Universidad de Chile

Facultad de Economı́a y Negocios

Tarea 1: Desigualdad, Estado y COVID-19

Profesor: Francisco Pino
Ayudantes: JULIÁN GARCÍA S. - MARÍA CASTRO D. - VICENTE BAVESTRELLO S.

Alumnos: Bastián Castro, rut 20.163.117-3

Diego Osses, rut 19.994.765-6
Primavera 2021

Sección I: Marco Teórico

Desigualdad
1. Medidas de desigualdad
(a) Respuesta:
El coeficiente de Gini es una medida económica que calcula la desigualdad de ingresos que existe
entre los ciudadanos de un paı́s. Este ı́ndice toma valores entre 0 y 1, siendo 0 la menor desigual-
dad posible (todos tienen los mismos ingresos) y 1 la máxima desigualdad posible (un individuo
concentra todos los ingresos). Los ı́ndices de la forma X/Y, muestran la relación entre el ingreso
recibido por el X % de hogares de mayor ingreso y el Y % de hogares de menor ingreso.
(b) Respuesta:
Existen diferencias tanto conceptuales como en las conclusiones que podamos sacar dependiendo
qué medida utilicemos. Los ingresos laborales, como bien sabemos, son ingresos que surgen de ser
remunerado en el mercado laboral a través del factor trabajo, mientras que las rentas de capital
son aquellas que surgen precisamente por la propiedad de dicho factor. Luego, es más probable
que personas de bajos ingresos obtengan sus ingresos de la primera manera, mientras que las de
altos ingresos de la segunda. La riqueza, al contrario de las dos medidas anteriores, es una medida
de stock, cuyo valor puede cambiar a través del tiempo pero que no consistuye la renta de una
persona, pese a que efectivamente esta pueda ser mayor en personas de altos ingresos.
En concordancia con sus diferencias, una medición basada exclusivamente en una de estas medi-
das puede estar sesgada. En particular, las medidas más comunes de desigualdad son calculadas
utilizando sólo ingresos laborales, de manera que existirı́a una subestimación, ya que gran parte
de las rentas de personas de altos ingresos vienen de rentas del capital. Luego, efectivamente
nuestro indicador no estarı́a reflejando el valor real que tiene en un paı́s. Las consecuencias y
caracterı́sticas de este sesgo son abordadas en mayor extensión en las siguientes preguntas.
(c) Respuesta:
Explicar la desigualdad en relación a la riqueza del 1 % más rico, es una medida que permite
dimensionar los niveles de desigualdad de mejor forma que un coeficiente como el de Gini que
toma valores entre 0 y 1, lo que puede ser menos intuitivo para el grueso de la población. Ası́,
decir que el ı́ndice de Gini de Chile el 2019 fue de 0.47 es menos cuantificable y entendible para
las personas, y tendrá un menor impacto que si se plantea que el 1 % más rico de Chile concentra
el 26,5 % de la riqueza. Además, es más fácil cuantificar las diferencias de desigualdad entre paı́ses
y su variación en el tiempo, esto al ser más intuitivo que la comparación de coeficientes que no
tienen tanta significancia.
(d) Respuesta:
Falso. En primer lugar hay que aclarar que si bien existe evidencia sobre que la progresividad
impositiva efectivamente reduce la desigualdad, es solo una herramienta y no se puede establecer

Página 1 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

una regla general que traduzca esta progresividad con un nivel de desigualdad con exactitud.
Ahora bien, si se puede establecer una correlación negativa entre la variación de la progresividad
tributaria y desigualdad, es decir, un aumento de progresividad conducirá a una disminución de la
desigualdad. Ahora, es cierto que los sistemas tributarios son herramientas cruciales para reducir
la desigualdad, aún ası́ no están libres de obstáculos, como lo es la evasión tributaria. Esto va de
la mano con el aumento de los activos en paraı́sos fiscales, los que se han incrementado desde la
década de 1970, y en la actualidad representan más del 10 % del PIB mundial (p.15).
Finalmente, es necesario mencionar los distintos sesgos que tienen encuestas como la CASEN,
cuestion que abordamos en detalle en la siguiente pregunta.
(e) Respuesta:
Hay dos problemas que pueden ser centrales a la hora de discutir si la medición de desigualdad
provista por la CASEN es adecuada.
• Sesgos de la CASEN: la literatura a este respecto nos da importantes razones para criticar
que la medición de la CASEN sea la correcta: los encuestados, en particular los de más
altos deciles tienden a sub-reportar sus ingresos (Moore y col., 2000), generando sesgo y
censura de datos, además la muestra de personas de altos ingesos suele no ser representativa
(Atkinson, 2007), además que los ingresos del capital suelen no estar bien medidos (Larrañaga
y col., 2021). Esto ha llevado a que nuevos estudios indiquen que la desigualdad en Chile
no bajado como se ha planteado en la discusión pública usando datos de la CASEN, si no
que se ha mantenido estable (Flores y col., 2020) y (Larrañaga y col., 2021). Estos autores
además controlan las medidas de ingresos utilizando datos de impuestos internos y de cuentas
nacionales.
• Problemas de los indicadores: como podemos notar en la imagen, el coeficiente de Gini
tiene un aumento de magnitud considerable, pero el resto de indicadores tienen aumentos
explosivos que se escapan mucho más de lo reportado por el Gini. En particular, es razonable
pensar que a raı́z de la pandemia, las ganancias de capital, la riqueza y las fuentes de ingresos
de las personas más ricas se mantuvieron estables, mientras que las personas más pobres
estuvieron más sujetas a shocks altamente transitorios, sobretodo a pérdida del empleo. Luego,
las medidas de desigualdad X/Y pueden estar reflejando la magnitud del shock más que la
composición de los ingresos de las personas. Además, es posible que para ingresos bajos no
se consideren transferencias de gobierno (como el IFE), sobreestimando ası́ la desigualdad.
Para mejorar lo anterior, se requieren (1) medidas de correción como las que proponen Larrañaga
y col., 2021, corrigiendo los sesgos de la CASEN, además de (2) una medición a posteriori que no
contemple los shocks transitorios de la pandemia, sino sus efectos de mediano plazo.

Página 2 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

2. Respuesta
La pandemia del COVID-19 parece haber tomado a todos por sorpresa, a pesar de presenciar con
anterioridad las consecuencias primeramente en China y principalmente en Italia con posterioridad.
Ahora, el impacto de la pandemia en la desigualdad depende de diversos factores, como la tasa de
mortalidad, los sistemas impositivos, leyes laborales e incluso la propia desigualdad preexistente. Aún
ası́, en términos generales todo parece indicar que la desigualdad aumentará en la mayorı́a de paı́ses,
aunque se debe advertir de la existencia de heterogeneidad entre estos , lo que implica que los efectos
sobre la desigualdad no serán iguales. Ası́, en paı́ses más desiguales, la brecha desigualdad aumentará
aún más que en los menos desiguales (o deberán esforzarse más para que esto no ocurra).
Para tratar los mecanismos que explican este aumento de la desigualdad se analizarán los factores
nombrados en el párrafo anterior (tasa de mortalidad, sistemas impositivos, leyes laborales, desigualdad
preexistente). Ahora bien, en relación a la tasa de mortalidad, por fortuna en el caso del COVID-19 es
más bien baja en relación a la Peste Negra. Lo anterior implica que esta no provocará una disminución de
la oferta de trabajo que pueda aumentar los salarios reales, además, el número de muertes relativamente
bajo evita la fragmentación del patrimonio, por lo que la desigualdad no tendrı́a incentivos a disminuir
por ese lado.
Es importante destacar que luego de la Peste Negra las élites al ver el riesgo de otra epidemia, co-
menzaron a proteger sus patrimonios de la fragmentación, por medio del control institucional, de esta
forma, se puede explicar el mecanismo que podrı́a conducir a una mayor desigualdad por medio de
los factores restantes (desigualdad preexistente, sistema impositivo y leyes laborales). En el mundo se
han planteado un debate entre contagios (C) y bloqueo económico (L), de forma que los paı́ses han
tomado diferentes estrategias para el control de la pandemia, en donde los paı́ses más desiguales tienen
limitaciones para determinar “C” y “L”, y por lo tanto tienen un menor marco de acción. Resulta que
el éxito en controlar la pandemia depende de las medidas de ayuda hacia los más vulnerables (Perugini
y Vladisavljevic, 2020) y poder tener un confinamiento reducido y restringido por zonas, lo que es
económicamente insostenible para aquellos paı́ses con un sistema impositivo no tan desarrollado y con
poca progresividad. Además, la posibilidad de tener un trabajo remoto involucra solo a una fracción de
la población, la que por lo general es la de mayores ingresos, por lo que los más golpeados por el confi-
namiento son aquellos que no pueden trabajar desde casa, los que mayormente son los de trabajos de
menos remunerados y con frecuencias temporales. Ahora, a medida en que la vulnerabilidad económica
del empleo dependiente se materializa en la pérdida de ingresos o del empleo, el trabajador depende de
la solidez de la legislación nacional de protección del empleo (Perugini y Vladisavljevic, 2020), la que
por lo general es escasa en los paı́ses con mayor desigualdad. Dicho esto, los paı́ses más desiguales se
verán limitados a confinar a la población o enfrentar un posible colapso social a causa de los contagios.
Por lo general escogen el confinamiento y sufren un aumento de la desigualdad.
En relación al actuar de la polı́tica pública para revertir estos efectos, estos radican en solucionar
los problemas en los factores antes mencionados. En primer lugar, trabajar en un sistema tributario
más desarrollado, con mayor progresividad y detección de las elusiones tributarias, lo que permitirá
enfrentar de mejor manera pandemias o crisis venideras que puedan tener un efecto similar. Luego, se
debe trabajar en leyes de protección al empleo, que protejan a los trabajadores en casos como estos.
Finalmente, cuando las medidas de protección al empleo no sean sostenibles, se podrı́a trabajar en un
ingreso mı́nimo universal, el que serı́a posible al contar con un sistema tributario progresivo, que entre
otros, cuente con un impuesto a los mayores patrimonios del paı́s.
3. Respuesta:
No es difı́cil notar que son las personas de menores ingresos son las que se ven perjudicadas en relación
a las de mayores ingresos. G. E. Mena muestra desde un comienzo que en los municipios de nivel
socioeconómico más bajo las pruebas de positividad fueron casi inexistentes al principio de la pandemia
y que la movilidad humana no se redujo tanto con los confinamientos como lo estuvo en los lugares
más ricos, esto último también afirmado por A.Carranza, luego de mostrar la correlación entre nivel
socioeconómico y la reducción de movilidad luego de dictado un confinamiento. Si bien, en los textos
se dedican a estimar las variaciones según el nivel socioeconómico, no ahondan en el por qué de este
efecto, más allá de mencionar desigualdades en el sistema de atención médica. Aún ası́, es fácil intuir que

Página 3 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

muchas personas de menores recursos se han visto obligadas a continuar con sus actividades laborales,
muchas veces en contra de la ley, a causa de la escasa ayuda estatal, lo que explicarı́a los resultados de
reducción de movilidad dispares entre comunas de diferente nivel socioeconómico.
Continuando con la estimación, A.Carranza luego de comprobar la correlación existente entre nivel
socioeconómico y reducción de la movilidad, quiso estimar el efecto de la movilidad en el número de
contagios , esto mediante dos medidas de movilidad MobOut y MobRisk. Los resultados fueron claros,
ambas medidas fueron positivas y significativas, lo que comprueba una correlación entre movilidad y
contagios.
Luego, cuando el autor intenta restringir la muestra al perı́odo de bloque de toda la ciudad se observa
que MobRisk sigue siendo positivo y estadı́sticamente significativo, pero no podemos afirmar lo mismo
de MobOut que ya no es significativo. Esto porque no se consideraron las interacciones de los municipios
y las regiones. Ante esto el autor sugiere que, para captar los efectos de la movilidad en los contagios,
es relevante tener en cuenta los patrones de movimientos de población dentro de la ciudad y cómo estos
interactúan con los brotes locales.

Estado
(a) Respuesta:
Existen distintas vı́as a través de las cuales la naturaleza del Estado podrı́a afectar la difusión del virus.
En particular, Karabulut y col., 2021 señala las siguientes:

1. Los regı́menes autocráticos pueden actuar de forma más rápida y fuerte, además de movilizar
mayores recursos sin considerar efectos electorales o de disenso público. Por el contrario, los
regı́menes democráticos necesitan de consenso parlamentario o social para tomar ciertas decisiones
clave, y en términos de una pandemia, la demora de las mismas puede ser clave. Luego, mayor
democracia podrı́a significar más casos y muertes.
2. En un régimen autoritario, es más probable que las personas sigan instrucciones gubernamentales
(probablemente debido a sus consecuencias penales). Luego, mayor democracia podrı́a significar
más casos y muertes.
3. La censura en regı́menes autoritarios, en particular la censura de datos, puede afectar la respuesta
de sus ciudadanos: si se oculta la presencia o magnitud del virus, probablemente tomen menores
precauciones. Luego, mayor democracia podrı́a significar menos casos y menos muertes.
4. Los regı́menes democráticos suelen estar más conectados a través de la globalización, con fronteras
más abiertas. Luego, mayor democracia podrı́a significar más casos y muertes.

En general, esto podrı́a indicar que los regı́menes democráticos están más expuestos frente a pandemias.
Efectivamente, Karabulut y col., 2021 muestran que esto es cierto para casos, pero no necesariamente
para muertes.
(b) Respuesta:
Existen distintas razones por las cuales es difı́cil establecer una relación causal entre la naturaleza del
Estado y la difusión del virus. Algunos podrı́an ser:

1. Error de medición: cabe preguntarse qué constituye un regı́men democrático en contraposición

a uno autoritario, además si es una medida absoluta o gradual. Esto es evidente en el paper de
Karabulut y col., 2021, donde se utilizan distintas medidas de democracia. En particular, estas
medidas difieren, y pueden tener errores en su construcción o no reflejar el grado de autoritarismo
de un paı́s.
2. Bidireccionalidad: como bien señala Kurmanaev, un régimen pudo haber aprovechado la pan-
demia para desarrollar polı́ticas antidemocráticas, como censura de los opositores, debilitar su
supervisión y extender sus mandatos. Luego, si ci son los casos totales u otro outcome relativo
a la pandemia y di un ı́ndice de democracia en particular, podrı́amos tener distintas relaciones
como las siguientes:

Página 4 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

ci = αdi + x0i β + ei
di = γci + x0i β + ui
Esto es, un caso de endogeneidad clásico por bidireccionalidad: el autoritarismo puede afectar los
resultados de la pandemia, ası́ como la pandemia el nivel de autoritarismo. O al menos, ası́ podrı́a
mostrarse en los datos, ya que la percepción de autoritarismo puede cambiar, como bien señala
Fuentes.
3. Variables omitidas relevantes y problemas de identificación del contrafactual: esto lo
abordamos extensamente en la sección econométrica.

Sección II: Análisis Descripitivo y Econométrico

Estadı́stica Descriptiva
1. Respuesta:
A continuación, mostramos las tablas pedidas. Nota: se consideró como supuesto que cuando se nos
señala haga estas tablas para los 5 paı́ses con mayor y menor cantidad de contagiados, se refiere a
contagiados en términos generales y no por millón de habitantes.

Estadı́stica descriptiva a los 100 dı́as: peores 5

Paı́s Polity2 Gini 10/40 Casos (x M) Muertes (x M)
United Kingdom 8 35.1 1.4 3087.367 460.331
Italy 10 35.9 1.5 3610.013 502.714
Spain 10 34.7 1.4 4798.44 569.375
Brazil 8 53.4 4 2893.031 160.054
United States 5 41.4 2 3266.152 199.959

Estadı́stica descriptiva a los 100 dı́as: top 5

Paı́s Polity2 Gini 10/40 Casos (x M) Muertes (x M)
Papua New Guinea 5 41.9 2.1 1.229
Solomon Islands 8 37.1 1.6 24.75
Fiji 2 36.7 1.6 20.079
Laos −7 38.8 1.8 2.611
Timor 8 28.7 1.1 18.203

Estadı́stica descriptiva a los 365 dı́as: peores 5

Paı́s Polity2 Gini 10/40 Casos (x M) Muertes (x M)
Russia 4 37.5 1.6 25 843.89 486.89
United Kingdom 8 35.1 1.4 55 734.57 1540.406
Brazil 8 53.4 4 48 572.13 1175.939
India 9 35.7 1.5 7768.126 111.601
United States 5 41.4 2 74 076.38 1249.733

Estadı́stica descriptiva a los 365 dı́as: top 5

Paı́s Polity2 Gini 10/40 Casos (x M) Muertes (x M)
Laos −7 38.8 1.8 6.735
Fiji 2 36.7 1.6 61.354 2.231
Timor 8 28.7 1.1 247.262
Tanzania 3 40.5 1.9 8.521 0.352
Mauritius 10 36.8 1.6 599.166 7.863

Página 5 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Estadı́stica descriptiva a los 450 dı́as: peores 5

Paı́s Polity2 Gini 10/40 Casos (x M) Muertes (x M)
Turkey −4 41.9 2 62 489.41 567.732
France 10 32.4 1.3 78 757.27 1491.203
Brazil 8 53.4 4 74 774.83 2089.27
India 9 35.7 1.5 12 036.54 137.35
United States 5 41.4 2 95 162.88 1708.24

Estadı́stica descriptiva a los 450 dı́as: top 5

Paı́s Polity2 Gini 10/40 Casos (x M) Muertes (x M)
Fiji 2 36.7 1.6 95.935 2.231
Tanzania 3 40.5 1.9 8.521 0.352
Mauritius 10 36.8 1.6 1176.316 14.154
Bhutan 7 37.4 1.6 2077.469 1.296
Laos −7 38.8 1.8 279.429 0.412

2. Respuesta:
Los gráficos solicitados se encuentran disponibles en el anexo.
3. Respuesta
Los gráficos solicitados se encuentran disponibles en el anexo.
4. Respuesta:
En principio, parece haber una clara relación en la dirección contraria a la esperada intuitivamente
(aunque en la misma dirección que Karabulut y col., 2021): los paı́ses más democráticos tienden a tener
más casos y muertes por millón de habitantes; los paı́ses más desiguales tienden a tener menos casos
y muertes por millón de habitantes. Ambas relaciones parecen ser más pronunciadas a medidas que
aumentan los dı́as. En principio, esto puede deberse a distintos elementos: si bien efectivamente puede
haber un efecto de la desigualdad y del nivel de democracia en los contagios y muertes, este difı́cilmente
puede ser determinado gráficamente o con una regresión simple, ya que no sólo no estarı́amos evaluando
un efecto causal, sino que además no estarı́amos encontrando el β verdadero en tanto existe una serie
de variables omitidas relevantes que también determinan el nivel de contagios y de muertes. En ese
sentido, al incluirlas controlamos por sesgo de variables omitidas relevantes.
En términos matemáticos, esto se expresa de la siguiente manera: dado que E(ui |Xi ) = 0 no se cumple,
entonces:
Sea la correlación entre Xi y ui corr(Xi , ui ) = pXu , donde no se cumple el supuesto. Entonces, a
medida que aumenta el tamaño de la muestra:
σu
βˆ1 → β1 + pXu
σX

Otra forma más común de enunciarlo corresponde a:

Cov(x1 , x2 )
E[βˆ1 ] = β1 + β2
V ar(x1 )

Luego, esta relación podrı́a deberse a otras variables. Por ejemplo (como se ha visto en la sección
anterior), es de esperar que los paı́ses democráticos sean más abiertos a publicar sus datos de fallecidos
y contagios que paı́ses con dictaduras; de igual manera, las dictaduras pueden ser más efectivas al
momento de restringir libertades civiles; finalmente, la relación entre desigualdad y casos/muertes
puede ser bidireccional: la desigualdad puede tener algún efecto en casos y muertes, pero estas últimas

Página 6 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

pueden llevar a los paı́ses a tomar medidas más drásticas, las cuales reflejen un shock negativo a los
ingresos de las personas con menores recursos, aumentando de esta manera la desigualdad a posteriori.
Estas y otras medidas son evaluadas en el análisis econométrico. La discusión respecto a causalidad la
damos extensamente en la respuesta a la pregunta 5.

Análisis Econométrico
5. Respuesta:
A continuación, se muestra el análisis de regresiones simples utilizando como variable independiente la
medida de nivel de democracia en un paı́s:

Análisis Econométrico: Índice de democracia

(1) (2) (3) (4) (5) (6)
VARIABLES Casos Muertes Casos Muertes Casos Muertes

polity2 49.0** 5.1*** 1,787.0*** 40.8*** 2,676.5*** 60.7***

(20.0) (1.7) (357.6) (7.6) (489.5) (10.8)
Constant 680.9*** 23.4* 12,417.4*** 231.5*** 18,429.4*** 336.2***
(147.5) (13.0) (2,637.6) (56.1) (3,610.8) (79.3)

Observations 149 138 148 146 148 148

R-squared 0.0 0.1 0.1 0.2 0.2 0.2
Dı́as 100 100 365 365 450 450
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

En primer lugar, vemos que la relación vista gráficamente se mantiene: hay un efecto positivo y es-
tadı́sticamente significativo (en la mayorı́a de los casos al 1 %) de mayor democracia en contagios y
muertes. Los resultados se leen de la siguiente manera: aumentar en un punto el ı́ndice de demo-
cracia aumenta la cantidad de casos reportados en promedio (al dı́a 100) en 49, mientras
que aumenta la cantidad de muertes en 5 aproximadamente. Esta relación es mayor con-
siderando más dı́as transcurridos. Por ejemplo, leyendo para el dı́a 450, los resultados se leen de la
siguiente manera: aumentar en un punto el ı́ndice de democracia aumenta la cantidad de
casos reportados en promedio (al dı́a 450) en 2676, mientras que aumenta la cantidad de
muertes en 61 aproximadamente.
Como ya adelantamos anteriormente, este no será un efecto causal. Recordemos que para medir efectos
causales de un tratamiento buscamos establecer la siguiente relación:

E[yi,Gini=j − yi,Gini=k |Gini = j]

Esto es, queremos ver qué ocurre con un outcome y de un paı́s i cuando pasa de tener un Gini k
a uno j (lo mismo para un ı́ndice de democracia, que es el que estamos analizando en
esta pregunta). En particular, queremos ver el contrafactual de un mismo paı́s, por ejemplo, cuántos
muertos menos tendrı́a Chile si su Coeficiente de Gini fuese menor, lo que es evidentemente imposible,
debido a que no podemos observar una situación que no ocurrió. Por esto, en este caso calculamos:

E[yi |Gini = j] − E[yi |Gini = k]

Esto es, calculamos el efecto promedioque obtenemos en nuestros datos cuando ciertos paı́ses tienen el
Índice de Gini k y otros el j. Como bien sabemos, esto tiene sesgo de selección:

Página 7 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

E[yi |Gini = j] − E[yi |Gini = k] = E[yij |Gini = j] − E[yik |Gini = k]

= E[yij |Gini = j] − E[yik |Gini = k] ± E[yik |Gini = j]
= E[yij |Gini = j] − E[yik |Gini = j] +
E[yik |Gini = j] − E[yik |Gini = k]
= Efecto causal + Sesgo de selección

Esto, como se ha comentado en la literatura (Haber y Menaldo, 2011), en datos cross-country serı́a
equivalente a decir que, de haber tenido el Gini de Nueva Zelanda, Chile hubiese tenido en promedio
una cantidad similar de casos y de muertes, lo que es engañoso debido a que Nueva Zelanda no es un
buen contrafactual de Chile.
6. Respuesta: A continuación, se muestra el análisis de regresiones simples utilizando como variable
independiente las medidas de desigualdad analizadas anteriormente:

Análisis Econométrico: Gini

(1) (2) (3) (4) (5) (6)
VARIABLES Casos Muertes Casos Muertes Casos Muertes

gini -28.0** -3.0** -819.4*** -12.0** -1,258.5*** -16.7**

(14.0) (1.2) (260.8) (5.6) (359.4) (8.2)
Constant 1,994.6*** 163.2*** 52,546.0*** 894.3*** 79,728.3*** 1,273.5***
(547.0) (47.5) (10,177.2) (220.5) (14,024.1) (318.1)

Observations 149 138 148 146 148 148

R-squared 0.0 0.0 0.1 0.0 0.1 0.0
Dı́as 100 100 365 365 450 450
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Análisis Econométrico: Index 10 40

(1) (2) (3) (4) (5) (6)
VARIABLES Casos Muertes Casos Muertes Casos Muertes

index 10 40 -198.1 -21.6** -5,058.0** -67.4 -8,274.1*** -102.7

(120.2) (10.8) (2,259.4) (48.4) (3,115.4) (70.0)
Constant 1,300.1*** 90.2*** 30,839.7*** 565.1*** 47,285.2*** 831.2***
(250.2) (22.2) (4,709.9) (101.3) (6,494.4) (146.0)

Observations 147 136 146 144 146 146

R-squared 0.0 0.0 0.0 0.0 0.0 0.0
Dı́as 100 100 365 365 450 450
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

En primer lugar, vemos que la relación vista gráficamente se mantiene: hay un efecto negativo y es-
tadı́sticamente significativo (en la mayorı́a de los casos al 5 %) de mayor desigualdad en contagios y
muertes. Los resultados se leen de la siguiente manera: aumentar en un punto el coeficiente de
Gini disminuye la cantidad de casos reportados en promedio (al dı́a 100) en 28, mien-
tras que disminuye la cantidad de muertes en 3 aproximadamente. Esta relación es mayor
considerando más dı́as transcurridos. Por ejemplo, leyendo para el dı́a 450, los resultados se leen de
la siguiente manera: aumentar en un punto el coeficiente de Gini disminuye la cantidad de

Página 8 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

casos reportados en promedio (al dı́a 450) en 1259, mientras que disminuye la cantidad
de muertes en 17 aproximadamente.
Este análisis, con otros coeficientes, se extiende para el ı́ndice 10/40, pero ese último parece ser menos
significativo en cuanto a muertes.
Los análisis respecto a la posibilidad de encontrar un efecto causal ya los revisamos en la pregunta
anterior.
7. Respuesta: Como argumentamos anteriormente, existen variables omitidas relevantes que son nece-
sarias de incorporar para que sea más probable la medición de un efecto causal. Dichas variables son
las siguientes:

Stringency index: Una medida de la respuesta de los gobiernos, basada en indicadores como
cierre de escuelas, trabajos, etc., medida de 0 a 100 (donde 100 es una respuesta más estricta).
Population density: Si bien las medidas están corregidas por la cantidad de población, es rele-
vante controlar por cuán juntas están las personas, ya que el contagio podrı́a estar determinado
fuertemente por esto.
Medidas de edad: Como bien sabemos, la edad es un factor importante en términos de gravedad
del virus, y por lo tanto, de mortalidad. Se utilizan tres variables: median age, aged 65 older,
aged 70 older.
Medidas de riqueza: La reacción frente a las medidas de protección, en especial cuarentenas,
puede depender fuertemente de los ingresos y la riqueza que tengan los ciudadanos. Por ejemplo,
un paı́s con mayor PIB per cápita podrı́a tener mayores medidas de ahorro, mientras que uno
con alta pobreza extrema podrı́a generar menos adopción de cuarentenas. Ambas variables son
incorporadas.
Medidas de salud: Nuevamente, las comorbilidades interactúan de forma importante en términos
de la muerte de las personas que se contagian con CoVID. De esta manera, es necesario controlar
por medidas de salud media de la población. En particular, se agregan cardiovasc death rate,
diabetes prevalence, female smokers, y male smokers. Otras medidas de salud pública no
fueron incorporadas debido a la falta de datos. Otros medidas de muertes y esperanza de vida no
deberı́an ser relevantes si las muertes por CoVID están bien medidas.

Con todo lo anterior, no es posible determinar que el efecto es causal, sino como mucho dar cuenta
de la correlación, en particular, porque si bien corregimos el sesgo de variable omitida relevante, aún
existen fenómenos de endogeneidad de las variables, en particular la bidireccionalidad que puedan tener
algunas de ellas. Además, aún con los controles señalados, es difı́cil señalar que los contrafactuales estén
bien especificados.
Los resultados son presentados en el anexo por razones de espacio.
Notamos que la relación vista gráficamente ya no se mantiene: las variables son considerablemente
menos significativas, y sus direcciones cambian. De hecho, la variable de democracia no es significativa
a ningún nivel en ninguna dimensión temporal, mientras que el Gini se mantiene significativo en
perı́odos adelantados, pese a que ahora tiene el signo contrario al ya visto. Por ejemplo, leyendo para
el dı́a 450, los resultados se leen de la siguiente manera: aumentar en un punto el coeficiente de
Gini aumenta la cantidad de casos reportados en promedio (al dı́a 450) en 1076, mientras
que aumenta la cantidad de muertes en 25 aproximadamente. Finalmente, ningún control
tiene una magnitud consistente a lo largo de todas las regresiones, aunque medidas de fumadoras,
tener más de 70 años de edad y extrema pobreza tienen estimadores estadı́sticamente significativos en
etapas altas, siendo sólo negativo el de extrema pobreza. Luego, no hay conclusiones claras respecto a
las polı́ticas implementadas.
8. Respuesta:
Los resultados se encuentran a continuación. Utilizamos como supuesto que Sudamérica y Nor-
teamérica tienen efectos fijos distintos y no mostramos los controles de la pregunta ante-
rior por razones de espacio y relevancia para el análisis.

Página 9 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Análisis Econométrico: E.F. Continentes

(1) (2) (3) (4) (5) (6)
VARIABLES Casos Muertes Casos Muertes Casos Muertes

2.continent -249.6 -14.1 5,257.6 -61.8 9,591.5 -56.9

(502.8) (53.8) (7,065.6) (155.2) (8,376.4) (192.7)
3.continent 852.3 72.5 14,373.0 433.1 12,863.4 562.2*
(874.1) (93.7) (12,228.5) (268.8) (14,552.1) (334.8)
4.continent 499.8 -26.8 10,025.9 246.9 8,729.7 277.2
(658.2) (71.7) (9,268.7) (211.0) (10,897.5) (250.7)
5.continent -896.2 -124.7 -18,769.0 -297.2 -32,865.0* -607.2
(1,030.4) (143.4) (14,636.8) (314.7) (17,143.2) (394.4)
6.continent 730.2 -7.9 8,476.3 241.3 27,807.1** 756.5**
(744.0) (78.8) (10,414.7) (228.5) (12,470.8) (286.9)
gini 4.2 0.1 838.9** 14.9* 879.7** 18.9*
(26.4) (2.6) (371.1) (7.8) (437.6) (10.1)
polity2 -11.1 -3.3 308.8 1.1 468.0 5.4
(34.6) (3.9) (491.3) (10.5) (575.8) (13.2)
Constant -805.6 54.0 -23,383.5 -724.3 -20,091.9 -911.5
(2,001.6) (217.6) (26,552.5) (585.9) (31,295.5) (720.1)

Observations 85 78 85 83 85 85
R-squared 0.5 0.4 0.6 0.6 0.7 0.7
Dı́as 100 100 365 365 450 450
Controles Sı́ Sı́ Sı́ Sı́ Sı́ Sı́
E.F. Continentes Sı́ Sı́ Sı́ Sı́ Sı́ Sı́
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

En primer lugar, consideramos la importancia teórica de mostrar considerar efectos fijos por continente,
ya que este nos permite acercarnos más a una especificación que muestre efectos causales, en la medida
en que las zonas cercanas son contrafactuales relativamente más razonables que zonas lejanas (por
ejemplo, Chile comparte más similitudes con Argentina que con Nueva Zelanda). Aun ası́, por razones
señaladas anteriormente esto sigue sin ser un efecto causal.
Notamos que la relación vista gráficamente tampoco se mantiene: las variables son considerablemente
menos significativas, y sus direcciones cambian. De hecho, la variable de democracia no es significativa a
ningún nivel en ninguna dimensión temporal, mientras que el Gini se mantiene significativo en perı́odos
adelantados, pese a que ahora tiene el signo contrario al ya visto. Por ejemplo, leyendo para el dı́a 450,
los resultados se leen de la siguiente manera: aumentar en un punto el coeficiente de Gini
aumenta la cantidad de casos reportados en promedio (al dı́a 450) en 880, mientras que
aumenta la cantidad de muertes en 19 aproximadamente. Finalmente, vemos que hay pocos
coeficientes de continentes que son significativos en etapas tardı́as, con la excepción de aquellos que
pertenecen a Sudamérica en más casos y muertes, Oceanı́a en menos casos y Europa en más muertes.
9. Respuesta:
Los resultados se muestran a continuación. Nótese que en esta oportunidad consideramos so-
lamente nuestras variables de interés para esta pregunta.

Página 10 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Análisis Econométrico: Transparencia

(1) (2) (3) (4) (5) (6)
VARIABLES Casos Muertes Casos Muertes Casos Muertes

transparencyindex 110.0 25.3* 2,567.2 125.6*** 3,747.6* 186.3***

(122.7) (14.1) (1,695.5) (35.5) (2,155.0) (46.4)
gini 13.9 1.0 962.8** 12.5 1,014.0** 17.5*1
(27.4) (3.1) (393.2) (8.2) (484.1) (10.4)
polity2 -18.1 -3.1 -188.8 -5.6 -50.9 -3.5
(34.0) (4.4) (476.8) (10.2) (598.1) (12.9)
Constant -638.3 -67.2 15,574.5 -194.3 7,275.7 -788.0
(2,199.9) (249.3) (28,360.8) (591.2) (36,447.1) (785.2)

Observations 69 63 69 68 69 69
R-squared 0.6 0.6 0.7 0.7 0.7 0.8
Dı́as 100 100 365 365 450 450
Controles Sı́ Sı́ Sı́ Sı́ Sı́ Sı́
E.F. Continentes Sı́ Sı́ Sı́ Sı́ Sı́ Sı́
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

En este caso, los resultados son un poco más interesantes. Si bien debido a la información reportada
nuestras observaciones caen considerablemente, algunos resultados se mantienen significativos. Por
ejemplo, leyendo para el dı́a 450, los resultados se leen de la siguiente manera: aumentar en un
punto el coeficiente de Gini aumenta la cantidad de casos reportados en promedio (al
dı́a 450) en 1014, mientras que aumenta la cantidad de muertes en 18 aproximadamente.
Haciendo el mismo análisis para el ı́ndice de transparencia, vemos que aumentar en un punto el
ı́ndice de transparencia aumenta la cantidad de casos reportados en promedio (al dı́a 450)
en 3748, mientras que aumenta la cantidad de muertes en 186 aproximadamente. Además,
y es interesante notarlo, ahora el ı́ndice de democracia tiene un efecto negativo, de manera que mayor
democracia se correlaciona con menos casos y muertes, aunque esta relación no es significativa a ningún
nivel ni temporalidad.
La intuición de esto ya se habı́a mencionado en la pregunta 4: es muy probable que el manejo de datos
que tiene una dictadura es distinto al de una democracia. De hecho, los autores del paper plantean
que su medida corrige por datos no transparentados (Hollyer y col., 2017), de manera que es útil para
corregir lo que ha sucedido con ciertos paı́ses.
10. Respuesta:
Como hemos visto, los resultados originales parecı́an esconder una serie de endogeneidades y variables
omitidas que regresiones más controladas corrigen. Con todo, no es posible establecer correlaciones
significativas en algunos casos, en particular respecto al efecto de la democracia sobre el desempeño de
la pandemia; aún más, no es posible establecer una causalidad clara respecto de las variables señaladas,
como se ha tratado con extensión anteriormente. Aún ası́, los resultados entregados en nuestra última
regresión, aunque no son robustos, pueden dar cuenta de la relación esperada: mayor desigualdad tiene
efectos negativos en el manejo de la pandemia, mientras que mayor democracia tiene efectos positivos
o nulos, si consideramos su significancia estadı́stica. Esto es coherente con lo que hemos ido tratando
anteriormente en el caso de la desigualdad, ya que se ha mostrado que los efectos de la pandemia no
son iguales para toda la población, en particular en términos de condiciones en el mercado laboral.
Finalmente, aunque se ha mostrado que mayor democracia tiene efectos positivos en casos y negativos
en muertes, esto no se refleja en nuestro análisis.

Página 11 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Referencias
Atkinson, A. B. (2007). Measuring top incomes: methodological issues. Top incomes over the twentieth
century: A contrast between continental European and English-speaking countries, 1, 18-42.
Flores, I., Sanhueza, C., Atria, J. & Mayer, R. (2020). Top incomes in Chile: A historical perspective on
income inequality, 1964–2017. Review of Income and Wealth, 66 (4), 850-874.
Haber, S. & Menaldo, V. (2011). Do natural resources fuel authoritarianism? A reappraisal of the resource
curse. American political science Review, 105 (1), 1-26.
Hollyer, J. R., Rosendorff, B. P. & Vreeland, J. R. (2017). Measuring transparency. Political Analysis, 22,
413-434.
Karabulut, G., Zimmermann, K. F., Bilgin, M. H. & Doker, A. C. (2021). Democracy and COVID-19
outcomes. Economics Letters, 203, 109840.
Larrañaga, O., Echecopar, B. & Grau, N. (2021). Una nueva estimación de la desigualdad de ingresos en
Chile. Serie de documentos de trabajo FEN Uchile.
Moore, J. C., Stinson, L. L. & Welniak, E. J. (2000). Income measurement error in surveys: A review. Journal
of Official Statistics-Stockholm-, 16 (4), 331-362.
Perugini, C. & Vladisavljevic, M. (2020). Social stability challenged: Pandemics, inequality and policy res-
ponses.

Página 12 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Anexos
Anexos pregunta 2.3

Figura 1: Contagios acumulados por millón de habitantes contra ı́ndice de democracia para los dı́as 100, 365
y 450.

Página 13 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Figura 2: Muertes acumuladas por millón de habitantes contra ı́ndice de democracia para los dı́as 100, 365
y 450.

Anexos pregunta 2.4

Página 14 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Figura 3: Contagios acumulados por millón de habitantes contra ı́ndice de Gini para los dı́as 100, 365 y 450.

Página 15 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Figura 4: Muertes acumuladas por millón de habitantes contra ı́ndice de Gini para los dı́as 100, 365 y 450.

Página 16 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Figura 5: Contagios acumulados por millón de habitantes contra ı́ndice 10/40 para los dı́as 100, 365 y 450.

Página 17 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Figura 6: Muertes acumuladas por millón de habitantes contra ı́ndice 10/40 para los dı́as 100, 365 y 450.

Página 18 de 19
 Microeconomı́a IV Universidad de Chile
Primavera 2021 Facultad de Economı́a y Negocios

Anexos pregunta 2.7

Análisis Econométrico: Modelo General
(1) (2) (3) (4) (5) (6)
VARIABLES Casos Muertes Casos Muertes Casos Muertes

gini 10.3 -0.9 839.5** 16.1** 1,076.2** 24.7**

(23.8) (2.4) (338.3) (7.3) (419.0) (9.9)
polity2 7.6 -2.6 458.1 9.1 626.2 16.9
(33.0) (3.6) (469.8) (10.3) (579.2) (13.6)
stringency index 4.3 0.6 121.0 5.5 -34.2 -4.0
(8.8) (0.9) (160.0) (3.9) (194.5) (4.6)
population density 0.4 0.1 5.7 0.0 -3.3 -0.1
(0.8) (0.1) (12.1) (0.3) (15.0) (0.4)
median age 125.9* 5.7 -368.0 17.8 -415.2 31.6
(74.4) (8.1) (1,068.0) (26.1) (1,347.9) (31.7)
aged 65 older -586.8* -32.7 -1,171.1 -19.1 -5,614.4 -34.6
(308.1) (31.1) (4,292.6) (92.9) (5,477.3) (129.0)
aged 70 older 501.4 49.7 3,901.8 36.3 11,670.5* 67.6
(377.0) (37.4) (5,261.7) (112.6) (6,675.5) (157.2)
gdp per capita 0.0*** 0.0 0.4* -0.0 0.3 -0.0
(0.0) (0.0) (0.2) (0.0) (0.2) (0.0)
extreme poverty -4.8 0.3 -318.5 -4.8 -527.7** -8.9
(15.5) (1.5) (208.3) (4.4) (256.6) (6.0)
cardiovasc death rate -0.9 -0.1 29.4 0.6 20.1 0.5
(1.8) (0.2) (25.5) (0.6) (31.4) (0.7)
diabetes prevalence -11.6 -4.4 -388.8 -11.4 197.8 3.0
(52.6) (5.4) (747.3) (16.1) (934.6) (22.0)
female smokers 72.7** 1.2 467.4 20.6** 758.2 31.3***
(27.5) (2.8) (388.8) (8.3) (483.7) (11.4)
male smokers -15.0 -1.5 -115.9 -8.6* -171.5 -8.7
(13.2) (1.5) (187.9) (4.6) (232.4) (5.5)
hospital beds per thousand -116.7 -15.1 -415.5 -4.1 -127.7 6.2
(87.6) (9.2) (1,228.0) (27.9) (1,559.9) (36.7)
Constant -1,380.0 -9.4 -29,506.6 -1,032.4* -21,660.7 -1,129.7
(1,960.4) (207.4) (26,240.2) (591.1) (32,544.3) (766.6)

Observations 85 78 85 83 85 85
R-squared 0.5 0.4 0.6 0.6 0.6 0.6
Dı́as 100 100 365 365 450 450
Controles Sı́ Sı́ Sı́ Sı́ Sı́ Sı́
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1

Página 19 de 19