidad
imperante es que a la universidad no deba importarle el costo que
tenga
para
que
su
producto
sea
de
calidad
en
trminos
transitar
hacia
modalidades
descentralizadas
de
24
econmica
en los
sistemas
para
las
instituciones
de
educacin
superior.
Estas
han
desarrollado
sistemas
de
indicadores
cuantitativos
de
25
de
1996.
19938
Este
. Este
documento
paper
se publico en
investiga
dos
aspectos
de
la
mediana
gran
empresa
respecto
los
obra
que
queremos
destacar
es
la
de
CAMINOS
ATC ),
El capital
. En el explica el origen de
sus investigaciones,
Diferencias de ingreso
27
28
Ln y :
principal
S
estudio
X
P y M:
variables de control
29
31
32
mundo.
Cuadro N 01
12
12
34
la realidad
35
Eficiencia
Existen muchas definiciones de eficiencia, cada una de acuerdo a su
contexto. En pocas palabras la eficiencia consiste en hacer un buen
uso de los recursos (factores productivos), para generar el mayor
beneficio social posible.
Eficiencia es una situacin donde el costo de producir un resultado es
minimizado
la
utilidad
de
las
preferencias
individuales
es
los
costos
o,
lo
que
es
lo
mismo,
13
36
Eficiencia en Educacin
El financiamiento de la educacin debe considerar tambin la
eficiencia, as cuento mas eficiente es un sistema productivo,
menores necesidades de financiamiento y mayores resultados
El objeto de aumentar la eficiencia tiene dos aspectos:
37
aumentando
la
cobertura consiguiente
calidad
(eficiencia interna )
Corto Plazo
Largo Plazo
38
general
deficitaria,
precisa
que
el
gasto
pblico
debe
39
y la transformacin del
conocimiento.
La educacin, en funcin del proceso de transformacin, recibe
influencias econmicas y de otro tipo
La Eficiencia es la relacin entre los resultados actuales y los
resultados que podran obtenerse con el nivel de recursos econmicos
disponibles.
Se puede considerar la ineficiencia como la diferencia entre los
resultados potenciales y los resultados actuales.
40
Eficiencia Interna
Es la forma mas adecuada y optima de emplear los recursos
existentes dentro del marco de tecnologas disponibles. As a medida
que aumenta la eficiencia, disminuyen las necesidades de recursos
para cumplir con el objetivo y lograr objetivos adicionales dentro de
un mismo nivel de presupuesto.
Ineficiencia es la diferencia entre lo que se logra y lo que podra
lograrse.
Si se examina las tasas de desercin y repeticin se puede calcular la
relacin ingreso / egreso como medida global de eficiencia.
Esta relacin esta determinado por el numero total de aos
alumno
41
alumnos se
(abandono o
42
evaluacin
de
cohortes,
teniendo
en
cuenta
la
43
Equidad en Educacin
El sistema educativo tiene como objetivo contribuir con la formacin y
desarrollo de destrezas, actitudes y habilidades sociales en todas las
personas que conforman parte de una sociedad. Para asegurar que
estos objetivos se logren, el sistema requiere el cumplimiento de
ciertas condiciones en relacin a los insumos ofrecidos, al proceso de
enseanza y a los resultados educativos. Con relacin a los insumos
por ejemplo, requiere asegurar el acceso al servicio educativo a todos
los estudiantes a travs de la construccin de centros educativos en
todo el pas, asegurar la dotacin de suficiente inmobiliario y recursos
educativos, as como asegurar que la enseanza se lleve a cabo por
docentes calificados. Por otro lado requiere que la metodologa de
enseanza y los contenidos curriculares respondan a los objetivos del
sistema resumidos en la estructura curricular.
Si bien es complejo asegurar y medir que todas estas condiciones se
cumplan, los diversos sistemas educativos suelen recurrir a un
conjunto de indicadores educativos que resumen parte de los
resultados obtenidos y permiten retroalimentar o reorientar las
polticas educativas
Comnmente se puede identificar tres grandes grupos de indicadores
que miden en cierta medida los resultados educativos del sistema.
Por un lado se encuentran los indicadores que hacen referencia a la
cobertura del sistema educativo o proporcin de poblacin en edad
44
la
evaluacin
seguimiento
de
la
calidad
de
las
45
tambin, que este sea brinde de manera igualitaria para todos los
grupos de estudiantes.14
Conceptos Y Definiciones
El concepto de productividad se define como la relacin entre
output e inputs, esto es entre los productos y los insumos necesarios
para su produccin. La productividad es una medida de la eficiencia
del empleo de los recursos para generar bienes y servicios, que
compara cuanto producimos con los recursos que utilizamos para
producirlo.
La
productividad,
definida
como
la
relacin
organizacin.
La
relacin
de
estos
elementos
a la
46
calidad
la
satisfaccin
del
cliente,
en
dicho
caso
la
masiva
de
calidad,
altamente
47
pertinente
ante
los
relevancia
al
interior
de
las
universidades
donde
el
Jacob
Mincer
trabajando
Universidad de Chicago y de
en
forma
conjunta
en
la
15
48
capacidades
aptitudes
generales),
formacin
16
para
usar
dicha
tecnologa.
Para
avanzar
en
el
de
los
trabajadores;
al
contrario,
genera
una
Mientras
que
los
beneficios
son
los
ingresos
salriales
y los
52
permite la
por
los
individuos
como
una
aproximacin
de
la
54
55
56
58
De
esta
manera,
los
empleadores
estructuran
una
cumplir
su
rol
informacional
si
sus
costos
no
estn
la
falta
de
norteamericano,
informacin
sabemos
es
que
mayor
por
que
ejemplo
en
en
el
mercado
EE.UU.,
las
un
grado
mas
avanzado
de
desarrollo
tecnolgico
de
1991
Nota de Ingreso
ndice de entrada
egresados x 10).
Tasa de graduacin.
Tasa de egresados.
Tasa de desercin
Nivel Educativo :
Se medir por los aos de escolaridad.
De acuerdo a la informacion del ENAHO, se tiene informacion en
escala
ordinal:
promaria,
secundaria
incompleta,
secundaria
completa, etc ademas de los aos que le han faltado para completar,
esto nos permitira convertir a una variable en aos
Ingresos
Entendendemos por ingresos (remuneracion), cantidad percibida por
los trabajadores como retribucin por su actividad econmica
Ingreso :
Se medir por los salarios, se va a preferir utilizar los ingresos netos
Experiencia Laboral
Entendemos por experiencia laboral o peofesional como los aos
dedicados a la actividad laboral
Experiencia :
Se medir por los aos de experiencia laboral. Se tomara la diferencia
entre la edad y los aos de estudio al ho haber un indicador mas
preciso en el cuestionario ENAHO
63
Variables
Dummy
Trabajador
por
cuenta
propia,
patrn
capital
humano,
sin
embargo
la
incluimos
puesto
que
2.2
Principales ndices
. ndice Entrada / Salida para cohorte de
ingresantes:
IES = TOTAL CICLOS ALUMNO
-------------------TOTAL EGRESADOS X 10
TOTAL CICLOS ALUMNO: Es el numero total de periodos
acadmicos cursados por todos los alumnos ingresantes a la
FIIS en el periodo indicado (incluido repeticin y los ciclos
cursados por los alumnos que luego han desertado de los
estudios)
64
. Crditos matriculados
CM = (215
CA ) X 100
----------------------TASA DE APROBACIN
65
. Duracin de la carrera
Descrita en trminos del promedio y desviacin estndar de
los ciclos matriculados hasta culminar los estudios
. Tasa de desercin
Porcentaje de ingresantes que se retiran
. Tasa de repeticin
Porcentaje de alumnos repitentes
. Coeficiente de Eficiencia Interna
Inverso de tasa de entrada salida
. Desperdicio en inversin educativa
Desperdicio = tot.ciclos alumno
tot egresad
T.EGR X 10
---------------TCA
. Desperdicio por Desercin
DPD = Total ciclo
alumnos desertores
-------------------------------66
TA
= Tasa de aprobacin
CM
= Crditos matriculados
TCE
DPR
DPD
67
2.3
MARCO EMPRICO
68
bien sus recursos, toda vez que si los alumnos se quedan mas ciclos
(mas de 10) estaran generando mayores costos a la facultad.
Marco Emprico Capital Humano
Instrumento Teorico Cientifico a utilizar
Se utilizara un Modelo Economtrico Un ecuacional, semi
logartmico. Se aplicara un modelo de regresin Mnimos Cuadrados
Ordinarios
Consideramos que la herramienta econometrica nos puede brindar un
buen ajuste de acuerdo a trabajos anteriormente realizados sobre el
tema.
Se utilizara tanto variables independientes continuas como discretas.
69
2.5
Hiptesis
Ln I = o + 1 S + 2 X + 3 X2 +
I : Ingreso
S : Educacion
X : Experiencia laboral
Ho : i = 0
Ho : i <> 0
70
(modelo basico)
Se puede
sexo
Sexo femenino
71
22
femenino
significativos,
22
presentan
diferentes
de
coeficientes
cero.
estimados
En
el
de
valores
estudio
titulado
72
los
coeficientes
estimados
de
las
variables
categoras
ocupacionales.
sea una
Medida
de
una
cantidad
con
referencia
una
escala
23
23
24
24
El valor de la variable se
superior
universitaria,
etc.
Las
otras
variables
25
25
Experiencia :
Definicion conceptual
Prctica prolongada que proporciona conocimiento o habilidad para
hacer algo. Conocimiento de la vida adquirido por las circunstancias o
situaciones vividas.
26
Definicion Operacional
Se medir por los aos de experiencia laboral. Para calcular los aos
de experiencia laboral se ha ideado dos procedimientos, por un lado
suponer de que ha trabajado desde que termino sus estudios, para
esto a su edad acual le restamos los aos de escolaridad y los cinco
aos previos, obteniendo de esta menra los aos de experiencia. La
otra manera es a partir de la variable P208b del diccionario de datos
de la encuesta de empleo, especificamente P208b3, desde que ao
trabaja en la ocupacion actual, este valor es restado del presente
ao, obteniendo la experiencia laboral, si el trabajador emprezo el
ao 2006 consideramos aos completo.
26
75
76
se desempea en su
Definicion Operacional
Se medira por categoria ocupacional. Para esta variable se tomara
mo base
se desempea en su
se desempea en su
D5
Sexo femenino.
Definicion conceptual
Sexo Condicin orgnica, masculina o femenina, de los animales y
las plantas. Conjunto de seres pertenecientes a un mismo sexo. Sexo
masculino, femenino28
Femenino Propio de mujeres. Perteneciente o relativo a ellas. Que
posee los rasgos propios de la feminidad. Dicho de un ser: Dotado de
rganos para ser fecundado. Perteneciente al gnero femenino.
Definicion Operacional
28
29
29
Metodologa
Tipo de Investigacin
El
alcance
Consideramos
de
la
investigacin
exploratoria
debido
es
que
de
tipo
son
exploratoria.
muy
pocas
las
aunque
tambin
podra
estar
considerado
como
Al
79
Tipo de Diseo
En cuanto al diseo de la investigacin, consideramos, para
ambos casos, como un diseo no experimental, puesto que no
manipulamos intencionalmente las variables independientes.
Para el caso del estudio sobre el capital humano, corresponde
al tipo de diseo no experimental transeccional o transversal, puesto
tomamos datos recolectados en un punto en el tiempo30. Dentro del
diseo no experimental transeccional, lo consideramos en la categora
de exploratorio, puesto los estudios todava son pocos; si bien
tambin se podra incluir dentro de la categora correlacional causal al
establecer relaciones entre variables.
En cuanto al mtodo de anlisis, estadsticamente se va a poder
establecer la correlacin entre variables, sin embargo el sentido de
causalidad seguira los planteamientos tericos correspondientes.
Para el caso del estudio sobre indicadores de eficiencia
educativa, el diseo correspondera a no experimental, longitudinal
de evaluacin de grupo, o estudio cohort, puesto que examina los
cambios a travs del tiempo en sub. Poblaciones o grupos especficos.
80
Otras Tipologas
Para la parte del Capital Humano, se va a utilizar el mtodo
deductivo, teniendo una determinada teora, se va aplicar a un caso
especfico de la
realidad peruana.
Mtodo de muestreo
-
81
Para la
investigacin se
utilizaran los
datos estadsticos
31
82
1991.
83
1991 de la ORCE.
84
cartografa
informacin
bsica
de
cada
conglomerado
86
87
88
Total de Ciclos de
estudio
matricular
22
89
INEI,
tomar en cuenta
Anlisis de la Informacin
En cuanto al aspecto estadstico, se utilizara el Mtodo de los Mnimos
Cuadrados que nos permita construir un Modelo Economtrico.
90
Resultados
A. INGRESANTES DISTRIBUCION POR ESPECIALIDADES
Ingresantes: distribucin por especialidades
Ing.
Ing.
Ing.
Ing.
Industrial
Industrial
Sistemas
Sistemas
Total
Total
Totales
1988
30
42.254
41
57.746
71
1989
21
39.623
32
60.377
53
1990
33
43.421
43
56.579
76
1991
55
48.673
58
51.327
113
Elaboracin Propia
En este cuadro se aprecia que para el ao 1989 el 42.25% de
los ingresantes a la FIIS pertenecan a la Facultad de Ingeniera
Industrial,
el
57.75%
restante
ingres
Ingeniera
de
91
Hombres
Mujeres
Mujeres
Totales
Total
Total
1988
56
78.873
15
21.127
71
1989
49
92.453
7.547
53
1990
69
90.789
9.211
76
1991
100
88.496
13
11.504
113
Elaboracin Propia
Para los ingresantes en 1988 los varones constituan el 78.9% del
total, en 1989 el 92.5%, en 1990 el 90.79% y en 1991 el 88.5%.
Por lo tanto existe una tendencia clara que la FIIS alberga
mayoritariamente a personas del sexo masculino.
92
Primera
Segunda
Segunda
Opcin
Opcin
Opcin
Opcin
Total
Total
Totales
1988
27
90
10
30
1989
17
80.952
19.048
21
1990
31
93.939
6.061
33
1991
55
100
55
Elaboracin Propia
En 1988 el 90% de los ingresantes lo hizo como primera opcin, en
1988 el 81%, en 1990 el 94% de los ingresantes y en 1991 el 100%
ingres como primera opcin. Por lo tanto se ve una tendencia clara
que los ingresantes, en su mayora prefirieron la carrera de Ing.
Industrial como prioridad, en trminos mas sencillos se dira que los
ingresantes realmente queran pertenecer a la facultad de Ing.
Industrial.
93
Primera
Segunda
Segunda
Opcin
Opcin
Opcin
Opcin
Total
Total
1988
32
78.049
21.951
41
1989
21
65.625
11
34.375
32
1990
36
83.721
16.279
43
1991
53
91.379
8.621
58
Totales
Elaboracin Propia
En Ingeniera de Sistemas sucede algo similar con Ing. Industrial,
aunque la proporcin de ingresantes en primera opcin del periodo
1988
94
Promedio
1988
14.911
8.41
4.677
0.556
1989
13.427
8.2
3.686
0.45
1990
15.123
8.959
3.595
0.401
1991
0.136
13.563
9.038
2.845
0.315
Elaboracin Propia
95
Promedio
Promedio
Promedio
Promedio
Promedio
4-8
8 - 10
10 - 12
12 - 14
14 - 16
1988
14
11
14
20
1989
15
12
12
1990
10
16
17
17
13
1991
14
23
35
Elaboracin Propia
96
Ing. Sistemas
Total
Concluyo
19
28
47
Contina
68
93
161
Desert
32
40
72
119
161
280
Total
Elaboracin Propia
Resumiendo la situacin acadmica de los ingresantes, vemos que
para los 119 ingresantes en Ing. Industrial 68 continan
estudiando que es el 57% aproximadamente, desertaron 32 (el
27%) y concluyeron solo 19 personas o que es lo mismo el 16%
concluy sus estudios.
97
Sexo
Femenino
Masculino
Total
Concluy
38
47
contina
17
156
173
54
60
32
248
280
Desert
Total
Elaboracin Propia
Diferenciando la situacin acadmica entre gneros el 28% de las
mujeres concluy su carrera y solo el 15% de los varones hizo lo
mismo. El 19% de las ingresantes mujeres desertaron, mientras
que el 22% de los varones hicieron lo mismo.
98
Opciones
Primera
Segunda
Total
Concluyo
22
25
47
Continua
163
10
173
59
60
244
36
280
Desert
Total
Elaboracin Propia
Diferenciando la situacin acadmica con las opciones de ingreso,
vemos que el 9% de los que ingresaron en primera opcin
concluy su carrera y el 24% desert. De los que ingresaron en
segunda opcin el 69% concluy su carrera mientras que solo el
3% desert.
99
Tercio medio
Total
Tercio superior
Total
Total
Concluy
14.894
40
85.106
47
Contina
37
21.387
84
48.555
52
30.058
173
Desert
57
95
3.333
1.667
60
Total
94
33.571
93
33.214
93
33.214
280
Elaboracin Propia
En
el
cuadro
anterior
podemos
apreciar
que
de
los
que
100
101
Concluye
Contina
Traslado/Abandono
0 - 10]
38
]10 - 20]
]20 - 30]
13
]30 - 40]
11
]40 - 50]
20
]50 - 60]
22
]60 - 70]
28
]70 - 80]
24
]80 - 90]
10
24
]90 - 100
28
23
Elaboracin Propia
En el cuadro anterior se observa que la mayor parte de los que
concluyen, el 60% aproximadamente, tiene una tasa de aprobacin
de crditos entre el >90% y 100%; el 38% de los que concluyen
tienen una tasa de aprobacin entre el >70% y
70%. De
Traslado/Abandono
21
24
12
10
11
37
12
13
46
14
15
33
16
17
10
15
19
18 - +
Elaboracin Propia
Al proyectar la permanencia a tres ciclos adicionales, es decir,
tomando en cuenta las caractersticas de los alumnos en cuenta al
porcentaje de crditos aprobados, suponemos que esta tendencia
contine y lo proyectamos a tres ciclos a cada alumno.
En el cuadro se observa que solo el 9% aproximadamente (de los
alumnos que concluyen) terminar la carrera a partir del 16avo ciclo
en adelante. En cambio de los alumnos que continan casi la
totalidad de ellos estar cursando del 16avo al 18avo. La tendencia
de los que se trasladan o abandonan se acenta mas an, casi la
totalidad que abandonan est entre el 1ro y 5to ciclo.
103
Cantidad
Porcentaje
Egresado
47
16.786
Contina
173
61.786
60
21.429
280
100
Traslado/Abandono
Total
Elaboracin Propia
104
# de ciclos
Nm. Egresado
4.255
4.255
10
10
21.277
25.532
11
10
21.277
46.809
12
13
27.66
74.469
13
6.383
80.852
14
6.383
87.235
15
10.638
97.873
16
97.873
17
2.128
100.001
Elaboracin Propia
En el cuadro anterior se observa que del total de egresados (47
en total) el 4.3% termin en el 9no ciclo, el 21.3% en el 10mo
ciclo, el 21.3% en el 11avo ciclo, el 27.7% el 12avo ciclo, por lo
tanto
la
mayor
parte
de
egresados
(el
74.5%
105
1993
1994
1995
1996
1988
10
1989
1990
1991
Elaboracin Propia
En el cuadro anterior se observa que del total de ingresantes en
1988 (fueron 71 en total) egresaron en 1993 solo 10, el cual
corresponde al 14%; en 1994 egresaron 7 (9.9% del total de
ingresantes)),
en
1995
egresaron
(2.8%
del
total
de
106
Nm. Alumnos
21
35
14
23.333
10
16.667
11.667
8.333
1.667
1.667
10
11
1.667
12
13
14
15
Elaboracin Propia
Los alumnos que abandona la carrera o desertan, en su mayora lo
hace en los primeros ciclos, as tenemos que en el primer ciclo
desertaron 21 alumnos que si lo comparamos con el total de
ingresantes del periodo analizado (313 en total) representa el 6.7%.
Si tomamos los cinco primeros ciclos tenemos que desertaron en total
57 alumnos, estos representan el 18.2% de los ingresantes en el
periodo analizado. El total de desertores llega a lo 60 alumnos que
representa el 19.2% del total de ingresantes. En el cuadro anterior
tambin se puede ver que hasta el 5to ciclo el 95% del total de
desertores abandonaron la facultad o se trasladaron.
107
10
Nmero Ciclos
Nmero de
Matriculados
Alumnos
Porcentaje
21
29.167
24
33.333
12
16.667
1.389
6.944
11
12.5
Elaboracin Propia
En este se cuadro se aprecia el resumen del cuadro anterior, as
se confirma que el 95% del total deserta al cabo del 5to ciclo.
108
Input/Output
Promedio de
Promedio de Ciclos
(proyectado)
ciclos de carrera
(Proyectado)
1.352
11.851
13.521
Elaboracin Propia
En este cuadro se puede observar que la relacin Input/Output es de
1.185, este indicador sugiere que, a pesar de que hay alumnos que
continan estudiando incluso con 15 y 16 matrculas, la relacin entre
los alumnos que ingresan a la facultad (y no desertan), la mayor
parte de estos termina
109
110
T.
Ingresantes Egresados
71
1989
53
1990
76
1991
113
B/A (T-5)
1992
1993
10
0.141
1994
11
0.208
1995
14
0.184
1996
33
0.292
1997
24
0.3
Elaboracin Propia
En este cuadro se puede apreciar que de todos lo ingresantes
del periodo analizado (incluyendo los desertores), que suman
en total 313, 92 personas egresaron hasta el ao 1997, el cual
representa el 29.4%, es decir, de 100 ingresantes, 29 personas
terminan su carrera, considerando un tiempo de estudio mnimo
de 6 aos y mximo de 9 aos.
111
112
Coefficient
Std. Error
t-Statistic
Prob.
C
S
X
X2
4.711876
0.120981
0.031264
-0.000417
0.043558
0.003182
0.002117
4.18E-05
108.1754
38.02463
14.77056
-9.979989
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.216461
0.216104
0.764448
3851.068
-7583.323
1.761174
6.487336
0.863413
2.301281
2.305402
606.8524
0.000000
Model Summary(b)
R
R Square
Adjusted R Square
Std. Error of the Estimate
.465(a)
.216
.216
.76445
a Predictors: (Constant), X2, S, X
b Dependent Variable: LNY
ANOVA(b)
Regression
Residual
Sum of
Squares
1063.898
df
3
3851.068
Total
4914.967
a Predictors: (Constant), X2, S, X
b Dependent Variable: LNY
Mean Square
354.633
6590
6593
F
606.852
Durbin-Watson
1.742
Sig.
.000(a)
.584
Coefficients(a)
Unstandardized
Coefficients
B
Std. Error
(Constant)
4.712
.044
S
.121
.003
X
.031
.002
X2
.000
.000
a Dependent Variable: LNY
Standardized
Coefficients
Beta
Sig.
Zero-order
108.175
.440
38.025
.495
14.771
-.340
-9.980
113
Partial
.000
.000
.000
.000
VIF
Collinearity
Statistics
Std.
B
Error
.415
.161
-.109
.889
.106
.102
Correlations
Part
.418
.059
-.011
Tolerance
.424
.179
-.122
1.125
9.459
9.782
I : Ingreso
S : Educacion
X : Experiencia laboral
Ho
= 0 para todo
H1
0 para todo
Ho R2 = 0
Segn la hiptesis nula, el nivel educativo ni la experiencia laboral
tienen efecto sobre el salario. Adems
De
acuerdo
los
resultados
de
las
pruebas
114
Correlations
Covariances
X2
S
X
X2
S
X
X2
1.000
S
.215
X
-.942
.215
-.942
1.000
-.117
-.117
1.000
1.74E-009
2.86E-008
-8.32E-008
2.86E-008 1.01E-005
-8.32E-008 -7.85E-007
-7.85E-007
4.48E-006
115
Heteroscedasticidad
Test de White
White Heteroskedasticity Test:
F-statistic
Obs*R-squared
21.00446
103.4685
Probability
Probability
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/29/06 Time: 18:44
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
S^2
X
X^2
X2^2
0.941809
-0.103104
0.005871
-0.015859
0.000661
-9.27E-08
0.130109
0.021727
0.000988
0.005478
0.000161
2.58E-08
7.238588
-4.745356
5.940291
-2.894918
4.099770
-3.587176
0.0000
0.0000
0.0000
0.0038
0.0000
0.0003
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.015691
0.014944
1.185999
9266.643
-10478.32
1.954378
0.584026
1.194962
3.179958
3.186140
21.00446
0.000000
116
Auto correlacin
Durban
Watson test
117
Otras Pruebas
GRAFICO CH01a Prueba de Normalidad
1200
Series: Residuals
Sample 1 7120
Observations 6594
1000
800
600
400
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
2.89e-15
0.069243
2.959762
-4.131456
0.764274
-0.661085
5.185791
Jarque-Bera
Probability
1792.969
0.000000
200
0
-3.75
-2.50
-1.25
0.00
1.25
2.50
Elaboracin propia
Como puede apreciarse grficamente, los residuos se distribuyen
normalmente.
118
Coefficient
Std. Error
t-Statistic
Prob.
C
S
X0
X02
4.962627
0.110445
0.052370
-0.000945
0.036467
0.002970
0.003205
0.000105
136.0843
37.18540
16.33791
-9.042329
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.238290
0.237943
0.753724
3743.781
-7490.167
1.748510
6.487336
0.863413
2.273026
2.277147
687.1944
0.000000
1171,186
3743,781
df
3
6590
Mean Square
390,395
,568
4914,967
6593
a Predictors: (Constant), X02, S, X0
b Dependent Variable: LNY
119
F
687,194
Sig.
,000(a)
TABLA CH01d
Coefficients(a)
Unstandardized
Coefficients
Constant
S
X0
B
4,963
,110
Standardized
Coefficients
Std. Error
,036
,003
,052
X02
-,001
a Dependent Variable: LNY
,003
,000
Beta
Sig.
,401
Zero-order
136,084
37,185
Partial
,000
,000
,482
-,267
16,338
-9,042
,000
,000
Correlations
Part
Tolerance
Collinearity Statistics
VIF
,418
,416
,400
,992
1,009
,247
,182
,197
-,111
,176
-,097
,133
,133
7,526
7,518
I : Ingreso
S : Educacion
X0 : Experiencia laboral
Ho
= 0 para todo
H1
0 para todo
Ho R2 = 0
Segn la hiptesis nula, el nivel educativo ni la experiencia laboral
tienen efecto sobre el salario. Adems
De
acuerdo
los
resultados
de
las
pruebas
120
Std. Error
Correlations
Covariances
X02
S
X0
X02
S
X0
X02
1,000
S
,086
X0
-,931
,086
-,931
1,000
-,092
-,092
1,000
1,09E-008
2,66E-008
-3,12E-007
2,66E-008 8,82E-006
-3,12E-007 -8,75E-007
-8,75E-007
1,03E-005
121
Heteroscedasticidad
TABLA CH01f Test de White
13.39583
66.36541
Probability
Probability
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/29/07 Time: 13:15
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
S^2
X0
X0^2
X02^2
1.139070
-0.120395
0.006275
-0.023878
0.000789
-5.40E-08
0.108744
0.019701
0.000919
0.007110
0.000333
1.14E-07
10.47476
-6.111120
6.830002
-3.358273
2.369729
-0.472975
0.0000
0.0000
0.0000
0.0008
0.0178
0.6362
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.010065
0.009313
1.154186
8776.177
-10299.03
1.939827
0.567756
1.159599
3.125578
3.131760
13.39583
0.000000
122
Watson test
de 1.738 y
123
Otras Pruebas
GRAFICO CH01b Prueba de Normalidad
1400
Series: Residuals
Sample 1 7120
Observations 6594
1200
1000
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
800
600
400
200
Jarque-Bera
Probability
0
-3.75
-2.50
-1.25
0.00
1.25
1.77e-15
0.048802
2.826001
-3.841224
0.753553
-0.585779
5.170869
1671.915
0.000000
2.50
Elaboracin propia
Como puede apreciarse grficamente, los residuos se distribuyen
normalmente.
124
Coefficient
Std. Error
t-Statistic
Prob.
C
S
X
X2
P107
D02
D3
D04
5.353179
0.106615
0.034694
-0.000435
-0.311901
-0.433179
0.252443
-0.452582
0.052110
0.003254
0.002014
3.92E-05
0.018834
0.040243
0.036783
0.023109
102.7278
32.76611
17.23013
-11.10265
-16.56008
-10.76414
6.863118
-19.58507
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.314166
0.313437
0.715417
3370.854
-7144.213
1.711318
6.487336
0.863413
2.169309
2.177552
430.9858
0.000000
Adjusted R
Std. Error of
R
R Square
Square
the Estimate
,561(a)
,314
,313
,71542
a Predictors: (Constant), d04, p107, d02, D3, X2, S, X
Durbin-Watson
1,697
Model Summary(b)
Model
1
125
Model
1
Sum of
Squares
1544,113
Regression
df
7
Mean Square
220,588
Residual
3370,854
6586
4914,967
6593
a Predictors: (Constant), d04, p107, d02, D3, X2, S, X
b Dependent Variable: LNY
F
430,986
Sig.
,000(a)
,512
Total
Coefficients(a)
Unstandardized
Coefficients
Constant
S
X
X2
p107
d02
D3
d04
Standardized
Coefficients
Beta
Sig.
Correlations
Zero-order
102,728
Partial
,000
Part
Tolerance
VIF
,418
,059
,011
,220
,374
,208
,744
,102
1,343
9,774
-,136
,334
,176
,113
,169
,110
,070
,200
,102
9,825
,984
1,016
,883
1,133
,915
1,092
,793
1,262
B
5,353
Std. Error
,052
,107
,035
,003
,002
,388
,550
32,766
17,230
,000
,000
,000
,000
-,355
-11,103
,000
-,312
,019
-,170
-16,560
,000
-,433
,040
-,117
-10,764
,000
,037
-,131
,252
,037
,073
6,863
,000
,084
-,453
,023
-,224
-19,585
,000
,192
,307
I : Ingreso
S : Educacion
X : Experiencia laboral
D2 Trabajador por cuenta propia
D3 Patron o empleador
D4
sexo
Sexo femenino
Ho
= 0 para todo
H1
0 para todo
Collinearity
Statistics
Ho R2 = 0
126
-,200
-,235
Std. Error
las
mas
bien
rechazamos
la
hiptesis
de
las
variables
127
Covariances
d04
p107
d02
,001 -8,25E-006
-8,25E-006
,000
9,46E-005
-2,36E-005
,000
5,69E-005
4,25E-008
-4,50E-009
1,93E-005
3,37E-006
-6,25E-006
9,25E-007
9,46E-005
,000
-2,36E-005
5,69E-005
,002
,000
,000
,001
3,90E-008
7,32E-008
-3,50E-005
-6,89E-006
-7,00E-006
-8,95E-006
4,25E-008
-4,50E-009
3,90E-008
7,32E-008
1,53E-009
2,53E-008
-7,38E-008
1,93E-005
-6,25E-006
a Dependent Variable: LNY
3,37E-006
9,25E-007
2,53E-008 1,06E-005
-7,38E-008 -7,16E-007
-7,16E-007
4,05E-006
D3
X2
S
X
-3,50E-005 -6,89E-006
-7,00E-006 -8,95E-006
128
Heteroscedasticidad
Test de White
27.87595
242.0416
Probability
Probability
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/29/07 Time: 21:36
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
S^2
X
X^2
X2^2
P107
D02
D3
D04
0.792972
-0.120208
0.006649
-0.024393
0.000723
-9.25E-08
0.152443
0.253622
0.164036
0.277313
0.120905
0.018558
0.000856
0.004650
0.000136
2.18E-08
0.026503
0.056813
0.051351
0.032495
6.558644
-6.477352
7.769602
-5.245870
5.318616
-4.250563
5.751882
4.464128
3.194416
8.534139
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0014
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.036706
0.035390
0.998725
6567.219
-9343.063
1.956276
0.511200
1.016880
2.836840
2.847144
27.87595
0.000000
129
Watson test
130
Otras Pruebas
GRAFICO CH01b Prueba de Normalidad
1400
Series: Residuals
Sample 1 7120
Observations 6594
1200
1000
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
800
600
400
200
Jarque-Bera
Probability
0
-3.75
-2.50
-1.25
0.00
1.25
1.77e-15
0.048802
2.826001
-3.841224
0.753553
-0.585779
5.170869
1671.915
0.000000
2.50
Elaboracin propia
Como puede apreciarse grficamente, los residuos se distribuyen
normalmente.
En conclusin podemos decir que el modelo es significativo, pasando
las pruebas de multicolinealidad, auto correlacin, aunque puede
tener cierta heterocedasticidad, es corregible y al parecer no va influir
significativamente en los resultados
131
D2
Patron
D3
sexo P107
Trabajador
cuenta
propia
profesional D4
Estimation Equation:
=====================
LNY = 5.655375258 + 0.0918264697*S + 0.05912353517*X0 - 0.001149758804*X02 0.2911502373*P107 - 0.3668502621*D02 + 0.2515973007*D3 - 0.4496565639*D04
Dependent Variable: LNY
Method: Least Squares
Date: 03/29/07 Time: 22:09
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
X0
X02
P107
D02
D3
D04
5.655375
0.091826
0.059124
-0.001150
-0.291150
-0.366850
0.251597
-0.449657
0.047146
0.003100
0.003092
9.93E-05
0.018679
0.039306
0.036165
0.022619
119.9555
29.62505
19.12336
-11.57525
-15.58700
-9.333269
6.956922
-19.87976
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.328716
0.328002
0.707787
3299.340
-7073.514
1.698520
6.487336
0.863413
2.147866
2.156108
460.7207
0.000000
Model Summary(b)
Model
1
R
,573(a)
R Square
,329
Adjusted R
Square
,328
Std. Error of
the Estimate
,70779
Durbin-Watson
1,691
Regression
Sum of
Squares
1615,627
df
7
Mean Square
230,804
Residual
Total
3299,340
6586
4914,967
6593
a Predictors: (Constant), d04, p107, X02, d02, D3, S, X0
b Dependent Variable: LNY
132
,501
F
460,721
Sig.
,000(a)
no
Coefficients(a)
Unstandardized
Coefficients
B
5,655
,092
Std. Error
,047
,003
,059
-,001
,003
,000
-,291
-,367
,019
,039
,252
,036
-,450
,023
a Dependent Variable: LNY
Constant
S
X0
X02
p107
d02
D3
d04
Standardized
Coefficients
Beta
Sig.
Collinearity
Statistics
Correlations
,334
Zero-order
119,955
29,625
Partial
,000
,000
Part
Tolerance
VIF
,418
,343
,299
,803
1,246
,544
-,324
19,123
-11,575
,000
,000
,247
,182
,229
-,141
,193
-,117
,126
,130
7,940
7,700
-,159
-,099
-15,587
-9,333
,000
,000
-,220
,037
-,189
-,114
-,157
-,094
,979
,906
1,021
1,104
,073
6,957
,000
,192
,085
,070
,927
1,079
-,223
-19,880
,000
-,307
-,238
-,201
,810
1,235
I : Ingreso
S : Educacion
X : Experiencia laboral
D2 Trabajador por cuenta propia
D3 Patron o empleador
D4
sexo
Sexo femenino
Ho
= 0 para todo
H1
0 para todo
Ho R2 = 0
Segn la hiptesis nula, el nivel educativo ni la experiencia laboral
entre otras variables
las
133
Std. Error
mas
bien
rechazamos
la
hiptesis
de
las
variables
134
p107
-,023
X02
,135
d02
,075
D3
,176
-,023
,135
1,000
-,028
-,028
1,000
-,029
,060
,075
-,029
,060
,176
,344
-,189
,001
,078
,038
,056
-9,79E-006
,075
,106
-,930
3,03E-007
-9,79E-006
,000
3,03E-007
6,66E-005
-5,12E-008
-2,10E-005
,000
2,41E-005
5,25E-005
2,21E-006
-1,32E-005
a Dependent Variable: LNY
3,24E-006
Correlations
d04
p107
X02
d02
D3
S
X0
Covariances
d04
p107
X02
d02
D3
S
X0
S
,344
X0
-,189
,078
,075
,038
,106
,056
-,930
1,000
,105
-,235
-,079
,105
-,235
-,079
6,66E-005
1,000
-,005
-,131
,000
-,005
1,000
-,122
2,41E-005
-,131
-,122
1,000
-1,32E-005
-5,12E-008
-2,10E-005
5,25E-005
2,21E-006
3,24E-006
9,87E-009
2,33E-007
2,33E-007
,002
2,68E-007
,000
3,28E-008 -2,86E-007
-2,86E-005 -9,64E-006
2,68E-007
3,28E-008
,000
,001
-2,86E-005 -5,51E-007
-5,51E-007 -1,47E-005
9,61E-006 -1,17E-006
-2,86E-007
-9,64E-006 -1,47E-005
-1,17E-006
135
9,56E-006
23.71606
207.0562
Probability
Probability
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/29/07 Time: 22:12
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
S^2
X0
X0^2
X02^2
P107
D02
D3
D04
0.795266
-0.111857
0.006200
-0.031401
0.000952
-3.05E-08
0.087915
0.238578
0.260684
0.296044
0.106355
0.017237
0.000815
0.006293
0.000291
9.90E-08
0.026472
0.056227
0.050918
0.032062
7.477442
-6.489375
7.608544
-4.989766
3.271798
-0.307692
3.321129
4.243128
5.119714
9.233627
0.0000
0.0000
0.0000
0.0000
0.0011
0.7583
0.0009
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.031401
0.030077
0.995812
6528.963
-9323.801
1.926405
0.500355
1.011133
2.830998
2.841301
23.71606
0.000000
136
Auto correlacin
Durbin
Watson test
137
Otras Pruebas
GRAFICO CH01b Prueba de Normalidad
1200
Series: Residuals
Sample 1 7120
Observations 6594
1000
800
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
600
400
1.04e-15
0.021103
2.959860
-3.638991
0.707411
-0.436143
5.083145
200
0
-3.75
Jarque-Bera
Probability
-2.50
-1.25
0.00
1.25
1401.328
0.000000
2.50
Elaboracin propia
Como puede apreciarse grficamente, los residuos se distribuyen
normalmente.
En conclusin podemos decir que el modelo es significativo, pasando
las pruebas de multicolinealidad, auto correlacin, aunque puede
tener cierta heterocedasticidad, es corregible y al parecer no va influir
significativamente en los resultados
138
Coefficient
Std. Error
t-Statistic
Prob.
C
S
X
X2
P107
D02
5.111926
0.126816
0.031504
-0.000417
-0.336649
-0.400315
0.052748
0.003240
0.002059
4.05E-05
0.019455
0.041271
96.91259
39.13489
15.29737
-10.28295
-17.30357
-9.699696
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.262083
0.261523
0.741972
3626.838
-7385.538
1.710161
6.487336
0.863413
2.241898
2.248080
467.9665
0.000000
Model Summary(b)
Model
1
R
,512(a)
R Square
,262
Adjusted R
Square
,262
Std. Error of
the Estimate
,74197
Durbin-Watson
1,694
Model
1
Regression
Residual
Total
Sum of
Squares
1288,129
3626,838
df
Mean Square
5
6588
4914,967
6593
a Predictors: (Constant), d02, p107, X2, S, X
b Dependent Variable: LNY
139
257,626
,551
F
467,966
Sig.
,000(a)
Coefficients(a)
Unstandardized
Coefficients
B
5,112
Std. Error
,053
,127
,032
,000
,003
,002
,000
-,337
,019
-,400
,041
a Dependent Variable: LNY
(Constant)
S
X
X2
p107
d02
Standardize
Coefficients
Beta
Sig.
Collinearity
Statistics
Correlations
Zero-order
96,913
Partial
,000
Part
,461
,499
-,340
39,135
15,297
-10,283
,000
,000
,000
,418
,059
-,011
-,184
-,108
-17,304
-9,700
,000
,000
-,220
,037
Tolerance
VIF
,434
,185
-,126
,414
,162
-,109
,807
,105
,102
1,239
9,505
9,785
-,209
-,119
-,183
-,103
,992
,903
1,008
1,108
I : Ingreso
S : Educacion
X : Experiencia laboral
D2 Trabajador por cuenta propia
sexo
Sexo femenino
Ho
= 0 para todo
H1
0 para todo
Ho R2 = 0
Segn la hiptesis nula, el nivel educativo ni la experiencia laboral
entre otras variables
las
140
Std. Error
mas
bien
rechazamos
la
hiptesis
de
las
variables
141
Coefficient Correlations(a)
Model
1
Correlations
d02
p107
X2
S
X
Covariances
d02
p107
X2
S
X
d02
1,000
-,039
p107
-,039
1,000
X2
,016
-,009
S
-,297
,073
X
-,064
,031
,016
-,297
-,009
,073
1,000
,200
,200
1,000
-,940
-,090
-,064
,002
,031
-3,15E-005
-,940
2,60E-008
-,090
-3,97E-005
1,000
-5,42E-006
-3,15E-005
,000
-7,08E-009
4,57E-006
1,24E-006
1,64E-009 2,62E-008
2,62E-008 1,05E-005
-7,85E-008 -6,01E-007
-7,85E-008
-6,01E-007
4,24E-006
2,60E-008 -7,08E-009
-3,97E-005 4,57E-006
-5,42E-006 1,24E-006
142
Heteroscedasticidad
White Heteroskedasticity Test:
F-statistic
Obs*R-squared
22.88554
156.5846
Probability
Probability
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/30/07 Time: 15:03
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
S^2
X
X^2
X2^2
P107
D02
0.748629
-0.098854
0.005273
-0.022150
0.000778
-9.86E-08
0.186581
0.145508
0.133987
0.020548
0.000942
0.005120
0.000151
2.41E-08
0.029249
0.062377
5.587322
-4.810983
5.600102
-4.325843
5.171698
-4.089407
6.379078
2.332740
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
0.0197
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.023747
0.022709
1.107368
8076.175
-10024.97
1.954224
0.550021
1.120160
3.043062
3.051304
22.88554
0.000000
143
Auto correlacin
Durban
Watson test
144
Otras Pruebas
GRAFICO CH01b Prueba de Normalidad
1400
Series: Residuals
Sample 1 7120
Observations 6594
1200
1000
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
800
600
400
200
Jarque-Bera
Probability
0
-3.75
-2.50
-1.25
0.00
1.25
-2.28e-15
0.043266
3.041326
-3.929978
0.741690
-0.558369
5.147017
1609.151
0.000000
2.50
Elaboracin propia
Como puede apreciarse grficamente, los residuos se distribuyen
normalmente.
En conclusin podemos decir que el modelo es significativo, pasando
las pruebas de multicolinealidad, auto correlacin, aunque puede
tener cierta heterocedasticidad, es corregible y al parecer no va influir
significativamente en los resultados
145
Modelo Ampliado
para experiencia X0
Estimation Command:
=====================
LS LNY C S X0 X02 P107 D02
Estimation Equation:
=====================
LNY = C(1) + C(2)*S + C(3)*X0 + C(4)*X02 + C(5)*P107 + C(6)*D02
Substituted Coefficients:
=====================
LNY = 5.359346841 + 0.1152113951*S + 0.05079523114*X0 - 0.0009380613458*X02 0.3162578519*P107 - 0.3471149338*D02
Dependent Variable: LNY
Method: Least Squares
Date: 03/30/07 Time: 15:14
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
X0
X02
P107
D02
5.359347
0.115211
0.050795
-0.000938
-0.316258
-0.347115
0.046267
0.003013
0.003134
0.000102
0.019311
0.040496
115.8347
38.24170
16.20574
-9.197229
-16.37700
-8.571492
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.276918
0.276369
0.734475
3553.924
-7318.580
1.703194
6.487336
0.863413
2.221589
2.227771
504.5999
0.000000
Model Summary(b)
Adjusted R
Std. Error of
R
R Square
Square
the Estimate
,526(a)
,277
,276
,73448
a Predictors: (Constant), X02, S, p107, d02, X0
b Dependent Variable: LNY
ANOVA(b)
Model
1
Model
1
Sum of
Squares
Regression
Residual
Total
1361,043
3553,924
df
Mean Square
5
6588
4914,967
6593
a Predictors: (Constant), X02, S, p107, d02, X0
b Dependent Variable: LNY
146
272,209
,539
Durbin-Watson
1,690
F
504,600
Sig.
,000(a)
Coefficients(a)
Unstandardized
Coefficients
B
5,359
Std. Error
,046
,115
-,316
,003
,019
-,347
,040
,051
,003
X02
-,001
,000
a Dependent Variable: LNY
Constant
S
p107
d02
X0
Standardize
Coefficients
Beta
Sig.
Correlations
Part
Tolerance
VIF
Collinearity
Statistics
Std.
B
Error
Zero-order
115,835
Partial
,000
,419
-,173
38,242
-16,377
,000
,000
,418
-,220
,426
-,198
,401
-,172
,915
,987
1,093
1,014
-,094
,467
-,265
-8,571
16,206
-9,197
,000
,000
,000
,037
,247
,182
-,105
,196
-,113
-,090
,170
-,096
,919
,132
,133
1,089
7,578
7,539
I : Ingreso
S : Educacion
X : Experiencia laboral
D2 Trabajador por cuenta propia
sexo
Sexo femenino
Ho
= 0 para todo
H1
0 para todo
Ho R2 = 0
Segn la hiptesis nula, el nivel educativo ni la experiencia laboral
entre otras variables
las
147
nula
mas
bien
rechazamos
la
hiptesis
de
las
variables
148
Correlations
X02
S
p107
d02
X0
Covariances
X02
S
p107
d02
X0
X02
1,000
S
,069
p107
-,029
d02
,046
X0
-,931
,069
-,029
1,000
,055
,055
1,000
-,274
-,035
-,069
,062
-,035
,046
-,274
-,931
1,04E-008
2,11E-008
-5,74E-008
-,069
2,11E-008
9,08E-006
3,22E-006
1,000
-,058
,062
-,058
-5,74E-008 1,89E-007
3,22E-006 -3,34E-005
,000 -2,74E-005
1,000
-2,98E-007
-6,56E-007
3,74E-006
-3,34E-005
-2,74E-005
,002
-7,32E-006
-2,98E-007 -6,56E-007
1,89E-007
3,74E-006
-7,32E-006
9,82E-006
149
Heteroscedasticidad
Test de White
13.07622
90.38852
Probability
Probability
0.000000
0.000000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 03/30/07 Time: 15:15
Sample: 1 7120
Included observations: 6594
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
S
S^2
X0
X0^2
X02^2
P107
D02
0.955918
-0.112779
0.005531
-0.021411
0.000749
-3.67E-08
0.113055
0.146419
0.116492
0.019041
0.000896
0.006796
0.000318
1.09E-07
0.029123
0.061702
8.205859
-5.922886
6.173277
-3.150437
2.356432
-0.336673
3.881933
2.373018
0.0000
0.0000
0.0000
0.0016
0.0185
0.7364
0.0001
0.0177
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.013708
0.012659
1.100383
7974.605
-9983.247
1.936937
0.538963
1.107415
3.030406
3.038648
13.07622
0.000000
150
Watson test
151
Otras Pruebas
GRAFICO CH01b Prueba de Normalidad
1400
Series: Residuals
Sample 1 7120
Observations 6594
1200
1000
800
600
400
200
0
-3.75
-2.50
-1.25
0.00
1.25
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-1.55e-15
0.037786
2.947754
-3.942475
0.734197
-0.516935
5.221202
Jarque-Bera
Probability
1649.222
0.000000
2.50
Elaboracin propia
Como puede apreciarse grficamente, los residuos se distribuyen
normalmente.
En conclusin podemos decir que el modelo es significativo, pasando
las pruebas de multicolinealidad, auto correlacin, aunque puede
tener cierta heterocedasticidad, es corregible y al parecer no va influir
significativamente en los resultados
152
Fuentes de Informacin
153
V.
CONCLUSIONES
La
Facultad
de
Ingeniera
Industrial
Sistemas
de
la
egresaron
al
cabo
del
ao
del
ltimo
ao
de
seguimiento.
154
esto
se
debera
que
los
trabajadores
significativamente
superiores
los
profesionales son
ingresos
de
los
no
profesionales
155
156
VI.
REFERENCIAS BIBLIOGRAFICAS
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
157
11.
12.
13.
14.
15.
16.
17.
18.
158
20.
21.
22.
23.
VALDIVIA
VARGAS.
Relacin
entre
Educacin
Superior
25.
26.
27.
Dispersin
159
Anexos
160
Valid
Edad
7043
6920
6920
7120
77
200
200
Mean
920.48
11.4605
19.76
37.76
15.326
.03784
.168
.163
Median
650.00
11.0000
18.00
36.00
600
11.00
26
3.14811
13.947
13.778
26,400
16.00
78
74
Minimum
.00
14
Maximum
26,400
16.00
78
88
25
400.00
11.0000
8.00
26.00
50
650.00
11.0000
18.00
36.00
75
1,000.00
14.0000
29.00
48.00
Missing
Mode
Std. Deviation
1,286.23
5
Range
Percentiles
Fuente : INEI
Elaboracin : Propia
161
CUADRO No AN02
DISTRIBUCION DE FRECUENCIA : AOS DE EDUCACION
(S)
Frequency
Valid
Missing
.00
Percent
Valid
Cumulative
Percent
Percent
74
1.0
1.1
1.1
1.00
.1
.1
1.2
2.00
13
.2
.2
1.3
3.00
24
.3
.3
1.7
4.00
16
.2
.2
1.9
5.00
25
.4
.4
2.3
6.00
507
7.1
7.3
9.6
7.00
124
1.7
1.8
11.4
8.00
245
3.4
3.5
14.9
9.00
351
4.9
5.1
20.0
10.00
195
2.7
2.8
22.8
11.00
2731
38.4
39.5
62.3
12.00
239
3.4
3.5
65.8
13.00
235
3.3
3.4
69.1
14.00
998
14.0
14.4
83.6
15.00
93
1.3
1.3
84.9
16.00
1044
14.7
15.1
100.0
Total
6920
97.2
100.0
200
2.8
7120
100.0
System
Total
Fuente : INEI
Elaboracion: Propia
162
Percent
Valid
Cumulative
Percent
Percent
73
1.0
1.0
1.0
.0
.0
1.0
284
4.0
4.0
5.0
507
7.1
7.1
12.1
915
12.9
12.9
25.0
2731
38.4
38.4
63.4
312
4.4
4.4
67.7
883
12.4
12.4
80.1
376
5.3
5.3
85.4
10
1038
14.6
14.6
100.0
Total
7120
100.0
100.0
Fuente : INEI
Elaboracin: PROPIA
1 :Sin Nivel
2 : Inicial
3 :Primaria Incompleta
4 : Primaria Completa
5 :Secundaria Incompleta
6 :Secundaria completa
7 :Superior No Universitaria Incompleta
8 :Superior No Universitaria Completa
9 :Superior Universitaria Incompleta
10:
99:
Missung Value
163
Cumulati
Freque
Percen
Valid
ve
ncy
Percent
Percent
Vali
451
6.3
6.3
6.3
2080
29.2
29.2
35.5
2341
32.9
32.9
68.4
1532
21.5
21.5
89.9
333
4.7
4.7
94.6
375
5.3
5.3
99.9
.1
.1
100.0
7120
100.0
100.0
Tota
l
Fuente: INEI
Elaboracin Propia
164
Fuente: INEI
Elaboracion: Propia
165
DISTRIBUCION
EDUCACION
Fuente INEI
Elboracion Propia
166
DE
FRECUENCIAS
AOS
DE
DISTRIBUCION
EXPERIENCIA
Fuente INEI
Elaboracion Propia
167
DE
FRECUENCIAS
AOS
DE
DISTRIBUCION
DE
FRECUENCIAS
AOS
DE
2.500
Frequency
2.000
1.500
1.000
500
Mean =6,76
Std. Dev. =7,938
N =7.120
0
0,00
20,00
40,00
X0
Fuente INEI
Elaboracion Propia
168
60,00
DISTRIBUCION
EDUCATIVO
Fuente INEI
Elaboracion Propia
169
DE
FRECUENCIAS
NIVEL
TABLA DE CORRELACION
ingtot
Ingtot
Pearson Correlation
.341(**)
.091(**)
Sig. (2-tailed)
.000
.000
7043
6848
6848
.341(**)
-.254(**)
Sig. (2-tailed)
.000
.000
6848
6920
6920
.091(**)
-.254(**)
Sig. (2-tailed)
.000
.000
6848
6920
6920
N
S
Pearson Correlation
Pearson Correlation
170
profesion
ingtot 1.00
.00
N
1921
5122
Mean
1,675.02
637.49
Std. Deviation
2,137.391
518.174
ingtot
Equal
variances
Sig.
1181.51
assumed
.000
32.305
df
7041
95% Confidence
(2-
Mean
Std. Error
Interval of the
tailed)
Difference
Difference
Difference
Lower
Upper
.000
1,037.534
32.117
974.575
1,100.493
.000
1,037.534
49.301
940.847
1,134.220
Equal
variances
not
21.045
2005.2
13
assumed
Fuente: INEI
Elaboracion: Propia
171
ingtot
indep
1.00
.00
Std.
Deviation
835.885
1,418.950
N
Mean
2080
655.59
4963 1,031.49
Std. Error
Mean
18.328
20.142
Sig.
df
95% Confidence
Interval of the
Difference
Lower
ingtot
Equal
variances
assumed
Equal
variances not
assumed
Fuente: INEI
106.495
.000
-11.289
7041
.000
-375.899
33.299
-441.175
-13.803
6289.4
26
.000
-375.899
27.232
-429.284
Elaboracion: Propia
172
Upper
310.62
3
322.51
4
ingtot
p107
1
2434
Mean
1,040.9
0
692.44
4609
Std.
Deviation
Std. Error
Mean
1,408.415
20.746
975.722
19.777
ingtot
Equal
variances
assumed
Equal
variances
not
assumed
Fuente INEI
61.436
Sig.
.000
df
Sig. (2tailed)
Mean
Difference
Std. Error
Difference
95% Confidence
Interval of the
Difference
Lower
Upper
10.903
7041
.000
348.467
31.962
285.812
411.122
12.158
6547.42
0
.000
348.467
28.662
292.280
404.654
Elaboracion Propia
173
CUADRO NO AN13
MODELO DE REGRESION LINEAL DE CAPITAL HUMANO
Model Summary(b)
Model
Adjusted
Std. Error
of the
Durbin-
Square
Estimate
Watson
R Square
1
.465(a)
.216
a Predictors: (Constant), X2, S, X
.216
.76445
1.742
b Dependent Variable: LNY
CUADRO NO AN13b
ANOVA(b)
Model
1
Sum of
Squares
Regression
Mean
Square
df
1063.898
F
606.85
354.633
2
.584
Residual
3851.068
Total
4914.967
a Predictors: (Constant), X2, S, X
Sig.
.000(a)
6590
6593
b Dependent Variable: LNY
CUADRO NO AN13c
Coefficients(a)
Model
Unstandardized
Coefficients
Std.
B
Error
(Constan
4.712
t)
S
.121
X
.031
X2
.000
a Dependent Variable: LNY
Fuente INEI
.044
.003
.002
.000
Elaboracion Propia
174
Standardi
zed
Coefficien
ts
Sig.
Beta
108.17
5
.440 38.025
.495 14.771
-.340 -9.980
.000
.000
.000
.000
CUADRO NO AN14
MODELO DE REGRESION LINEAL DE CAPITAL HUMANO
Model Summary(b)
R
Mod
Squar Adjusted R
Std. Error of
el
R
e
Square
the Estimate
1
.561(a)
.314
.313
.71542
a Predictors: (Constant), p107, d02, X2, D3, d04, S, X
b Dependent Variable: LNY
DurbinWatson
1.697
CUADRO NO AN14b
Model
1
ANOVA(b)
Sum of
Squares
Df
Mean
Square
F
430.98
220.588
6
.512
Regressio
1544.113
7
n
Residual
3370.854
6586
Total
4914.967
6593
a Predictors: (Constant), p107, d02, X2, D3, d04, S, X
b Dependent Variable: LNY
Sig.
.000(a
)
CUADRO NO AN14c
Coefficients(a)
Unstandardized
Model
Coefficients
Std.
B
Error
1
(Constant)
5.353
.052
S
.107
.003
X
.035
.002
X2
.000
.000
d02
-.433
.040
D3
.252
.037
d04
-.453
.023
p107
-.312
.019
a Dependent Variable: LNY
Fuente INEI Elaboracion Propia
175
Standardi
zed
Coefficien
ts
Sig.
Beta
.388
.550
-.355
-.117
.073
-.224
-.170
102.728
32.766
17.230
-11.103
-10.764
6.863
-19.585
-16.560
.000
.000
.000
.000
.000
.000
.000
.000