Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PERIODO (2000-2019)
Denilson E. Mamani-Calderoni
estefanodenilson@gmail.com
UNA-PUNO
RESUMEN
Este trabajo tiene como propósito determinar los factores asociados a la desigualdad
en la distribución de la renta en Perú. Para ello se han empleado datos de naturaleza agregada
para el período comprendido entre 2000 y 2019. Se ha utilizado como variable endógena, el
coeficiente de desigualdad de Gini y como variables exógenas, el PIB per cápita, tasa de
crecimiento poblacional, tasa de desempleo y el Índice de Desarrollo Humano (IDH). a partir
de la relación entre crecimiento económico y desigualdad de ingreso. Se ha creído
conveniente utilizar el modelo de Regresión Múltiple con series temporales para determinar
las variables asociadas a la desigualdad en la distribución de la renta.
SUMMARY
The purpose of this work is to determine the factors associated with inequality in
the distribution of income in Peru. For this, data of an aggregate nature have been used for
the period between 2000 and 2019. The Gini coefficient of inequality has been used as
endogenous variable and as exogenous variables, GDP per capita, population growth rate,
unemployment rate and the Human Development Index (HDI). based on the relationship
between economic growth and income inequality. It has been considered convenient to use
the Multiple Regression model with time series to determine the variables associated with
inequality in the distribution of income.
1
INTRODUCCION
Según (INEI, 2011) En el año 2010, las cifras más altas de severidad se presentan en
los departamentos de Huánuco (9,5%), Huancavelica, Apurímac y Puno con 8,2% cada uno,
Ayacucho (8,1%), Cusco (7,2%), Amazonas (6,6%) y Cajamarca (6,5%). En cambio, menor
desigualdad o severidad de la pobreza, se observó en los departamentos de Ica (0,4%;), Madre
de Dios (0,7%), Lima (0,8%), Tumbes (1,0%), Moquegua y Tacna con 1,3% cada uno,
Ucayali (1,5%)y Arequipa (1,7%).
2
En el periodo 2007-2018, se aprecia un crecimiento sostenido de la población con
empleo adecuado, mientras que la población subempleada disminuye también en forma
constante, sin embargo, muestra un incremento a partir del año 2015 hasta el 2017 y un
descenso al 2018. Entre el 2017 y 2018 la población con empleo adecuado creció en 4,0%,
mientras que la población subempleada disminuyó en 1,1%.((INEI), 2019)
El crecimiento sostenido del PBI real per cápita del Perú en los últimos años -en
porcentaje- permitió que en el 2018 se ubique al mismo nivel del PBI per cápita promedio de
los países de Europa emergente y supere al de América Latina y el Caribe; sin embargo, en
montos, todavía estamos lejos de otras economías. Si la economía del Perú creciera a una
tasa de 5% anual (considerando como base el PBI per cápita del 2018), le tomaría 19 años
alcanzar el nivel del PBI per cápita que tiene Corea hoy.(GESTION, 2019)
El Producto Bruto Interno Per cápita El principal indicador del desarrollo económico
es el aumento del PBI per cápita, que refleja el incremento de la productividad económica y
del bienestar material, como promedio, de la población de un país. El desarrollo económico
está estrechamente vinculado al crecimiento económico(Castillo Leon, 2015)
3
MARCO TEORICO
(Yamada Fukusaki et al., 2016) argumenta que el Perú mantiene un elevado nivel de
desigualdad en la distribución del ingreso. Estimados del coeficiente de Gini que corrigen
por el potencial subreporte en las encuestas de hogares arrojan una cifra cercana a 0.5,
alrededor del doble que en los países más igualitarios de la OECD y por encima de Chile (el
país más desigual de la OECD). La evolución de la desigualdad ha mostrado una tendencia
decreciente en la ´ultima década, con un ritmo de decrecimiento considerablemente mayor
en la primera mitad (2007-2011). Este resultado lo corroboran las estimaciones que corrigen
por el potencial subreporte en las encuestas de hogares.
(Yamada Fukusaki et al., 2016) argumenta que La mejora de la distribución del ingreso
puede ser explicada por los mecanismos redistributivos fortalecidos por los mayores ingresos
recaudados por el Estado o su mejor asignación, así como por la mejora en las condiciones
de mercado y las fuentes de ingreso privadas de las familias. La tercera pregunta de
investigación planteada líneas arriba tiene que ver, específicamente, con el rol de la política
pública en la distribución del ingreso.
4
Schuldt (2004), Yamada y Castro (2006), y García y Céspedes (2011), se han hecho
esfuerzos para estimar el Coeficiente de Gini por otros métodos que puedan responder a la
crítica planteada.
En las pasadas seis décadas el crecimiento demográfico de Perú atravesó dos etapas:
una primera hasta inicios de los años setenta, cuando el crecimiento fue ascendiendo hasta
alcanzar un 2.8% anual y otra, de sentido opuesto, en que el ritmo fue disminuyendo hasta
colocarse en torno al 1.7% anual a comienzos de los años dos mil. La modificación de la
estructura etaria, que se refleja en la menor base relativa de la pirámide de edades, es uno de
los cambios demográficos que muestra cómo el Perú se encuentra en plena transición
demográfica, pasando de poseer una población joven y de rápido crecimiento a otra más
adulta y de crecimiento menor.(Castillo Leon, 2015)
(De Maio, 2010)La curva de Lorenz muestra el porcentaje del total del ingreso
percibido a través del porcentaje acumulativo de la población. En una sociedad donde la
igualdad es perfecta, el 25% "más pobre" de la población percibiría un 25% del total del
ingreso, el 50% "más pobre" de la población percibiría el 50% del total del ingreso y la curva
de Lorenz seguiría el trayecto de la línea de igualdad de 45 grados. A medida que aumenta
la desigualdad, la curva de Lorenz se aleja de la línea de igualdad; el 25% "más pobre" de la
población podría percibir el 10% del total del ingreso; el 50% "más pobre" de la población
podría percibir el 20% del total del ingreso y así sucesivamente.
Figura 1.
ESQUEMA DE LA CURVA DE LORENZ (DATOS HIPOTÉTICOS)
FUENTE: DE MAIO
5
METODOLOGIA
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2+ 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝑒
β1= mide el cambio en Y por cada cambio unitario en X1, manteniendo X2, X3…Xp
constantes. β2 mide el cambio en Y por cada cambio unitario en X2, manteniendo X1, X3,
Xp constantes.
βp =mide el cambio en Y por cada cambio unitario en Xp, manteniendo X1… Xp−1
constantes.
6
Tabla 1
VARIABLES PARA EL PRESENTE ESTUDIO
Tipo Variables Descripción
Dependiente Y Coeficiente de Gini.
X1 Tasa de Crecimiento Poblacional.
X2 PBI per cápita
Independiente X3 Tasa de desempleo
Figura 2.
VARIABLES PARA LA CURVA DE LORENZ AÑO (2000)
POBL.2000 Y. 2000
100 CURVA DE LORENZ 0 0
80
10.00 0.35
19.99 1.42
INGRESO
60 30.00 3.57
40.03 7.18
40 49.95 12.67
59.98 20.58
20 LINE… 70.00 31.59
CUR… 80.03 46.71
0 89.99 67.33
0 20 POBLACION
40 60 80 100
100.00 100.00
FUENTE:Elaboracion propia
7
Análisis del modelo econométrico
En la tabla permite apreciar los datos anuales tanto de las variables que tomaremos como dependientes
e independientes asociadas al modelo. La fiabilidad de la tabla fue medida a través de Excel y Stata/IC
15.1 para lo cual se tomó valores de tasas brutas de las diferentes variables
Tabla 2
DATOS DEL PRESENTE ESTUDIO
COEF.
años Gini T Cp Pbi Per T Des IDH
2000 0.491 1.54 1.13300 0.0574 0.678
2001 0.513 1.47 -0.84353 0.0573 0.686
2002 0.536 1.41 3.98335 0.0580 0.687
2003 0.531 1.36 2.76561 0.0479 0.686
2004 0.499 1.32 3.59522 0.0490 0.693
2005 0.504 0.84 5.40241 0.0486 0.698
2006 0.503 0.77 6.71107 0.0426 0.695
2007 0.500 0.67 7.79540 0.0419 0.703
2008 0.475 0.63 8.45585 0.0406 0.712
2009 0.470 0.65 0.39315 0.0390 0.715
2010 0.455 0.73 7.66610 0.0348 0.717
2011 0.447 0.74 5.66849 0.0344 0.729
2012 0.444 0.72 5.19543 0.0311 0.729
2013 0.439 0.78 5.01445 0.0324 0.736
2014 0.432 0.94 1.44307 0.0296 0.746
2015 0.434 1.18 2.07389 0.0300 0.745
2016 0.436 1.53 2.48244 0.0354 0.748
2017 0.433 1.81 0.65157 0.0346 0.750
2018 0.428 1.90 2.03184 0.0339 0.759
2019 0.438 1.80 0.35182 0.0331 0.759
FUENTE: Elaboración propia y Datos de estudio a partir del programa Excel.
8
RESULTADOS Y DISCUSIÓN
Un valor de correlación alto y positivo indica que los elementos miden la misma
destreza o característica. Si los elementos no están altamente correlacionados, entonces los
elementos pudieran medir diferentes características o no estar claramente definidos. (Janosik,
2005) nos dice que El coeficiente de correlación es un instrumento estadístico que permite
establecer la fuerza y dirección de una relación lineal estadística entre dos variables a partir
de una muestra determinada, bajo el supuesto de que ésta es representativa.
TABLA 3.
MATRIZ DE CORRELACIONES Y VALIDEZ DE DISCRIMÍNATE
Coef. Gini T Cp Pbi Per T Des IDH
Coef. Gini 1.0000
T Cp -0.0913 1.0000
Pbi Per 0.1602 -0.6979 1.0000
T Des 0.8844 0.1854 -0.0982 1.0000
IDH -0.9306 0.2286 -0.2108 -0.8808 1.000
FUENTE: Elaboración propia y Datos de estudio a partir del programa Excel.
Como consecuencia de que todas las pruebas realizadas anteriormente han resultado positivas
a excepción del IDH, se puede afirmar que el modelo de medida utilizado resulta válido y fiable.
Análisis anova
Análisis ANOVA es la ratio entre la varianza de las medias de los grupos y el promedio de
la varianza dentro de los grupos. Este estadístico sigue una distribución conocida como “F de
Fisher-Snedecor”. Si se cumple la hipótesis nula, el estadístico F adquiere el valor de 1.(Joaquín
Amat, 2016)
TABLA 4.
ANALISIS ANOVA
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.94423605
Coeficiente de determinación R^2 0.89158172
R^2 ajustado 0.86267018
Error típico 0.01339356
Observaciones 20
9
(Minitab, 2019) dice que si el Ajuste del modelo la regresión lineal calcula una ecuación que
minimiza la distancia entre la línea ajustada y todos los puntos de los datos. Técnicamente, la
regresión de mínimos cuadrados ordinarios (MCO) minimiza la suma de los residuos al cuadrado.
Diagrama de Dispersión tenemos una correlación positiva tanto en este caso nuestro nuestra
R-squared es 0.8626701 esta se acerca a 1. El índice refleja la dependencia total entre ambas dos
variables, la que se denomina relación directa: cuando una de las variables aumenta, la otra variable
aumenta en proporción constante.
Figura 3.
VARIABLES PARA LA CURVA DE LORENZ AÑO (2000)
10
Regresion lineal multiple
Las estimaciones puntuales de los parámetros se obtienen a partir de una muestra aleatoria simple
X1, . . . , Xn de la variable X. Si calculamos el valor del estimador a partir de distintas muestras,
los resultados que obtendremos serán diferentes. Es decir, los estimadores, al estar construidos a
partir de muestras aleatorias, son aleatorios y en consecuencia, tienen una distribución.(Faraldo &
Pateiro, 2013)
TABLA 5.
ESTIMACION DE PARAMETROS
Coef.Gini Coef. Std. Err. t P>t [95% Conf. Interval]
T Cp 0.0067307 0.0143658 0.47 0.646 -0.0238891 0.0373506
Pbiper 0.0013468 0.0015587 0.86 0.401 -0.0019756 0.0046691
T Des 1.1033100 1.272436 0.87 0.400 -1.608824 3.815443
IDH -0.9043137 0.4499792 -2.01 0.063 -1.863422 0.0547943
_cons 1.0629060 0.3625097 2.93 0.010 0.290235 1.835577
FUENTE: Elaboración propia y Datos de estudio a partir del programa Excel.
Se cumple el modelo de regresión lineal múltiple, estamos interesados en determinar que variables
Xj son significativas para explicar la variable de la respuesta Y
A partir de la Tabla 5 se obtiene datos para formar la regresión lineal múltiple donde obtenemos los
coeficientes de las variables tanto de la dependiente como independiente 𝛽0 =1.0629060,
𝛽1 =0.0067307, 𝛽2 =0.0013468, 𝛽3 =1.1033100, 𝛽4 =-0.9043137 a partir de esos datos obtenemos la
siguiente regresión.
Y=1.062+0.006tcp+0.0013PBIper+1.103Tdes-0.904IDH
11
CONCLUSIONES
Los estudios empíricos han puesto en evidencia que la desigualdad no ha podido ser resuelta
únicamente a través del crecimiento económico. Esta concepción de que el crecimiento
económico se resuelve los problemas de desigualdad ha ido perdiendo terreno a lo largo de
los años.
12
REFERENCIAS
Alamo, Ó. (2004). Perú, una década de crecimiento, conflictos y desigualdad. 16, 78–89.
GESTION. (2019). En 10 años Perú alcanzaría actual PBI per cápita de Chile si crece 5%
anual.
Joaquín Amat, R. (2016). ANOVA análisis de varianza para comparar múltiples medias.
Lavalle, A. L., Micheli, E. B., & Rubio, N. (1998). Análisis didáctico de regresión y
13
correlación para la enseñanza. RELIME. Revista Latinoamericana de Investigación En
Matemática Educativa, ISSN 1665-2436, 9(3), 383–406.
https://dialnet.unirioja.es/servlet/articulo?codigo=2168374
Marquez Davila, S. A. (2015). Universidad Nacional Del Centro Del Peru. Universidad
Nacional Del Centro Del Centro, 10–11.
http://repositorio.uncp.edu.pe/bitstream/handle/UNCP/1846/Tesis
Márquez.pdf?sequence=1&isAllowed=y
Yamada Fukusaki, G., Castro, J., & Oviedo Soria, N. (2016). Revisitando el coeficiente de
Gini en el Perú: el rol de las políticas públicas en la evolución de la desigualdad.
Repositorio de La Universidad Del Pacífico - UP.
Yamada, G., Castro, J., & Bacigalupo, J. (2012). Desigualdad monetaria en un contexto de
rápido crecimiento económico : el caso reciente del Perú. Revista Estudios
Económicos, 24, 65–77.
14