DETERMINANTES DEL ACCESO A LA EDUCACION, COLOMBIA 2019

JOAO DEVIA LINARES

UNIVERSIDAD DEL TOLIMA

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

PROGRAMA DE ECONOMÍA

IBAGUÉ

2020
DETERMINANTES DEL ACCESO A LA EDUCACION, COLOMBIA 2019

JOAO DEVIA LINARES

040250572016

Trabajo final

Profesor:

JOHN FREDY ARIZA BULLA

UNIVERSIDAD DEL TOLIMA

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

PROGRAMA DE ECONOMÍA

IBAGUÉ

2020
CONTENIDO

1. INTRODUCCIÓN
2. REFERENTE TEÓRICO CONCEPTUAL
2.1 ANTECEDENTES
2.2 MARCO TEÓRICO
3. METODOLOGÍA
3.1 MÉTODO DE ESTIMACIÓN Y DEFINICIÓN DE VARIABLES
4. ANÁLISIS DE LA INFORMACIÓN Y EVALUACIÓN DE LOS RESULTADOS
CONCLUSIONES
BIBLIOGRAFIA
 DETERMINANTES DEL ACCESO A LA EDUCACION, COLOMBIA 2019

Introducción

Colombia cuenta con aproximadamente , 48 millones de habitantes, revela tasas de analfabetismo

superiores ( 5% de la población , según el DANE, Departamento Administrativo Nacional de
Estadística para el año 2019 ), de acuerdo con un informe presentado denotado como “ Niñez Ya”
de cada 100 colombianos , 57 no completan la secundaria , 40% de los niños que no asisten a la
escuela , están en zona de conflicto armado , y el 62% de los jóvenes que terminaron el
bachillerato , no lograron acceder a educación superior. Y, la situación empeora si se realiza
comparación con países desarrollados en áreas económicas y educativas. Aunque es buen sabido,
que tales tasas estén a la baja con el transcurrir de los años, no deja de ser un problema social del
cual preocuparse. las circunstancias por las cuales, se presentan dicho escenario, abundan, su
composición social, el nivel de pobreza, la explotación, desigualdad social, falta de políticas
incluyentes, también, los acontecimientos históricos colombianos, tales como la violencia, crisis
económicas, entre otros

Aunque, el presente documento, no aspira profundizar en las nombradas procedencias. Por otro
lado, desea estudiar dicha problemática (dado que, para muchos expertos, es un fenómeno mal
estimado, ya que trascienden circunstancias legales y mitos sobre dicha problemática) desde su
origen, su comportamiento, su relación con factores propios que acompañan a casa uno de los
individuos estudiados. Responsabilizando así, factores posibles de la no asistencia, en los cuales,
van desde reemplazar horas de estudio por horas de trabajo u otras labores, hasta reemplazarlo
completamente. Para esto, se mostrará la incidencia de factores considerados, que, afecten a la
asistencia educativa. La condición de genero y actividades no referidas explícitamente a la
asistencia escolar, van a tener un marco muy importante, ya que existe, en primera medida, una
relación directa entre la proporción mayor de niños y adolescentes que trabajan respecto a las
niñas y mujeres; y. segundo, el realizar actividades distintas a estudiar (trabajar, realizar oficios del
hogar, cuidar enfermos) impactara la posible asistencia

Así como también, se agregarán variables como el tamaño del hogar del individuo, considerando
que entre más hijos tenga un padre de familia, menor será la inversión per cápita por cada uno de
sus hijos, lo cual ha sido estudiado en la literatura recordada en la presente investigación, y lo cual,
se comprobará en la medida en la que se adelanten los cálculos econométricos, y a partir de allí
saber si el individuo asiste o no, en la misma manera que la edad. De esa manera, la primera
inferencia que se muestra, es que el hecho de ser niña o mujer, disminuya su probabilidad de no
asistir a la escuela.

También , se agregaran diferentes variables dadas como el tamaño del hogar del individuo ,
considerando que entre mas hijos tenga un padre de familia , menor será la inversión per capital
por cada uno de sus hijos , lo cual ha sido estudiado en la literatura recordada en la presente
investigación , y lo cual, se comprobara en la medida en la que se adelanten los cálculos
econométricos , y a partir de allí saber si el individuo asiste o no , en la misma manera que la
edad, De esa manera , la primera inferencia calculada que se muestra en los estudios
econométricos , es que el hecho de ser niña o mujer disminuya su probabilidad de no asistir a la
escuela

Objetivos

 Dar una sinopsis de los efectos que tiene el trabajo adolescente (catalogado desde los 12 a
17 años), y realización de actividades diferentes a estudiar (que son en menor o mayor
cuantía, restrictivo), sobre el acceso a la educación en Colombia.
 Concertar el hecho de que a un individuo realizar actividad paga, disminuye su
probabilidad de asistir a un establecimiento educativo.
 Verificar, que un estrato bajo le confiere menos oportunidades al individuo de asistir.
 Distinguir el efecto que tiene el hecho de ser hombre o mujer sobre la asistencia.
 Mostrar detalladamente el efecto de cada una de las variables explicativas consideradas
sobre la asistencia, y la importancia de cada una.
2. Teórico Conceptual

Antecedentes
Amir Radfar, Seyed Ahmad Ahmadi Asgharzadeh, Fernando Quesada, and Irina Filip (2018), en su
investigación “Challenges and perspectives of child labor”, razonan que , el trabajo infantil, más
allá de cualquier problemática , es un problema de primera índole , dominándolo , como de salud
pública, de urgente atención , seria. Basándose, en la OIT, exponen que, la pobreza es una de las
principales causas del trabajo infantil. Según la organización internacional del trabajo (OIT,2002),
en el mundo hay 211 millones de niños Trabajadores, 73 millones de menores de 10 años ,126
millones de niños trabajan en las peores formas de trabajo infantil y mas de 8 millones son
esclavos. Para trabajo doméstico, trafico, conflicto armado, prostitución y pornografía. Mas de
20,000 niños mueren anualmente debido a accidentes laborales. Casi un tercio de los niños del
mundo trabajan en África [3]. Países como india han hecho esfuerzos para abordar las peores
formas de trabajo infantil. A pesar de esto, el 56,4% de los niños de 5 a 4 años trabajan en la
agricultura y el 33,1% en la industria. [4] Los niños indios se ven obligados a trabajar para pagar la
deuda familiar, a veces trabajan en entornos peligrosos, forzados a la explotación sexual
comercial, trafico de personas o reclutados por la fuerza o secuestrados para formar parte de
grupos terroristas.

En el transcurso de la investigación también se muestra que la falta de escuelas y educación

asequibles es otro factor importante para obligar a los niños a trabajar, por otro lado, también se
muestra que ciertas creencias culturales, la pobreza con una de las principales causas del trabajo
infantil. Al revisar la falta de escuelas y educación asequibles es otro factor importante para
obligar a los niños a trabajar. Ciertas creencias culturales racionalizan esta práctica y fomentan el
trabajo infantil como desarrollo del carácter y desarrollo de habilidades para los niños realizan
esta práctica y fomentan el trabajo infantil como desarrollo del carácter y desarrollo de
habilidades para los niños. A su vez denotan que las disparidades socioeconómicas, la mala
gobernanza y la implementación deficiente de los acuerdos internacionales se encuentra entre las
principales causas del trabajo infantil.

En un artículo, de Grootaert y Kanbur (1995), denominado “Child Labor: A Review”, al observar

las evidencias de los principales estudios acerca de los determinantes del trabajo infantil, donde se
refleja la demanda que efectúa el mercado local, teniendo como base las características propias
donde se desarrolla el infante, tales como su entorno socioeconómico y su vez educativo, también
son determinantes de la oferta de trabajo en los menores. A su vez genera una relación directa
entre el número de hijos en una familia con la inversión en educación que realizan los padres,
siendo cada vez menor la inversión entre mayor sea el numero de hijos. Con respecto a esto,
también se enfoca en los costos de calidad educativa, denotado que, cuando en un país, hay altos
costos de la educación y baja calidad, también determina el trabajo de los niños. Resalta una
diferenciación entre los países respecto a este tema, ya que mientras en algunos países es un tema
de casi absoluta negación, en otros, es un tema cercano a lo sociocultural. Es decir , los factores
que llevan a una empresa a demandar trabajo de un infante, se deben en gran parte a las
condiciones de desarrollo psicológico y físico del menor, lo que lo hace apetecible según las
necesidades de la empresa. Teniendo también, el incentivo salarial que fuerza a los infantes a
dicha labor.

Por otra parte, un artículo de Aura Cecilia Pedraza (2005), “Los determinantes del trabajo
infanto-juvenil en Colombia”, se observo una ECV para el año 2003, donde se analiza distintos
factores de los determinantes del trabajo infanto-juvenil, restringiendo la muestra para individuos
de 12 a 17 años tomando variables determinantes , tales como: si el individuo realiza una actividad
paga o no, si realiza oficios domésticos, niños que han buscado trabajo en la semana de referencia,
concluyendo cifras en las cuales el 5,64% y el 25,47% de los niños de 7 a 11 y 12 a 17 años ,
respectivamente , son trabajadores. Indiferentemente del género del niño, de su lugar de vivienda
o de la definición de trabajo infantil que se utilice, la proporción de menores trabajadores siempre
es mayor en el caso de aquellos en edades entre los 12 y 17 años frente a los niños de 7 a 11 años.
También, se agregan variables relevantes, tales como la riqueza de la familia, donde se estima que,
entre más riqueza, menos probabilidad tendrá de trabajar, siendo de gran trascendencia el
crecimiento marginal que presenta dicha variable para el caso de los menores entre 12 y 17 años
(9,27%). Donde a su vez, se demuestra, que el hecho de ser mujer, reduce la probabilidad de
trabajar en el rango de edades, en un 33%. De esa manera, argumenta su tesis central, donde
resalta que, los determinantes del trabajo infanto-juvenil, están ligados fundamentalmente, a
niveles de pobreza, edad, genero, nivel educativo de los padres y si la familia afecto la crisis del 99.
MARCO TEÓRICO
 Para la elaboración de los estudios econométricos se utilizará el modelo logit, donde el
modelo logit en sus características explica que el hecho de que la variable dependiente
tiene que estar sujeta a una estricta dicotomía, y esta debe estar definida de manera
binaria. De esa manera, posiciona al objeto de estudio en dos posibles categorías,
tomando como referencia valores de 0 y 1, donde 0, expresa que el individuo no cumple
con las características de la dicotomía propuesta; y de, otra manera, el valor 1, confirma el
cumplimiento de la misma. También explica que su variable dependiente es binaria, es
decir, identifica la pertenencia del individuo a una de las dos. Del lado de las variables
independientes, también se pueden clasificar de la misma forma que la dependencia,
incluyendo escalas nominales o categóricas. Y, la estructura de relación entre las variables
explicativas y dependiente, se basa en las probabilidades que casa una le confiere de
cumplir o no la característica del modelo planteado

La ecuación considerada

Pi
Li=ln ( 1−Pi )..
Asistencia=β 0+ β 1 Edad+ β 2 Actpaga+ β 3OfiHogar + β 4 Est + β 5 Muj+ β 6T hog + β 7 ESC + B 8 Cuiniños+ β 9

 β 1, en este caso, el coeficiente de la variable Edad, la pendiente. Muestra la variación en

la Asistencia producto de un cambio unitario en la edad. Mide a su vez el cambio del
logaritmo de las posibilidades en favor o en contra de asistir a la escuela cuando la edad
varia un año.
 β 2 , mide el cambio diferencial del logaritmo de posibilidad de asistir a un establecimiento
educativo, con respecto al hecho de realizar una actividad paga o no.
 β 3 , mide el cambio diferencial del logaritmo de posibilidad de asistir a un establecimiento
educativo, con respecto al hecho de realizar oficios específicos en su hogar.
  β 4 , muestra la variación en la Asistencia producto de pertenecer o no, a un estrato en
específico.
 β 5 , mide el cambio diferencial del logaritmo de posibilidad de asistir con el hecho de ser
mujer respecto de los hombres.
 β 6, muestra la variación en la Asistencia producto de un cambio unitario en el tamaño del
hogar del individuo. Mide a su vez el cambio del logaritmo de las posibilidades en favor o
en contra de asistir a la escuela cuando el número de miembros del hogar varia en uno.
 β 7 Muestra la variación en la Asistencia producto de un cambio unitario en los años de
escolaridad.
 β 8, mide el cambio diferencial del logaritmo de posibilidad de asistir a un establecimiento
educativo, con respecto al hecho de cuidar a niños o no.
 β 9 mide el cambio diferencial del logaritmo de posibilidad de asistir a un establecimiento
educativo, con respecto al hecho de cuidar niños o no.

Al momento de revisar el estudio econométrico que en este caso hace referencia a un modelo
logit se aclara, si el modelo logit, da positivo, si aumenta el valor de sus variables regresoras, del
mismo modo aumenta las posibilidades de que nuestra variable dependiente sea igual a 1. Por el
contrario, si el modelo es negativo, las posibilidades de que la iguale a 1 disminuye en la medida
en que se incrementa el valor de la variable X

EFECTOS SOBRE LA PROBABILIDAD DE “Y” (Asistencia)

Variables como factores sobre la asistencia Efectos sobre la probabilidad de asistir

 β 1 Edad  Negativo (-)
 β 2 Actpaga  Negativo (-)
 β 3 OfiHogar  Positivo (+)
 β 4 Est  Negativo (-) para todos los estratos
 β 5 Muj  Positivo (+)
 β 6T hog  Negativo (-)

 β 7 ESC  Positivo (+)

 β 8Cuiniños  Negativo (-)

 β 9CuiEnfermos  Positivo (+)

3. MÉTODO
Para la elaboración de la estimación econométrica utilizamos la información de la gran encuesta
integrada de hogares (GEIH), y también, su modulo características generales, trabajo infantil,
vivienda y hogares, otras actividades y ayudas en la semana, todas para el trimestre de octubre a
diciembre, de 2019. Emplea una muestra probabilística, estratificada de conglomerados y
multietápica. Teniendo como esta técnica, dentro de sus principales características, una
disminución de los errores estándar posibles, y unas varianzas menores de las estimaciones.

En la encuesta, el DANE, revela información sobre aspectos como los sociodemográficos,

estructura de la fuerza de trabajo del país, periodo, junto con sus características a nivel de hogar.
Cuenta con una cobertura en los 32 departamentos: las 13 grandes ciudades con sus áreas
metropolitanas, 11 ciudades intermedias y las 8 ciudades capitales de los nuevos. Es importante
aclarar, que, para la presente investigación, no excluirá ningún dato de posición geográfica.

3.1 MÉTODO DE ESTIMACIÓN Y DEFINICIÓN DE VARIABLES

El presento trabajo estima la probabilidad de asistir a un establecimiento educativo por parte de
individuos de 12 a 17 años, en el trabajo se mostrará variables explicativas cualitativas y
cuantitativas, clasificadas a su vez en variables binarias, categóricas, y dummy o ficticia las cuales
son: edad, actividad paga, ofi hogar, estrato, género (importante variable cualitativa), entre otras.

DEFICIÓN DE VARIABLES

 La variable dependiente, conocida como asistencia, está denotada en la base de datos de

la GEIH, en la sección, utilizando las bases para los meses de octubre, noviembre y
diciembre, explícitamente como: ¿Actualmente asiste a la escuela, colegio o universidad?
Y tomará valores binarios, donde 1, representará la asistencia y 0 la no asistencia.
 Edad, GEIH 2019, referida como: ¿cuántos años cumplidos tiene? Genera efectos sobre la
regresada cuando cambia en un año.
 La variable actividad paga, se encuentra en el módulo de trabajo infantil de la GEIH,
especialmente como: ¿además de lo anterior, realizó alguna actividad paga por una hora o
más la semana pasada? Codificada con el valor 1, que denota éxito, y 0, fracaso.
 Variable estrato, GEIH 2019, midiendo en este caso los efectos para el 1,2,3,4 con
categoría base 5 y 6
 Variable sexo, GEIH 2019, hombre o mujer, 1 representa ser mujer, 0 no serlo.
 Independiente Tamaño del hogar, MTI 2019, donde un miembro más, genera efectos
particulares.
  La regresora Escolaridad, está referida en la gran encuesta integrada de hogares (GEIH)
como: Años de escolaridad. Donde el año mínimo es 0, y esta permitirá estimar el efecto
de un año más de escolaridad, cómo afecta la asistencia del mismo individuo.
 Variable cuidar niños, está referida en el MTI 2019, como: ¿adicional a las actividades que
me informó haber realizado la semana pasada sin remuneración? ...Cuidar o atender
niños. Donde 1, representa éxito, 0 fracaso
 La independiente cuidar enfermos, está referida en el MTI 2019, como: ¿adicional a las
actividades que me informó haber realizado la semana pasada sin remuneración? ...Cuidar
o atender enfermos. Donde 1, representa éxito, 0 fracaso

4. ANÁLISIS DE LA INFORMACIÓN Y EVALUACIÓN DE LOS RESULTADOS

Esta investigación se ligo con los principales factores posibles de la asistencia o no asistencia a un
establecimiento educativo, donde sus principales variables independientes, tomando como de
principal referencia, el efecto sobre la probabilidad de asistencia, el hecho de que el niño-niña o
adolescente, realice una actividad paga.

La base a tratar, a su vez, contiene elementos importantes que también, marcan una tendencia de
efecto particular, contando con 7585 individuos, de los 12 a 17 años, donde el 16,59% son de 12
años, 16.02%% 13 años, 15.51% 14 años, 16.57% 15 años, 16.91% 16 años, 18.40% 17 años. A su
vez, se puede evidenciar que, de los 8021 individuos, el 50.77% son hombres, y, 49.23% mujeres,
lo que genera tener un panorama general que permite empezar a divisar resultados posteriores a
los cálculos dados.

4.1 ESTIMACIÓN LOGIT

 Debido a que, prob>chi2 , se rechaza la hipótesis nula , y por lo tanto , existe un β ≠0 , y se

justifica la significancia global del presente modelo
. logit asistencia edad actpaga ofihogar est_1 est_2 est_3 est_4 mujer T_HOGAR ESC ///
> cuiniños cuienfermos[w=fex]
(frequency weights assumed)

Iteration 0: log likelihood = -1904352.2

Iteration 1: log likelihood = -1683935.4
Iteration 2: log likelihood = -1631218.2
Iteration 3: log likelihood = -1630770
Iteration 4: log likelihood = -1630769.8
Iteration 5: log likelihood = -1630769.8

Logistic regression Number of obs = 5,441,941

LR chi2(12) = 547164.83
Prob > chi2 = 0.0000
Log likelihood = -1630769.8 Pseudo R2 = 0.1437

asistencia Coef. Std. Err. z P>|z| [95% Conf. Interval]

edad -.6911608 .0013011 -531.23 0.000 -.6937108 -.6886108

actpaga -.2719487 .0090933 -29.91 0.000 -.2897712 -.2541262
ofihogar .0976594 .0035503 27.51 0.000 .0907009 .1046179
est_1 -.8025302 .0138438 -57.97 0.000 -.8296636 -.7753969
est_2 -.7017768 .0137514 -51.03 0.000 -.7287291 -.6748244
est_3 -.4608085 .0139392 -33.06 0.000 -.4881289 -.4334881
est_4 -.4574174 .0158031 -28.94 0.000 -.4883909 -.4264439
mujer .2680269 .0030324 88.39 0.000 .2620835 .2739704
T_HOGAR -.0744772 .0006586 -113.09 0.000 -.0757679 -.0731864
ESC .2164816 .0009176 235.91 0.000 .214683 .2182801
cuiniños -1.04687 .0038905 -269.09 0.000 -1.054495 -1.039245
cuienfermos .0665985 .0126493 5.26 0.000 .0418064 .0913907
_cons 11.73613 .024886 471.60 0.000 11.68736 11.78491

 EFECTOS

 Si se realiza una actividad paga, el logaritmo de la ratio de la probabilidad de asistir a la

escuela disminuye en 2,719487
 El hecho de ser mujer, aumenta el logaritmo de la ratio de probabilidad de asistir a la
escuela, respeto a ser hombre, en .2680269
 En cuanto, a el estrato, menor es la probabilidad de asistir, entre menor se el estrato
 Por un incremento en un miembro en las personas del hogar, el logaritmo de la ratio de
probabilidad de asistir a la escuela disminuya en .0744772
 Por un incremento en un año de escolaridad del individuo, el logaritmo de la ratio de la
probabilidad de asistir, aumentara en .2164816
  El hecho de cuidar niño, disminuirá el logaritmo de la ratio de la probabilidad de asistir, en
1.04687
 El hecho de cuidar enfermos, aumentara el logaritmo de la ratio de la probabilidad de
asistir, en .0665985

 R2

Measures of Fit for logit of asistencia

Log-Lik Intercept Only: -1.904e+06 Log-Lik Full Model: -1.631e+06

D(5441928): 3261539.660 LR(12): 547164.828
Prob > LR: 0.000
McFadden's R2: 0.144 McFadden's Adj R2: 0.144
Maximum Likelihood R2: 0.096 Cragg & Uhler's R2: 0.190
McKelvey and Zavoina's R2: 0.256 Efron's R2: 0.124
Variance of y*: 4.421 Variance of error: 3.290
Count R2: 0.893 Adj Count R2: 0.046
AIC: 0.599 AIC*n: 3261565.660
BIC: -8.114e+07 BIC': -546978.712

 El R2 =0,893, lo que nos refleja que las variables independientes tienen una alta
capacidad explicativa de la variable dependiente

4.2 Ratio de probabilidades

. logit asistencia edad actpaga ofihogar est_1 est_2 est_3 est_4 mujer T_HOGAR ESC ///
> cuiniños cuienfermos[w=fex], or
(frequency weights assumed)

Iteration 0: log likelihood = -1904352.2

Iteration 1: log likelihood = -1683935.4
Iteration 2: log likelihood = -1631218.2
Iteration 3: log likelihood = -1630770
Iteration 4: log likelihood = -1630769.8
Iteration 5: log likelihood = -1630769.8

Logistic regression Number of obs = 5,441,941

LR chi2(12) = 547164.83
Prob > chi2 = 0.0000
Log likelihood = -1630769.8 Pseudo R2 = 0.1437

asistencia Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]

edad .5009942 .0006518 -531.23 0.000 .4997183 .5022734

actpaga .7618933 .0069281 -29.91 0.000 .7484348 .7755939
ofihogar 1.102587 .0039145 27.51 0.000 1.094941 1.110286
est_1 .4481935 .0062047 -57.97 0.000 .436196 .460521
est_2 .4957038 .0068166 -51.03 0.000 .4825218 .5092458
est_3 .6307735 .0087925 -33.06 0.000 .6137738 .648244
est_4 .6329161 .010002 -28.94 0.000 .6136129 .6528265
mujer 1.307382 .0039646 88.39 0.000 1.299635 1.315176
T_HOGAR .9282287 .0006113 -113.09 0.000 .9270313 .9294276
ESC 1.2417 .0011394 235.91 0.000 1.239469 1.243936
cuiniños .3510347 .0013657 -269.09 0.000 .3483682 .3537216
cuienfermos 1.068866 .0135204 5.26 0.000 1.042693 1.095697
_cons 125007.7 3110.936 471.60 0.000 119056.7 131256.2
Al revisar factores como: si el individuo realiza actividades pagas, si es mujer, y el estrato se
encuentra que:

 El hecho de realizar una actividad paga, aumenta la probabilidad de asistir en 0.7618922

veces. Lo que indica, que, es más probable, que una persona que realice actividad paga, no
asista. Mostrando que, un individuo puede llegar a sacrificar el asistir, por trabajar.
 El hecho de ser mujer, aumenta la probabilidad de asistir en 1.307382 veces. Revelando
que, el hecho de ser mujer hace que un individuo tenga más probabilidad de asistir.
 Para el estrato, analizaremos el estrato 1 y el estrato 4. Para el estrato 1, aumenta la
probabilidad de asistir en 0.4481935 veces, lo que representa una alta posibilidad de que,
un individuo de estas condiciones, no asista. De otro lado, el hecho de ser estrato 4,
aumenta la probabilidad de asistir en 0.6329161 veces. Demarcando de esa manera, la
brecha que se marca a la hora de asistir, el hecho de tener mayores.

4.2 Promedio de los agentes

El efecto marginal evaluado en la media de las variables del promedio de los agentes es de
0.92% dada las condiciones presentadas de las variables.

. mfx

Marginal effects after logit

y = Pr(asistencia) (predict)
= .92299059

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

edad -.049127 .00008 -581.38 0.000 -.049293 -.048961 14.5218

actpaga* -.021613 .0008 -26.89 0.000 -.023188 -.020038 .016164
ofihogar* .0068292 .00024 27.98 0.000 .006351 .007308 .300059
est_1* -.0672147 .00136 -49.60 0.000 -.069871 -.064559 .274282
est_2* -.0530947 .00111 -47.71 0.000 -.055276 -.050914 .413219
est_3* -.0363222 .00121 -29.92 0.000 -.038702 -.033942 .244057
est_4* -.0388223 .00158 -24.61 0.000 -.041914 -.03573 .044233
mujer* .0191604 .00022 87.83 0.000 .018733 .019588 .51771
T_HOGAR -.0052938 .00005 -113.22 0.000 -.005385 -.005202 4.73379
ESC .0153873 .00007 232.75 0.000 .015258 .015517 7.59401
cuiniños* -.1073045 .00054 -198.37 0.000 -.108365 -.106244 .089566
cuienf~s* .0048664 .00095 5.12 0.000 .003005 .006728 .990056

(*) dy/dx is for discrete change of dummy variable from 0 to 1

  Agente Representativo Para un hombre (Con estrato 1, que realiza
actividades pagas):

. mfx, predict (p) at(edad=13 actpaga=1 ofihogar=1 est_1=1 est_2=0 est_3=0 est_4=0 mujer=0 T_HOGAR=10 ESC=4 ///
> cuiniños=1 cuienfermos=0)

Marginal effects after logit

y = Pr(asistencia) (predict, p)
= .70025364

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

edad -.1450736 .00099 -146.94 0.000 -.147009 -.143138 13

actpaga* -.0538194 .00194 -27.69 0.000 -.057628 -.05001 1
ofihogar* .0208905 .00076 27.64 0.000 .019409 .022372 1
est_1* -.1387774 .00231 -60.05 0.000 -.143307 -.134248 1
est_2* -.163637 .00349 -46.85 0.000 -.170483 -.156791 0
est_3* -.1045253 .00341 -30.68 0.000 -.111203 -.097847 0
est_4* -.1037089 .00386 -26.87 0.000 -.111272 -.096145 0
mujer* .0530914 .00072 73.33 0.000 .051672 .05451 0
T_HOGAR -.0156326 .00018 -85.31 0.000 -.015992 -.015274 10
ESC .0454392 .00037 122.82 0.000 .044714 .046164 4
cuiniños* -.1691137 .00177 -95.66 0.000 -.172579 -.165649 1
cuienf~s* .0137899 .00266 5.19 0.000 .008583 .018997 0

(*) dy/dx is for discrete change of dummy variable from 0 to 1

Dado que, se pretende estimar el efecto particular de realizar actividades remuneradas, y, en

menor medida, aunque no menos importante, el hecho de tener altos o bajos recursos(estrato), el
género, tamaño del hogar, y los años de escolaridad, las demás variables permanecerán
constantes

 Agente representativo para una mujer (con estrato 4, que no realiza

actividad remunerada, con 5 personas integrantes del hogar. Con 9 años
de escolaridad, y lo demás constante):

. mfx, predict (p) at(edad=13 actpaga=0 ofihogar=1 est_1=0 est_2=0 est_3=0 est_4=1 mujer=1 T_HOGAR=5 ESC=9 ///
> cuiniños=1 cuienfermos=0)

Marginal effects after logit

y = Pr(asistencia) (predict, p)
= .96039496

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

edad -.0262893 .00039 -67.49 0.000 -.027053 -.025526 13

actpaga* -.0117418 .00048 -24.53 0.000 -.01268 -.010804 0
ofihogar* .0038863 .00015 26.19 0.000 .003595 .004177 1
est_1* -.0446524 .00127 -35.19 0.000 -.047139 -.042166 0
est_2* -.0371971 .00113 -33.03 0.000 -.039405 -.03499 0
est_3* -.0217604 .00087 -24.89 0.000 -.023474 -.020047 0
est_4* -.0141686 .0005 -28.30 0.000 -.01515 -.013187 1
mujer* .0115511 .00021 55.02 0.000 .01114 .011963 1
T_HOGAR -.0028328 .00005 -56.77 0.000 -.002931 -.002735 5
ESC .0082342 .00012 66.65 0.000 .007992 .008476 9
cuiniños* -.0253355 .00041 -61.32 0.000 -.026145 -.024526 1
cuienf~s* .0024569 .00048 5.09 0.000 .001512 .003402 0

(*) dy/dx is for discrete change of dummy variable from 0 to 1

La información revelada, compara el hecho de tener características diferentes entre un hombre y
una mujer, tales como el estrato, si realiza una actividad paga, el tamaño del hogar y la
escolaridad. Mostrando que, el hecho de ser mujer, de tener un mayor estrato, de no realizar una
actividad paga, y de tener más años de escolaridad. El hecho de tener estas condiciones, le da la
probabilidad al individuo estudiado de asistir de 96%, que es mucho menor a las condiciones
analizadas para el caso del hombre (70%), con pocos años de escolaridad, con un bajo estrato, con
un tamaño de hogar grande.

4.1 Criterio de información de Akaike (CIA)

Dada esta prueba se puede comparar arios modelos, con la finalidad de ajustar las
variables que mejor se acomoden a la muestra y que revelen su capacidad explicativa, o
como un modelo ajustado pronostica valores futuros de la variable dependiente, dado los
valores de las variables independientes (pronostico fuera de la muestra. para esto, se
tendrá que eliminar una variable que posiblemente no tenga relevancia sobre el modelo a
estimar. De esta manera, se presentaran dos escenarios, de los cuales, en el primero, se
excluirá la variable años de escolaridad, ya que se supone su poca participación en el
modelo y lo demás ceteris paribus. Dependiendo de los valores finales de dicha prueba, se
escogerá el modelo que menor valor presente.

ESCENARIO 1 (ESTIMACIÓN SIN AÑOS DE ESCOLARIDAD)

. logit asistencia edad actpaga ofihogar est_1 est_2 est_3 est_4 mujer T_HOGAR ///
> cuiniños cuienfermos[w=fex]
(frequency weights assumed)

Iteration 0: log likelihood = -1904494.8

Iteration 1: log likelihood = -1704849.4
Iteration 2: log likelihood = -1658567.1
Iteration 3: log likelihood = -1658254.5
Iteration 4: log likelihood = -1658254.5

Logistic regression Number of obs = 5,443,145

LR chi2(11) = 492480.62
Prob > chi2 = 0.0000
Log likelihood = -1658254.5 Pseudo R2 = 0.1293

asistencia Coef. Std. Err. z P>|z| [95% Conf. Interval]

edad -.501254 .000999 -501.75 0.000 -.5032121 -.499296

actpaga -.3248462 .0088866 -36.55 0.000 -.3422636 -.3074288
ofihogar .0803709 .0035194 22.84 0.000 .0734731 .0872687
est_1 -.9160347 .0137987 -66.39 0.000 -.9430797 -.8889897
est_2 -.7353145 .0137194 -53.60 0.000 -.762204 -.708425
est_3 -.4623327 .0139043 -33.25 0.000 -.4895848 -.4350807
est_4 -.4080034 .0157325 -25.93 0.000 -.4388386 -.3771683
mujer .1709335 .0029694 57.57 0.000 .1651136 .1767533
T_HOGAR -.0958815 .0006411 -149.55 0.000 -.0971381 -.0946249
cuiniños -1.08764 .003838 -283.39 0.000 -1.095163 -1.080118
cuienfermos .1304356 .0124109 10.51 0.000 .1061107 .1547605
_cons 10.73288 .0242684 442.26 0.000 10.68531 10.78044
. estat ic

Akaike's information criterion and Bayesian information criterion

Model Obs ll(null) ll(model) df AIC BIC

. 5,443,145 -1904495 -1658254 12 3316533 3316695

Note: N=Obs used in calculating BIC; see [R] BIC note.

CIA1= 3316533

ESCENARIO 2 (CONDICIONES INICIALES)

. logit asistencia edad actpaga ofihogar est_1 est_2 est_3 est_4 mujer T_HOGAR ESC ///
> cuiniños cuienfermos[w=fex]
(frequency weights assumed)

Iteration 0: log likelihood = -1904352.2

Iteration 1: log likelihood = -1683935.4
Iteration 2: log likelihood = -1631218.2
Iteration 3: log likelihood = -1630770
Iteration 4: log likelihood = -1630769.8
Iteration 5: log likelihood = -1630769.8

Logistic regression Number of obs = 5,441,941

LR chi2(12) = 547164.83
Prob > chi2 = 0.0000
Log likelihood = -1630769.8 Pseudo R2 = 0.1437

asistencia Coef. Std. Err. z P>|z| [95% Conf. Interval]

edad -.6911608 .0013011 -531.23 0.000 -.6937108 -.6886108

actpaga -.2719487 .0090933 -29.91 0.000 -.2897712 -.2541262
ofihogar .0976594 .0035503 27.51 0.000 .0907009 .1046179
est_1 -.8025302 .0138438 -57.97 0.000 -.8296636 -.7753969
est_2 -.7017768 .0137514 -51.03 0.000 -.7287291 -.6748244
est_3 -.4608085 .0139392 -33.06 0.000 -.4881289 -.4334881
est_4 -.4574174 .0158031 -28.94 0.000 -.4883909 -.4264439
mujer .2680269 .0030324 88.39 0.000 .2620835 .2739704
T_HOGAR -.0744772 .0006586 -113.09 0.000 -.0757679 -.0731864
ESC .2164816 .0009176 235.91 0.000 .214683 .2182801
cuiniños -1.04687 .0038905 -269.09 0.000 -1.054495 -1.039245
cuienfermos .0665985 .0126493 5.26 0.000 .0418064 .0913907
_cons 11.73613 .024886 471.60 0.000 11.68736 11.78491

CIA2:3166254<CIA1: 3316533, concluyendo, que la variable años de escolaridad, sí es

pertinente dentro del modelo, por lo tanto, no se excluye, y se escoge el modelo inicial.
 CONCLUSIONES

 En los estudios econométricos que se realizaron respecto a las muestras conseguida y

unidas se encontró, que, en efecto, la probabilidad de asistir a un establecimiento
educativo para un individuo de 12 a 17 años, disminuye al realizar una actividad paga, sin
importar si es hombre o mujer.

 Se confirmó según la teoría que el hecho de ser mujer tiene más posibilidades de asistir.

 Respecto al variable hogar del individuo también mostro una alta relevancia, ya que, entre
más personas hubiera en el hogar, menos probabilidad habría de asistir, acordando que
entre más personas por responder, menos recurso se iban a invertir en educación.

 Respecto a la variable, hecho de ser mujer, el estrato, el tamaño del hogar, y realizar
actividad con pago, son os principales determinantes de la variable explicativa.

 Otras variables no tan determinantes como, si el individuo cuida enfermos , cuida niños,
un año más de edad , si hace oficios en el hogar , tienen gran efecto sobre la asistencia , en
particular el cuidado de niños( que suele ser muy común en los hogares).por lo que , una
conclusión clara , es que la asistencia de menores es una problemática que necesita ser
bien solucionada, apoyada y protegida para que se cumple con su derecho, por ende sus
probabilidades de asistir serán nulas

 Colombia en los últimos años ha mejorado su cobertura en educación, ha disminuido sus

tasas de analfabetismo, una gran proporción de su población sigue ubicándose allá, dentro
de un mundo cada vez más globalizado, donde la el foco de la problemática no es lo
suficiente combatida; los niños, los jóvenes, aun en edad de estudiar, se deben someter a
trabajar por diferentes motivos, los más pobres son los menos favorecidos y de ahí no se
aplica nada para solucionar la problemática.
 BIBLIOGRAFÍA

 https://www.elespectador.com/noticias/educacion/de-cada-100-colombianos-56-no-
completan-la-educacion-secundaria-articulo-740379

 https://www.eltiempo.com/vida/mujeres/cifras-de-explotacion-infantil-en-colombia-
374450

 https://www.ilo.org/wcmsp5/groups/public/@ed_norm/@ipec/documents/publication/w
cms_596481.pdf

 https://www.repository.fedesarrollo.org.co/bitstream/handle/11445/1086/Co_So_Diciem
bre_2005_Pedraza.pdf?sequence=2&isAllowed=y

 https://www.unicef.es/noticia/el-trabajo-infantil

 https://papers.ssrn.com/sol3/papers.cfm?abstract_id=620526

 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6198592/