FACTORES
COD.: 2501
COD.: 2501
COD.: 2501
COD.: 2501

INDIVIDUALES QUE
DETERMINAN LA
19.258.227-K
19.491.960-6
19.596.610-9
19.519.426-2

PROBABILIDAD DE
ESTAR EMPLEADO O
DESEMPLEADO
ANÁLISIS MULTIVARIADO
CHRISTIAN ACUÑA OPAZO
SEGUNDO SEMESTRE 2018
RESUMEN
El desempleo es una de las principales problemáticas que
se presentan en la actualidad, y debido a los efectos que
presenta la variación de la tasa de empleo y las cifras
alarmantes presentadas por el Instituto Nacional de
Estadísticas (INE) de Chile sobre la tasa de desocupación,
se presenta el siguiente informe que tiene por objetivo
analizar el impacto que tienen las variables individuales
presentes en la fuerza de trabajo, sobre la probabilidad de
desempleo que está presentará. Para llevar a cabo el
análisis se plantea un modelo, obtenido con la aplicación
del método de regresión logística, que permite determinar la
probabilidad de empleo-desempleo según características
personales, con datos obtenidos del estudio laboral
Encuesta Nacional de Empleo (ENE) aplicado por la INE.


!2
TABLA DE
CONTENIDOS

INTRODUCCIÓN 4

DESCRIPCIÓN 5

JUSTIFICACIÓN 6

OBJETIVOS DEL ESTUDIO 8

VARIABLES 9

METODOLOGÍA 11

ANÁLISIS DE VARIABLES INDIVIDUALES 12

FORMULACIÓN 13

ANÁLISIS 15

CONCLUSIONES 17

REFERENCIAS 18

!3
INTRODUCCIÓN

La empleabilidad es un término que hace
referencia a la preparación que posee un
trabajador para afrontar las demandas
del mercado laboral y la capacidad que
posee para utilizarla dentro de este con
tal de desempeñarse exitosamente en su
trabajo. Es por ello que, permite explicar
l a s p ro b a b i l i d a d e s d e e m p l e o y
desempleo de la fuerza laboral (Rentería
& Malvezzi, 2008).
A su vez, Neffa (1999) indica que el
empleo es “una relación laboral que
permanece en el tiempo y tiene un
carácter mercantil, pues se intercambia
por un salario asignado individualmente”
Por otra parte, Pugliese (2000) afirma
que el origen de la expresión desempleo
como tal, se desarrolló entre el siglo XIX y
XX. Sin embargo, su término predecesor
idleness, que en español significa
ociosidad, ya era usado durante el siglo
XVII. Este, englobaba bajo una
connotación despreciativa tanto a las
personas desempleadas como a las que
se encontraban en ocio, es por ello que
fue necesaria su evolución.
El año 1987, la OIT (Organización
Internacional de Trabajo), definió como
persona desempleada a aquella que, por
encima de cierta edad, la cual depende
de la reglamentación interna de cada
país, en el periodo de referencia estaba:
sin trabajo, disponible para trabajar o
buscando trabajo.
Corrales y Rodríguez (2002) indican que
el desempleo es una de las principales
problemáticas que se presentan en la
sociedad, así mismo, Nieto, Mejía y
!4
Cardona (2013) señalan que esta es aún
más predominante cuando se trata de
grandes masas de población las que se
encuentran bajo esta condición. Yánez y
Cano (2012), explican que lo anterior se
debe a los múltiples costes asociados al
desempleo: económicos, pérdida de
producción; sociales, incremento de la
pobreza y menor consumo por la pérdida
de poder adquisitivo; personales, pérdida
de las habilidades y conocimientos de la
persona desempleada. No obstante,
Montero (2007) afirma que en la práctica
una tasa de desempleo correctamente
equilibrada impulsa a las economías, es
por ello que existe abundante
investigación sobre dicha tasa y su
comportamiento, con la cual se genera
debate entre académicos, analistas
sociales y tomadores de decisiones
(Nieto, Mejía & Cardona, 2013).
En chile, el Instituto Nacional de
Estadísticas (INE) entregó la cifra de la
tasa de desocupación del trimestre junio
agosto 2018 la cual alcanzó el 7,3%, lo
que evidencia un aumento de 0,7 puntos
porcentuales (pp.) en comparación con el
trimestre equivalente del año anterior.
Dicho resultado, se explica por la
diferencia en las cifras de crecimiento
entre la fuerza de trabajo y la tasa de
ocupados, siendo 1,7% y 0,9%
respectivamente.
Por otro lado, la región Metropolitana de
Santiago experimentó un aumento de
1,5 pp. en su tasa de desocupación, una
cifra alarmantemente superior a la
observada en el panorama nacional.
Es debido a cómo afectan en la sociedad
las variaciones de la tasa de desempleo
que, dentro del presente estudio se
utilizarán las múltiples herramientas
ofrecidas por el análisis multivariante para
DESCRIPCIÓN

La tasa de desempleo es probablemente
una de las estadísticas más importantes
(Feng, Hu & Sun, 2018), este indicador
de razón presenta el número de
personas desocupadas expresado como
porcentaje de la fuerza de trabajo. Donde
desocupados, según define la INE,
deben cumplir los siguientes criterios: no
haber trabajado durante la semana de
referencia, haber buscado un empleo en
las últimas cuatro semanas (incluyendo la
de referencia) y estar disponible para
trabajar en las próximas dos semanas,
posteriores a la de referencia.
En base a un proyecto de investigación
realizado por Nieto, Mejía y Cardona
(2013) con el objetivo de estimar las
probabilidades de empleo-desempleo de
la fuerza laboral del área metropolitana
de Medellín-Colombia, se decide estudiar
mediante el uso de análisis multivariante
la probabilidad de desempleo en la
Región Metropolitana de Santiago en el
trimestre julio-septiembre de 2018,
debido a la diferencia presentada con
respecto al panorama nacional en las
cifras entregadas por el INE respecto al
trimestre junio-agosto 2018.
P a r a e s t i m a r l a p ro b a b i l i d a d d e
desempleo se utilizará el estudio laboral
!5
estudiar la probabilidad de empleo/
desempleo que posee la fuerza laboral
en base a las características propias de
esta.
Encuesta Nacional de Empleo (ENE)
aplicado por la INE. De este estudio se
seleccionarán las variables edad, sexo,
nivel educacional, nacionalidad y grupo
de ocupación, según la Clasificación
Internacional Uniforme de Ocupaciones
(CIUO, 2007).
Para llevar a cabo el análisis se aplicará
la regresión logística, método de análisis
adecuado cuando se posee una variable
que describe una respuesta en forma
dicotómica (Reyes, Escobar, Duarte &
Ramírez, 2007), como tal es el caso en
este estudio, estar empleado o
desempleado. Según Reyes et. al., el
modelo de regresión logística puede ser
de gran utilidad ya que permite estimar la
probabilidad de que se presente el
evento de interés—estar empleado o
desempleado—, dados los valores de las
variables independientes–edad, sexo,
nivel educacional más alto aprobado, y
grupo de ocupación–.
El modelo que se planteará permite
determinar la probablidad de empleo-
desempleo según características
individuales extraídas de la base de
datos de la ENE, teniendo como variable
dependiente V0=Empleo y como
variables independientes V1=Edad,
V2=Sexo, V3=Educación y V4=Grupo de
Ocupación. Teniendo como variable de
control V5=Región.
Para plantear este modelo primero se
analizan las variables de forma individual,
JUSTIFICACIÓN

Larraín & Sachs (2002) indican que el
desempleo es una de las variables más
importantes dentro del estudio de la
macroeconomía, ya que, los
movimientos de corto plazo de la tasa de
desempleo se relacionan directamente
c o n l a s fl u c t u a c i o n e s d e l c i c l o
económico. Es por ello que, “para
afrontar los problemas del desempleo,
los gobiernos generalmente han acudido
a diversas estrategias que pueden
agruparse en activas y pasivas” (Nieto,
Mejía & Cardona, 2013, p.68).
Según el Estudio Económico realizado
por la OCDE de Chile en el año 2018, los
niveles de empleo en los jóvenes son
bajos en comparación con otros países
de la OCDE. Respecto a esto, menciona
que la educación superior no prepara
adecuadamente a los alumnos para el
mercado laboral.
Actualmente, Chile se encuentra en una
crisis dentro del mercado laboral, según
el INE, mientras en julio-septiembre de
2013 los desocupados con un nivel
educacional superior sumaban 76.120
personas, en noviembre del año 2017
superaban los 122 mil. Rodrigo Cerda,
!6
para analizar la relación de cada variable
independiente con la dependiente.
director alterno de Clapes-UC, menciona
que “esto es el resultado del alto acceso
a educación terciaria que hoy lleva a
aumentar mucho la oferta, y el lento
crecimiento del PIB impide que se creen
todos los empleos necesarios para
absorber esa oferta”.
Las consecuencias del desempleo,
específicamente en los jóvenes, son
variadas. Respecto a esto, Feldstein
(1978) concluye que el costo social del
desempleo puede ser importante en el
caso de los jóvenes, ya que el
desempleo juvenil implica no sólo un
menor producto y pérdida de ingresos,
sino además la imposibilidad de
aumentar su capital humano acumulando
experiencia y entrenamiento en el
trabajo. Por otra parte, Neumark (1998)
utiliza variables instrumentales para
estimar el efecto de la estabilidad laboral
en la juventud sobre el salario como
adulto, y encuentra que la mayor
estabilidad laboral en la juventud tiene un
efecto positivo sobre el salario en la
adultez (lo que es interpretado como
retornos positivos, pero heterogéneos, a
la estabilidad laboral en la juventud y a la
búsqueda). Para el caso chileno,
Larrañaga y Paredes (1999) realizan un misma entidad en noviembre del año
ejercicio utilizando cortes transversales 2017, la tasa de desempleo fue de 5,8%,
repetidos, y encuentran que el mientras que en Chile esta tasa
desempleo en la juventud tiene un efecto bordeaba los 6,9%. Lo cual, si bien
permanente sobre el desempleo en la posiciona a Chile como un país que
adultez. cuenta con una baja tasa de desempleo,
está lejos de equiparar al promedio de
El desempleo también tiene arraigadas
los países de la OCDE, por lo que se
consecuencias respecto al orden social,
encuentra pertinente realizar un análisis a
el informe de The Family Watch realizado
nivel individual de la población chilena
en 2012, menciona que algunos estudios
para poder estimar la probabilidad de
relacionan el aumento del desempleo
desempleo según características
con el de los delitos, especialmente los
personales y de este modo poder
que atentan a la propiedad y los
potenciar las características que puedan
relacionados con el tráfico de drogas,
suplir el nivel de desempleo, tanto a nivel
con la consiguiente pérdida de futuro
individual, empresarial, como también
para los que los cometen.
público.
Otro factor importante que afecta al
desempleo nacional, es el constante
proceso de automatización dentro de
algunos puestos del mercado nacional.
Una investigación realizada por la OCDE
mostró que cerca del 14% de los
puestos en los países es altamente
automatizable, es decir, tiene una
probabilidad de más de 70% de ser
sustituido por tecnología. La cifra
equivale a más de 66 millones de
empleados. Según un documento de
trabajo de economistas de la entidad, el
trabajador de Chile tiene una
probabilidad de 55% de ser reemplazado
por máquinas. Más del 30% de los
puestos del mercado nacional tiene un
riesgo de entre 50% y 70% de ser
sustituido por la tecnología.
posicionándolo como el quinto país con
más riesgo de automatización dentro de
un análisis realizado a 32 países.
En comparación con las cifras de la
OCDE, en un estudio realizado por esta

!7
OBJETIVOS DEL
ESTUDIO

Objetivo general:
▶︎ Analizar el impacto que tienen las
variables individuales presentes en
la fuerza de trabajo, sobre la
probabilidad de desempleo que está
presentará.

Objetivos específicos:
▶︎ Revisar literatura sobre desempleo
p a r a i d e n t i fi c a r l a s v a r i a b l e s
independientes a utilizar.
▶︎ Formular un modelo que permita
determinar la probabilidad de
empleo-desempleo a partir de
variables individuales.
▶︎ Analizar la relación de las variables
utilizando el modelo propuesto.
▶︎ Estimar un análisis proyectivo de las
probabilidades de empleo-
desempleo de la fuerza laboral de la
región metropolitana de Santiago de
Chile.
▶︎ Realizar un análisis concluyente
sobre el modelo propuesto.


!8
VARIABLES

Variable Código Descripción Definición Autor Escala

Cualitativa (Feng, Hu & Sun, 2018)

Empleo V0 — De 0 a 1
Nominal Larraín & Sachs (2002)

Vansteenkiste, et.
Señala la edad de la
Cuantitativa al. (2015)
Edad V1 persona al momento De 0 a 1
Escalar Sánchez-Castañeda, A.
de aplicar la encuesta.
(2014)

Señala el sexo de cada

Cualitativa Albanesi y Şahin (2018)
Sexo V2 una de las personas De 0 a 1
Nominal Nieto et al., 2013
encuestadas.

Identifica el nivel
educacional más alto
Cualitativa alcanzado con la Snieska et al., (2015)
Educación V3 De 0 a 1*
Ordinal Clasificación Abdala (2002)
Internacional de Nivel
Educacional (CINE)

Grupo de ocupación
según la clasificación
Grupo de Cualitativa Ortega (2016)
V4 internacional uniforme De 0 a 1*
Ocupación Nominal Rives & Sosin, 2002
de Ocupaciones
(CIUO)

Región
Cualitativa Región donde vive el
(variable de V5 — —
Nominal encuestado
control)

*Fueron tratadas con variables ficticias, dummys.

EMPLEO EDAD
Variable dependiente. Variable indepentiente, cuantitativa,
continua.
Situación laboral de la persona
Nieto et. al., 2012 propone que la edad
encuestada.
es una variable significativa dentro del
0: empleado estudio del desempleo, las personas de
un grupo etario medio tienen una mayor
1: desempleado
probabilidad de encontrar empleo que

!9
las de un grupo etario alto. Así también
Vansteenkiste, et. al. ,2015 señala que
un porcentaje de la brecha de reempleo
se puede explicar por los modos de
búsqueda de empleo, siento estos
diferentes en cada grupo etario.
SEXO
Variable cualitativa, nominal.
Albanesi y Şahin (2018) señalan que
existe una relación positiva, entre la
participación y las brechas de género en
el desempleo, así también Nieto et. al.,
2012 propone que los hombres tienen
una menor probabilidad de permanecer
desempleados , no así las mujeres, asi
mismo Martínez (2015) señala que la
probabilidad de desempleo de una mujer
siempre será mayor que la del hombre.
0: Hombre
1: Mujer
EDUCACIÓN
Variable cualitativa, ordinal.
El efecto más significativo en la
probabilidad de estar desempleado se
puede ver en la educación y más
concretamente en la educación superior,
ya que la probabilidad de una persona
con estudios superiores reduce el
desempleo en un 16,5964%, Martínez
(2015). Asi mismo Nieto et. al., 2012
señala que las personas que han
logrado una formación media o superior
tienen respectivamente 3,0 y 3,5 veces
!10
más probabilidades de encontrar
empleo.
1: Nunca estudió
2: Educación preescolar
3: Educación primaria (nivel 1)
4: Educación primaria (nivel 2)
5: Educación secundaria
6: Educación Técnica
(Educación Superior no Universitaria)
8: Educación universitaria
9: Postítulos y maestría
10: Doctorado
GRUPO DE OCUPACIÓN
Variable cualitativa, nominal.
Rives & Sosin, 2002 proponen que la
distribución ocupacional es fundamental
para explicar el comportamiento de las
tasas de desempleo de hombres y
mujeres, así mismo señala que las
mujeres encuentran empleo en las
ocupaciones tradicionales “de mujeres”
cuando esas ocupaciones tienen tasas
de desempleo más bajas, pero también
las mujeres obtienen un empleo en una
amplia gama de ocupaciones a medida
que el aumento de la contratación
presenta oportunidades adicionales.
1: Miembros del poder ejecutivo y de
los cuerpos legislativos y personal
directivo de la administración pública y
de empresa.
2 : P r o f e s i o n a l e s c i e n t í fi c o s e
intelectuales.
 3: Técnicos y profesionales de nivel
medio.
4: Empleados de oficina.
5: Trabajadores de los servicios y
vendedores de comercios y mercados
6 : A g r i c u l t o re s y t r a b a j a d o re s
c a l i fi c a d o s a g r o p e c u a r i o s y
pesqueros.
METODOLOGÍA

Para este análisis de se utilizó la base de
datos de la Encuesta Nacional de
Empleo (ENE), instrumento de medición
de los indicadores coyunturales del
empleo y el desempleo aplicado por el
Instituto Nacional de Estadística (INE) y
que encuesta a hogares de carácter
continuo y basada en una muestra
trimestral de aproximadamente 36000
hogares en todo el país. Los criterios
utilizados en el instrumento se basan en
conceptos y criterios acorde con los
estándares internacionales y las mejores
prácticas metodológicas y operativas de
los países miembros de la OCDE.
La base de datos utilizada es la
p e r t e n e c i e n t e a l t r i m e s t re j u l i o -
septiembre de 2018, y cuenta con
102474 encuestados en total. Para
propósitos del análisis se utilizaron los
encuestados de la Región Metropolitana
(Región=13) quedando con un total de
24085 individuos encuestados. A este
total se aplicaron los siguientes filtros: en
la variable Edad (V1) se utilizaron los
!11
7: Oficiales, operarios y artesanos de
artes mecánicas y de otros oficios.
8: Operadores de instalaciones y
máquinas y montadores.
9: Trabajadores no calificados
10: Otros no identificados.
individuos que respondían con edades
entre18 y 65 años de edad, en la variable
Grupo de Ocupación (V5) se omitieron
los individuos con trabajos no
clasificados (9) y no identificados (10), en
la variable Educación (V3) se trabajó con
las respuestas con educación secundaria
(5), educación técnica (6), educación
universitaria (7), postítulo y maestría (8) y
doctorado (9). Estos filtros llevaron a que
el total de individuos considerados en la
muestra fueran 7433.
Para una mejor aplicación del modelo se
recomienda la conversión de variables
politómicas en varias variables ficticias,
denominadas dummys, este método fue
aplicado a las variables Grupo de
Ocupación (V5) y Educación (V3). La
variable V5 se transformó en 8 variables
dummys:
V4_01: Miembros del poder ejecutivo y de
los cuerpos legislativos y personal
directivo de la administración pública y de
empresa
V4_02: Profesionales científicos e
intelectuales
 V4_03: Técnicos y profesionales de nivel
medio
V4_04: Empleados de oficina
V4_05: Trabajadores de los servicios y
vendedores de comercios y mercados
V4_06: Agricultores y trabajadores
calificados agropecuarios y pesqueros
V4_07: Oficiales, operarios y artesanos de
artes mecánicas y de otros oficios
V4_08: Operadores de instalaciones y
máquinas y montadores
Y la V3 en en 5 variables dummys:
V3_05: Educación secundaria
ANÁLISIS DE
VARIABLES
INDIVIDUALES
Previo a la regresión logística, se realizó
un análisis a nivel individual de cada una
de las variables independientes o
exógenas a utilizar dentro del modelo.
Estas variables corresponden a Edad,
Sexo, Educación y Sector Económico,
teniendo en cuenta como la variable de
control a Región y como variable
dependiente o endógena a la variable
Empleo.
En el análisis de la variable Edad, al ésta
ser una variable del tipo cuantitativa
escalar, se procede a realizar un análisis
!12
V3_06: Educación Técnica (Educación
Superior no Universitaria)
V3_07: Educación universitaria
V3_08: Postítulos y maestría
V3_09: Doctorado
Por otra parte las variables Empleo (V0) y
Sexo (V2) fueron tratadas solo en el
cambio de codificación, pero no se les
aplica la creación de variables ficticias,
porque son dicotómicas.
de pruebas de muestras independientes
y ANOVA de un factor. De los resultados
obtenidos, se concluye del análisis de
prueba de muestras independientes que
las varianzas son homogéneas y
respecto a la significancia bilateral del
A N O VA , s e a c e p t a l a h i p ó t e s i s
alternativa, que indica que existe
diferencia entre las medias de la edad de
empleados y desempleados, por lo cual
se estima que la variable Edad está
asociada a la variable dependiente
Empleo.
Los análisis para las siguientes variables
independientes se realizan mediante la
prueba de Chi-cuadrado, ya que se
trabajan como variables dicotómicas.
Además del análisis de Chi-cuadrado, se
analiza, como análisis complementario
los comportamientos gráficos de cada
una de las variables al estar empleado y
desempleado. Respecto a ambos
análisis, no se presentaron
contradicciones.
Los resultados de las pruebas de Chi-
cuadrado para la variable independiente
Sexo, mostraron una significancia menor
a 0.05, por lo cual se acepta la Hipótesis
que menciona asociación entre la
variable independiente Sexo con la
variable dependiente Empleo.
FORMULACIÓN

Para llevar a cabo el análisis se aplicó un
modelo de regresión logística binaria,
debido a que es el recomendado cuando
se tiene una variable que describe una
respuesta en forma dicotómica (empleo
o desempleo) y se quiere estudiar el
efecto de otras variables (independientes)
tienen sobre ella. Este modelo es de gran
utilidad ya que permite estimar la
probabilidad de que se presente el
evento de interés, dado los valores de las
variables independientes(edad, sexo,
educación y grupo de ocupación)
El modelo de regresión logística puede
escribirse como:
1
" (x) =
p Edad
1 + e −(B0+B1 x1+...+Bi xi )
!13
Respecto a las variables independientes
Educación y Sector Económico, los
resultados de la prueba de Chi-cuadrado
mostraron, para cada una de las
variables trabajadas como Dummy, una
significancia mayor a 0.05, por lo cual,
preliminarmente, se estima que estas
variables no están asociadas a la variable
Empleo y no tienen significancia dentro
de la determinación de la probabilidad de
empleo.
Donde p(x)
" es la probabilidad de éxito
cuando el valor de la variable predictora
es x" . Las variables predictivas se
representan por x" 1, x2, . . . , xi y los
parámetros desconocidos a calcular por
" 0, B1, . . . , Bi.
B
El odd ratio es una medida de asociación
entre dos variables que indica la fortaleza
de relación entre dos variables. Esta
variable es expresada en SPSS como
Exp(B)
" .
Variables en la ecuación
Error
B estánd Wald gl Sig.
ar
-,007 ,004 4,188 1 ,041
 Sexo ,700 ,093 57,168 1 ,000 cuales son Edad y Sexo, son de 0,993 y
V4_01 ,014 ,289 ,002 1 ,961 2,014 respectivamente. Al interpretar
estos datos, se observa que la variable
V4_02 ,127 ,209 ,369 1 ,544
Edad tiene una asociación negativa, al
V4_03 -,081 ,190 ,180 1 ,671
ser un valor bajo 1, y la variable Sexo
V4_04 -,297 ,197 2,285 1 ,131
posee un asociación positiva, al ser un
V4_05 -,076 ,182 ,173 1 ,678 valor mayor a 1. También se puede
V4_06 ,365 ,494 ,547 1 ,460 observar que la relación que tiene la
V4_07 ,185 ,183 1,022 1 ,312 variable Sexo con la variable dependiente
Empleo es más fuerte que la relación con
V3_05 -,146 ,498 ,086 1 ,769
la variable Edad, ya que, el primer valor
V3_06 -,233 ,499 ,218 1 ,641
se aleja más de 1.
V3_07 -,189 ,483 ,153 1 ,696
Con los resultados obtenidos en la
V3_08 -,380 ,520 ,536 1 ,464
Regresión Logística, no sería oportuno
Cte. -2,236 ,538 17,304 1 ,000
proponer un modelo de predicción,
debido a los resultados poco explicativos
Variables en la ecuación
del modelo y al alto valor de la constante,
Exp(B)
que indica que existen variables aún más
Edad ,993
importantes que las mencionadas dentro
Sexo 2,014 del informe, y que escapan tanto de la
V4_01 1,014 explicación respecto a las características
V4_02 1,136 individuales mencionadas en la BBDD,
V4_03 ,922
como de los datos recopilados en esta.
Es por esto, que con un fin netamente
V4_04 ,743
académico se plantea la siguiente
V4_05 ,927
ecuación de regresión logística:
V4_06 1,441
LOGI
" T( p) = − 2,236 − 0,007(V 1) − 0,7(V 2)
V4_07 1,204

V3_05 ,864
siendo
p
"
LOGI T( p) = ln(LOGI T( p) = = ln(odds))
V3_06 ,792 (1 − p)
V3_07 ,828
Y donde p" = P(Y = 1) , esto es, la
V3_08 ,684
probabilidad de que un individuo posea
Constante ,107 la característica evaluada, es decir, estar
desempleado. Alternativamente, el
Los odd ratio oscilan entre 0 y el infinito,
modelo podría quedar expresado de la
y específicamente dentro los resultados
siguiente manera:
entregados por la regresión logística, se
1
puede observar que los valores de odd " P(desempleado = 1) =
1 + e (−2,236 −0,007⋅V1 −0,7⋅V 2)
ratios correspondientes a las variables
independientes identificadas como Cabe resaltar que únicamente se
significativas dentro de la regresión, las consideraron las variables

!14
independientes que estadísticamente
resultaron significativas y que mostraron
asociación con la variable dependiente
para la formulación del modelo.
ANÁLISIS 

Al analizar cada uno de los componentes
del Paso 1 de la prueba ómnibus, se
puede afirmar que las variables utilizadas
en el modelo mejoran el ajuste de forma
significativa con respecto al modelo que
no considera estas variables. Esta
afirmación resulta del análisis de la
Pruebas ómnibus de coeficientes de modelo
Chi-
gl Sig.
cuadrado
Paso 73,795 13 ,000
Paso
Bloque 73,795 13 ,000
1 observados y calculados poseen una
Modelo 73,795 13 ,000
significancia de la columna Paso, Bloque
y Modelo, las cuales arrojan un valor de
0,000, cuyo valor es menor a 0,05, por lo
cual, al contrastarlo con la Hipótesis
Nula, indica que las variables utilizadas
explican el modelo.
Para la estimación de un modelo
dicotómico se emplea el método de
estimación por máxima verosimilitud, con
el cual se compara la verosimilitud entre
los valores observados y los calculados
del modelo. Como la verosimilitud es un
valor pequeño, se utiliza como medida
de ajuste del modelo a los datos el “-2
!15
logaritmo de la verosimilitud (-2LL)” o
desviación, el cual indica si el modelo se
ajusta adecuadamente a los datos.
Respecto a esto, la literatura indica que
un buen modelo es aquel que da lugar a
una verosimilitud grande, por lo cual el
valor de –2LL será pequeño. Bajo esta
premisa, al observar el valor -2LL en el
resumen del modelo, el cual
corresponde a 4288,283, se puede
afirmar que el ajuste de datos realizado
por este modelo no es bueno, y por
ende, la verosimilitud entre los valores
gran diferencia.
Resumen del modelo
Logaritmo
R cuadrado R cuadrado
de la
Paso de Cox y de
verosimilitu
Snell Nagelkerke
d -2
1 4288,283a ,010 ,022
El R cuadradro de Cox y Snell es un
c o e fi c i e n t e d e d e t e r m i n a c i ó n
generalizado que se utiliza para estimar
la proporción de varianza de la variable
dependiente explicada por las variables
independientes. Los valores de este
coeficiente oscilan entre 0 y 1. El
coeficiente calculado del modelo
presentado es de 0,010, lo cual es un donde ambas distribuciones, esperada y
valor muy discreto e indica que sólo el observada, se contrastan mediante una
1% de la variación de la variable prueba de Chi-cuadrado. La hipótesis
desempleo es explicada por las variables nula de esta prueba es que no hay
independientes incluidas en el modelo. diferencias entre los valores observados
y los valores pronosticados, es decir que
El R cuadrado de Nagelkerke es una
el modelo se ajusta a la realidad.
versión corregida de la R cuadrado de
Cox y Snell y tiene un valor máximo de Prueba de Hosmer y Lemeshow
1. Este coeficiente dentro del modelo
Paso Chi-cuadrado gl Sig.
arrojó un valor de 0,22, lo cual aumenta
1 7,885 8 ,445
considerablemente la importancia de las
variables independientes dentro de la
El p-valor en esta prueba, en donde un
variación de la variable desempleo,
valor alto del p-valor se asocia a un buen
indicando que el 22% de la explicación
ajuste, da como resultado 0,445, lo cual
del modelo, y por ende, de la variable
es mayor a 0,05. El valor de la prueba
desempleo la tienen las variables
implica que lo que observamos se ajusta
utilizadas.
suficientemente a lo que es esperado
La prueba de Hosmer y Lemeshow bajo este modelo.
consiste en comparar los valores
previstos (esperados) por el modelo con
los valores realmente observados, en

!16
CONCLUSIONES 


Según la teoría, las variables utilizadas Chile, se evidenció que solo las variables
dentro del estudio cumplen con los edad y sexo son significativas en el
requisitos necesarios para la formulación comportamiento de la variable
de un modelo de regresión logística para dependiente desempleo. Esta diferencia
el análisis del comportamiento del puede deberse a múltiples factores, uno
desempleo, sin embargo, al desarrollar el de ellos puede ser la forma utilizada para
modelo se obtuvo que algunas de estas presentar las variables dentro de las
variables no tienen gran relevancia dentro encuestas. Otra causa puede deberse a
del comportamiento del desempleo, lo diferencias presentes en los lugares
cual indica que el modelo formulado no donde se llevaron a cabo las encuestas,
tendría un nivel de predicción asertivo. como la cultura laboral y las condiciones
económicas y laborales de cada país, lo
Respecto a los resultados obtenidos, la
cual puede afectar la incidencia que tiene
variable dependiente es explicada en un
cada variable independiente analizada
22% por todas las variables
sobre el nivel de desempleo.
independientes incluidas en el modelo,
valor que es discreto, lo cual implica que
el modelo desarrollado no predice con
efectividad la probabilidad de desempleo
dentro de la población de estudio. Es por
esto que no sería acertado realizar un
análisis proyectivo en base al modelo
formulado, ya que, de llevarlo a cabo se
obtendrían proyecciones erróneas,
debido a que el modelo no toma en
cuenta las variables necesarias para
realizar una explicación eficaz del
fenómeno del desempleo.
A diferencia del estudio realizado por
Nieto, Mejía y Cardona (2013), donde se
presentan como variables significativas
edad, sexo, educación y sector
económico, en el modelo desarrollado en
el presente estudio, y con la base de
datos de una encuesta realizada en

!17
REFERENCIAS

Abdala, E. (2002). Jóvenes, educación y
empleo en América Latina.  Papeles De
Población, 8(33), 223-238.
Albanesi, S. and Şahin, A. (2018). The
gender unemployment gap. Review of
Economic Dynamics, 30, 47-67.
Corrales, H. & Rodríguez, B. La duración
y l a p ro b a b i l i d a d d e s a l i d a d e l
desempleo. Análisis de los factores
determinantes mediante la aplicación de
modelos de supervivencia.  Universidad
De Valladolid.
Feng, S., Hu, Y., & Sun, J. (2018). On the
robustness of alternative unemployment
measures. Economics Letters, 166, 1-5.
Jean, S. and Jiménez, M. (2011). The
unemployment impact of immigration in
OECD countries. European Journal of
Political Economy, 27(2), 241-256.
L a r r a í n , F. , & S a c h s , J .
(2002).  Macroeconomía en la economía
global (2nd ed.). Buenos Aires: Pearson.
Latif, E. (2015). The relationship between
immigration and unemployment: Panel
data evidence from Canada. Economic
Modelling, 50, 162-167
Montero, R. (2007). ¿Cuánto Dura el
Desempleo de la Población más Pobre
en Chile?.  Cuadernos De Economía,  44,
211-231.
Nieto, E, Mejía, L. & Cardona, Á. (2013).
Probabilidades de empleo-desempleo en
Medellín: evidencia empírica para pensar
un seguro de desempleo en
!18
Colombia.  Revista Facultad Nacional De
Salud Pública, 31(1), 67-74.
Ortega, D. (2016). Los recursos laborales
jóvenes en América Latina y el caso de
C u b a .  R e v i s t a N o v e d a d e s E n
Población, 22(24).
Petersen, V. (2017). Profesionales
universitarios desempleados aumentan
más de 60% en 4 años. Retrieved from
https://www.latercera.com/noticia/
profesionales-universitarios-
desempleados-aumentan-mas-60-4-
anos/
Pugliese, E. (2000). Qué es el
desempleo.  Política Y Sociedad,  34,
59-67.
Reyes, J., Escobar, C., Duarte, J., &
Ramirez, P. (2007). UNA APLICACIÓN
DEL MODELO DE REGRESIÓN
LOGÍSTICA EN LA PREDICCIÓN DEL
RENDIMIENTO ESTUDIANTIL.  Estudios
Pedagógicos XXXIII, 101-120.
Sánchez-Castañeda, A. (2014). Los
jóvenes frente al empleo y el desempleo:
la necesaria construcción de soluciones
multidimensionales y multifactoriales*.
Revista Latinoamericana de Derecho
Social, 19, 133-162.
Sistema de Información de Tendencias
Educativas en America Latina (2005).
Te n d e n c i a s e n l a re l a c i ó n e n t re
educación y desempleo en América
Latina. Buenos Aires: IPE Buenos Aires,
1-4.
Snieska, V., Valodkiene, G., Daunoriene, gender unemployment rates. The Journal
A. and Draksaite, A. (2015). Education of Socio-Economics, 31(3), pp.287-299.
and Unemployment in European Union
Economic Cycles. Procedia - Social and
Behavioral Sciences, 213, 211-216.
Vansteenkiste, S., Deschacht, N. and
Sels, L. (2015). Why are unemployed
aged fifty and over less likely to find a
job? A decomposition analysis. Journal
of Vocational Behavior, 90, 55-65.
Yánez, M., & Cano, K. (2012). Tipología
del desempleo: un análisis a través de la
Curva de Beveridge.  Revista Virtual
Universidad Católica Del Norte, 215-233.

Rentería, E. and Malvezzi, S. (2008).

Empleabilidad, cambios y exigencias
psicosociales en el trabajo.  Instituto de
Psicología, Universidad del Valle, Cali,
Colombia, 7(2), 319-334.
Neffa, J. (1999). Actividad, trabajo y
empleo: algunas reflexiones sobre un
tema en debate. Orientación y sociedad,
1.
Feldstein, M. (1978), The Private and
Social Cost of Unemployment. The
American Economic Review, Vol.68, Nº
2, Papers and Proceedings of the
Ninetieth Annual Meeting of the American
Economic Association, 155-158.

Neumark, D. (1998), Youth Labor Market

in the U.S.: Shopping Around vs.Staying
Put. NBER Working Paper Nº 6581.  
Larrañaga, O. y R. Paredes (1999).
Desempleo y Salarios en Chile : Una
Perspectiva Dinámica a Partir del uso de
Cohortes Artificiales. Cuadernos de
Economía Nº 109, 929-946.
Rives, J. and Sosin, K. (2002).
Occupations and the cyclical behavior of

!19