Desigualdades Salariales: Impacto del Sobrepeso y la Obesidad el Mercado Laboral de

Ecuador

Resumen.

Este estudio realiza un análisis crítico para examinar la posible existencia de una brecha

salarial vinculada a los niveles de masa corporal, con un enfoque específico en las categorías

de Sobrepeso y Obesidad. Basándose en la definición de la Organización Mundial de la Salud

(OMS) y utilizando el índice de masa corporal (IMC) como indicador clave, el estudio busca

comprender la relación entre la condición física y las disparidades salariales. La investigación

de antecedentes revela la presencia global de la obesidad en el panorama económico, incluido

el contexto ecuatoriano. La investigación no sólo identifica potenciales brechas salariales

asociadas al peso, sino que también pretende contribuir a la formulación de políticas públicas

que integren salud, condición física y economía.

Abstract.

This study engages in a critical analysis to examine the potential existence of a wage

gap linked to body mass levels, with a specific focus on Overweight and Obesity categories.

Building upon the World Health Organization's (WHO) definition and utilizing the body mass

index (BMI) as a key indicator, the study seeks to understand the relationship between physical

condition and wage disparities. Background research reveals the global presence of obesity in

the economic landscape, including the Ecuadorian context. The research not only identifies

potential wage gaps associated with weight but also aims to contribute to the formulation of

public policies that integrate health, physical condition, and the economy.

Keywords

Brecha salarial, masa corporal, sobrepeso, obesidad, índice de masa corporal, mercado laboral,

desigualdad salarial, salud pública, políticas económicas, Ecuador.

1
1. Introducción.

En el contexto de la sociedad contemporánea, el presente trabajo se sumerge en un

análisis crítico para comprender la posible existencia de una brecha salarial en relación con

los niveles de masa corporal, centrándose especialmente en las categorías de Sobrepeso y

Obesidad. Este enfoque adquiere relevancia de la creciente preocupación sobre la

Obesidad, la cual no solo afecta el área de la salud, sino que también está influyendo en el

mercado laboral.

Como punto de partida, es esencial considerar la definición del sobrepeso y la obesidad

como una "acumulación anormal o excesiva de grasa que puede ser perjudicial para la

salud" (Organización Mundial de la Salud, 2021). Esta conceptualización, respaldada por

el índice de masa corporal (IMC) como indicador clave de la relación entre peso y talla en

adultos, establece el marco para abordar la relación entre la condición física y la brecha

salarial que este estudio busca explorar.

Los antecedentes revelan que la Obesidad no reconoce fronteras y ha marcado su

presencia en el escenario económico mundial, encontrándose también en la realidad

ecuatoriana. En este contexto, la investigación se orienta a examinar la posible vinculación

entre la presencia de sobrepeso u obesidad y una disparidad salarial. La hipótesis sugiere

que existe una relación entre la masa corporal y la brecha salarial, planteando la premisa

de que las condiciones físicas, específicamente el exceso de peso, podrían influir en las

oportunidades laborales y remuneración.

En el contexto ecuatoriano, este estudio no solo pretende identificar la existencia de una

brecha salarial asociada al sobrepeso y la obesidad, sino también informar sobre un

problema que trasciende lo meramente económico. La investigación además de

proporcionar indicadores sobre la desigualdad salarial basada en condiciones físicas,

también podría sentar las bases para futuras políticas de regulación salarial y medidas de

2
 salud pública. Al integrar conceptos del área de la salud, la condición física y la economía,

se aspira a generar una contribución significativa que respalde la formulación de políticas

públicas integrales.

2. Antecedentes.

En los últimos años, la relación entre salud y el ámbito laboral han sido de interés, parte

fundamental del cuidado personal es el apartado del peso. la obesidad es un problema

multifactorial de preocupación global, lo que conlleva a que, además de implicaciones médicas,

surja situaciones difíciles en el ámbito laboral.

históricamente se ha intentado comprender la dinámica de los salarios, con el tiempo

nuevas teorías han ido surgiendo, agregando nuevas variables que determinen el valor de los

salarios, la edad, estado civil y en estudios contemporáneos variables que se asocien al aspecto

físico, en los últimos estudios un factor que ha recibido atención creciente es el ICM, el índice

de masa corporal, que se aleja del modelo clásico, establecido entre el nivel educativo,

experiencia y variables típicas, sin embargo, pocos estudios han profundizado en la relación

entre el IMC y la brecha salarial.

Según (LLAMAZARES, 2015) la obesidad se considera como un factor de riesgo en la

salud de la población y sus resultados muestran que el IMC influye sobre la situación laboral

de los hombres y mujeres en España. este fenómeno medico no es ajeno a la realidad

ecuatoriana, lo que enfatiza en la necesidad de investigaciones específicas sobre la relación del

IMC y las diferencias salariales, en la revisión de la literatura, encontramos documentos que

analizan esta problemática para el mercado ecuatoriano, según …. concluyen que para 2012,

“a mayor estatura, peso o índice de masa corporal se obtienen mayores diferencias. Estos

resultados son consistentes incluso cuando se diferencian por género, área geográfica y nivel

educativo”.

3
 El presente trabajo parte de la hipótesis de la existencia de diferencias salariales y el IMC

que nos muestran otras investigaciones, además de contribuir como base de futuras

investigaciones que relacionen aspectos económicos y condiciones físicas. Otros aspectos a

considerar en análisis de este tipo son las regulaciones salariales y políticas de salud públicas.

En el contexto ecuatoriano, este análisis puede resultar útil para establecer las bases para

estrategias de intervención y regulación en diferentes campos, por lo que tiene un enfoque

multidisciplinario y contribuye socialmente, siempre es importante aclarar la complejidad de

analizar áreas completamente distintas como son la salud y el empleo.

3. Marco teórico.

Jacob Mincer en 1974 a través de su modelo, que el nivel salarial está influenciado por

el nivel educativo y la experiencia, tomando en cuenta otras características (Cardozo,

2005). La ecuación de Mincer ha sido ampliamente empleada en la literatura gracias a su

facilidad de aplicación y su capacidad para generar resultados coherentes en diversos

conjuntos de datos.

Entre las aplicaciones más significativas se encuentra la estimación de la discriminación en

el sector laboral debido a diferencias raciales o de género. Un ejemplo de ello es el estudio

de Sidon y Morones (2021), que analiza la discriminación salarial por género en un sector

específico de México. Por lo tanto, podemos observar que, al modificar el modelo, podemos

comprender mejor el comportamiento de los mercados.

El propósito de este modelo es explicar el logaritmo del salario en relación con variables

como la edad, el género, la educación y, particularmente en el contexto de nuestro estudio,

el Índice de Masa Corporal.

ln 𝑊𝑖𝑗 = 𝑋𝑖𝑗′ 𝛽𝑗 + 𝜈𝑖𝑗 [𝟏]

ln 𝑊𝑖𝑗 = 𝐸𝑙 𝑠𝑎𝑙𝑎𝑟𝑖𝑜 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑖 𝑞𝑢𝑒 𝑝𝑒𝑟𝑡𝑒𝑛𝑒𝑧𝑐𝑎 𝑎𝑙 𝑔𝑟𝑢𝑝𝑜 𝑗

4
 ′
𝑋𝑖𝑗 = 𝑉𝑒𝑐𝑡𝑜𝑟 𝑞𝑢𝑒 𝑚𝑖𝑑𝑒 𝑙𝑎𝑠 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎

𝛽𝑗 = 𝑉𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠

𝜈𝑖𝑗 = 𝑇é𝑟𝑚𝑖𝑛𝑜 𝑑𝑒 𝑒𝑟𝑟𝑜𝑟

La ecuación (1) se interpreta como semilogarítmica y se estima mediante mínimos

cuadrados ordinarios (MCO). Debemos tener en cuenta que este modelo presenta

limitaciones, siendo una de ellas el sesgo de selección de Heckman. Esto se debe a que la

muestra, al considerar exclusivamente a los trabajadores activos, introduce una distorsión

al excluir a los desempleados o a aquellos individuos que optan por no participar en el

mercado laboral. Esta exclusión puede resultar en estimadores sesgados en el análisis,

afectando la validez de los resultados obtenidos (Buenaño,2018).

Para abordar esta problemática, se sugiere la aplicación del procedimiento propuesto

por Heckman, que tiene como objetivo obtener la probabilidad de ingresar al mercado

laboral a través de un vector de variables influyentes y corregir el sesgo que podría

presentarse en la ecuación [1]. No obstante, debido a las limitaciones en este curso, no se

podrá implementar dicha solución. Por lo tanto, el sesgo de selección de Heckman se

convierte en un elemento crítico a considerar al interpretar los hallazgos de este estudio.

Una crítica adicional al modelo es su simplicidad, ya que no logra capturar

completamente las características de la población. Sin embargo, a pesar de esta limitación,

el modelo persiste como un punto de partida valioso para la generación de modelos más

complejos. De hecho, la comprensión de los determinantes de los ingresos desempeña un

papel crucial en la formulación de políticas que desarrollen estrategias destinadas a

fomentar la riqueza, aliviar la pobreza y, en última instancia, encaminar a los países hacia

el crecimiento.

5
4. Marco empírico.

El siguiente apartado busca el pleno entendimiento de los procesos econométricos,

teóricos y matemáticos usados para cumplir con el objetivo del presente artículo de

investigación.

A continuación, se justifica el uso de la fuente secundaria como base para el análisis.

Se usó la Encuesta Nacional de Salud y Nutrición realizada por la INEC en el año 2018 siendo

ésta la última encuesta realizada con la finalidad de actualizar la información sobre salud,

nutrición, ingresos etc. La encuesta ENSANUT se considera una fuente de información

confiable al ser presenta por la principal encuestadora del Ecuador, además de considerar

información de las 24 provincias y 9 zonas de planificación determinadas por la SENPLADES

(Secretaría nacional de Planificación y Desarrollo). La base de datos nos ofrece una muestra

nutrida constituida por 168747 registros en 576 variables, hay que recalcar que esta es la

información antes de delimitar nuestra muestra para el análisis. Los datos son de corte

transversal ya que corresponden a un único periodo (2108).

En este estudio se usó el software STATA como herramienta para el tratamiento,

estimación y análisis de los datos, se eligió este software ya que tiene una amplia variedad de

comandos que facilitan el tratamiento de los datos, así mismo cuenta con un amplio catálogo

de métodos de estimación para modelos econométricos que nos permiten cumplir con el

propósito de esta investigación, consideramos a STATA como una herramienta que aporta

confiabilidad y eficiencia en el análisis por lo que fue fundamental en la construcción del

modelo y la obtención de resultados.

Las variables utilizadas en el modelo se describen en la siguiente Tabla que nos

facilitará su análisis y comprensión.

6
Buscamos explicar las variaciones en el salario ya que consideramos fundamental una

evaluación de la discriminación en el ámbito laboral, la cual se ve expresada en

VARIABLE NOMBRE DE LA CODIFICACIÓN DESCRIPCIÓN

VARIABLE
Es una variable categórica binaria
SEXO Sexo Sexo_recode 0=Hombre
1=Mujer
Es una variable numérica, mide en años la edad de los
F1_S2_3_1 Edad edad_EA encuestados.

EDAD2 Edad2 Representa la experiencia

Edad2

Años de escolaridad Es una variable numérica que representa los años de

ESCOLARIDA Escolaridad escolaridad
D
Afiliación o Es una variable categórica binaria que representa si el
F1_S2_8_1 aseguramiento al Asegurado encuestado está asegurado.
IESS 0= No está asegurado
1= Si está Asegurado
Área de localización Es una variable categórica binaria de pertenencia al
ÁREA o Espacio Área área Urbana o Rural
Habitacional 0= Rural
1=Urbana
Identificación Es una variable numérica discreta que representa la
ETNIA indígena Etnia identificación étnica del encuestado.

F1_S3_18 Ingreso laboral Salario / slr_depurado Esta variable es una variable numérica (variable
dependiente) nos indica el salario percibido por los
encuestados pertenecientes a la PEA.
LNSALARIOS Logaritmo natural del Esta variable es una variable numérica resultado de
ingreso LnSalarios logaritmizar la variable slr_depurado
laboral(salario)
F1_S7_6_1 Talla Es una variable numérica usada para el cálculo del
Talla IMC.

F1_S7_4_1 Peso Es una variable numérica usada para el cálculo del

Peso IMC.

NVIMC Nivel de Índice de NVIMC Es una variable categórica que nos indica los niveles
Masa corporal para la masa corporal estos son
0= Peso Normal
1=Sobrepeso
2= Obesidad
N_NVIMC Niveles de índice de N_NVIMC Esta es una variable categórica binaria que nos indica
masa corporal los niveles de índice de masa corporal basándonos en
recodificado el anterior
0=Peso Normal
1=Obesidad
Tabla 1

7
diferencias salariales entre trabajadores siendo esta discriminación entre salarios uno de los

principales problemas en la sociedad y frente al cual han surgido múltiples luchas. Mediante la

Gráfica N°1 podemos comprobar la variedad de ingresos presentes en el grupo de muestra.

Gráfica 1

La constitución del Ecuador plantea frente a la diferenciación salarial lo siguiente

“Art. 79.- Igualdad de remuneración. - A trabajo igual corresponde igual remuneración, sin

discriminación en razón de nacimiento, edad. sexo, etnia, color, origen social, idioma, religión,

filiación política, posición económica, orientación sexual, estado de salud, discapacidad, o diferencia

de cualquier otra índole; más, la especialización y práctica en la ejecución del trabajo se tendrán en

cuenta para los efectos de la remuneración.” (Código del Trabajo,2005-017, reformado 2020,

(Ecuador))

La variable explicativa o regresora principal en la cual centraremos nuestro análisis en

este articulo investigativo será el Nivel de Índice de Masa corporal. Buscamos comprobar si se

presenta la existencia de una brecha salarial dados los niveles de Masa corporal siendo las

categorías Sobrepeso y Obesidad las que tienen una especial atención ya que como se planteó

en los antecedentes la Obesidad ha representado un problema en el mercado mundial y Ecuador

no se ha quedado atrás, la comprobación de esta Hipótesis nos daría un indicio de un grave

problema en la brecha laboral por condiciones físicas, y podría servir como base para próximas

políticas de regulación salarial así como políticas de salud públicas las cuales no solo buscaran

8
disminuir la brecha salarial en este sector social que va aumentando conforme aumenta la edad

como lo muestra la gráfica N°2. , sino que también nos ayudara buscar soluciones para el

aumento o exceso de masa corporal que de cumplirse la hipótesis antes expuesta no solo

representa un problema en el ámbito de salud sino que también representará un problema en el

mercado laboral.

PORCENTAJE DE NIVEL DE MASA CORPORAL SEGUN LA

EDAD
NIVEL DE MASA CORPORAL

100%

50%

0%
15-19 20-24 25-29 30-34 35-39 40-44 45-49 50-54 55-59 60-64 65-70
EDAD
Sobrepeso Peso normal Obesidad

Gráfica 2

Escogimos como medición el IMC ya que según la OMS “El IMC proporciona la

medida más útil del sobrepeso y la obesidad en la población, pues es la misma para ambos

sexos y para los adultos de todas las edades” (OMS,2021). En el cálculo del IMC intervienen

otras dos variables numéricas que nos proporciona la base de datos, estas variables son talla y

peso.

𝑃𝑒𝑠𝑜
𝐼𝑀𝐶 = (𝑇𝑎𝑙𝑙𝑎)2 [2]

La variable sexo es también una variable fundamental en el modelo, y clave para su

interpretación, se debe tener en cuenta que esta variable binaria nos ayuda también a tener una

idea de la brecha salarial existente e histórica entre hombres y mujeres. Los hombres y mujeres

9
han tenido históricamente salarios diferentes, aunque el rol que realicen sea el mismo, es por

eso por lo que nos parece pertinente incluirla.

La variable asegurado nos permite delimitar a los encuestados entre aquellos que pertenecen al

sector formal del mercado laboral, esta variable es pertinente ya que facilita la construcción del

modelo en la selección de individuos, el análisis para aquellos que pertenecen al sector informal

será distinto al no percibir un salario fijo, y este no cuenta ni siquiera con un mínimo

establecido, por lo que la diferenciación salarial estará presente y será crucial para explicar las

variaciones en la variable dependiente.

Se considera a la variable etnia importante para ser incluida en el modelo ya que

Ecuador al ser un país multiétnico y pluricultural ha presentado índices de pobreza

considerablemente más altos en grupos étnicos minoritarios con respecto a quienes se

consideran y son parte de un grupo mayoritario. (J. Pumisacho, 2010).

Según la organización internacional del trabajo (OIT), existe un porcentaje más alto

de pobreza dentro de un grupo étnico históricamente rezagado que aquel grupo que es mayoría

en cualquier País, es por eso que en Ecuador se han propuesto diversas políticas de inclusión

que fomentan la participación en el mercado laboral de todos los individuos de la sociedad

independientemente de la etnia. Alicia Bárcena secretaria ejecutiva de la Comisión Económica

para América Latina y el Caribe (CEPAL) señala que Ecuador y Bolivia son los países que han

presentado mayores avances en políticas a favor de los pueblos indígenas. (Barcena, 2018).

La variable categórica Area representa una clasificación de los individuos entre el sector

urbano y Rural, la inclusión de esta variable nos parece pertinente ya que según lo menciona

la Organización Internacional del Trabajo (OIT) en el 2014 más de 52 millones de trabajadores

de las poblaciones rurales América Latina y el Caribe se encontraban en una situación de

10
empleo vulnerable caracterizada por una precariedad en el nivel de salario que percibían y con

una protección social muy débil (OIT,2014).

Las tasas de pobreza en las zonas rurales son tres veces superiores que la pobreza en las

zonas urbanas (CEPAL,2019). En nuestro grupo de estudio, la población ubicada en la zona

rural constituye el 32.52% del total de la muestra, un porcentaje considerable que justifica su

análisis detallado (véase Anexo N°1)

La variable escolaridad es una variable fundamental en la explicación del salario, ya

que se considera una medida clave del capital humano, existen varias teorías que respaldan el

uso de esta variable, su inclusión se ha estudiado y discutido desde la economía clásica con

Adam Smith (1776), para luego en el siglo XX y XXI se amplie su conceptualización.

Mincer cuya ecuación es un aporte fundamental en el desarrollo del Modelo usado en

esta investigación junto a Schultz plantean en 1958 y 1959 respectivamente que la inversión

en educación contribuye a un aumento en el valor agregado que resulta en un flujo de ingresos

superior en el futuro (Quintero Montaño,2020).

La inclusión de la variable edad2 que representa una variable numérica resultado de la

edad al cuadrado tiene su fundamentación también en la teoría del capital Humana, se plantea

que la experiencia laboral y los ingresos más que tener una relación lineal tienen una relación

cuadrática, es decir, a medida que aumenta la experiencia aumentan los ingresos, sin embargo,

con la vejez la relación se invierte. Esta idea se planteó principalmente con Gary Becker quien

establece que la experiencia laboral contribuye en el desarrollo de habilidades que aumentan

la productividad y como consecuencia los ingresos (Becker, 1964), Mincer especifica que los

ingresos son una función de la experiencia y la educación reconociendo que la relación entre

experiencia e ingresos puede ser no lineal y que la tasa de crecimiento de los ingresos

disminuya conforme los individuos envejecen (Mincer, 1958).

11
 Previo al planteamiento del modelo se hizo una limpieza de los datos que nos permitirá

eliminar datos atípicos, estos datos atípicos podrían causar problemas en el análisis y

conclusiones del estudio, el análisis de los datos atípicos se hizo sobre las variables métricas

como el ingreso, la edad y talla.

Se usan datos solo de aquellos que pertenecen a la Población Económicamente Activa

(PEA) reduciendo nuestros datos a 35728 datos.

Se eliminan también aquellos individuos que muestran ausencia de valores en las

variables como talla e ingreso. Los datos totales luego de la depuración son 31110.

DESARROLLO DEL MODELO

Antes de plantear el modelo debemos tener ciertas consideraciones sobre la elección

del mejor modelo para explicar la relación entre el salario y las variables consideradas.

Inicialmente se plantean 3 modelos con la estructura de la ecuación de Mincer:

• Regresion1

𝑠𝑙𝑟_𝑑𝑒𝑝𝑢𝑟𝑎𝑑 = 𝛽0 + 𝛽1𝑠𝑒𝑥𝑜_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽2 𝑁𝑉𝐼𝑀𝐶 + 𝛽3 𝑒𝑑𝑎𝑑_𝐸𝐴 +

𝐵4 𝑒𝑠𝑐𝑜𝑙𝑎𝑟𝑖𝑑𝑎𝑑 + 𝛽5 𝑎𝑟𝑒𝑎_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽6 𝑒𝑡𝑛𝑖𝑎 + 𝛽7 𝐺 [3]

• Regresión2

𝑙𝑛(𝑆𝑎𝑙𝑎𝑟𝑖𝑜𝑠) = 𝛽0 + 𝛽1 𝑠𝑒𝑥𝑜_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽2 𝑁𝑉𝐼𝑀𝐶 + 𝛽3 𝑒𝑑𝑎𝑑_𝐸𝐴 +

𝐵4 𝑒𝑠𝑐𝑜𝑙𝑎𝑟𝑖𝑑𝑎𝑑 + 𝛽5 𝑎𝑟𝑒𝑎_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽6 𝑒𝑡𝑛𝑖𝑎 + 𝛽7 𝑎𝑠𝑒𝑔𝑢𝑟𝑎𝑑𝑜 [4]

• Regresión3:

𝑙𝑛(𝑆𝑎𝑙𝑎𝑟𝑖𝑜𝑠) = 𝛽0 + 𝛽1 𝑠𝑒𝑥𝑜_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽2 𝑁𝑉𝐼𝑀𝐶 + 𝛽3 𝑒𝑑𝑎𝑑_𝐸𝐴 + 𝐵4 𝑒𝑑𝑎𝑑2 +

𝛽5 𝑒𝑠𝑐𝑜𝑙𝑎𝑟𝑖𝑑𝑎𝑑 + 𝛽6 𝑎𝑟𝑒𝑎_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽7 𝑎𝑠𝑒𝑔𝑢𝑟𝑎𝑑𝑜 [5]

A partir de un análisis de modelos en competencia basándonos en el valor mínimo de

los criterios AIC(Akaike) y BIC (Bayesian Information Criterion), obteniendo valores de

12
52970.83 y 53045.94, respectivamente, se seleccionó la tercera regresión como el modelo que

ofrece el ajuste óptimo. (véase el anexo N° 2)

En el modelo seleccionado podemos ver que se omite la variable etnia ya que no es una

variable significativa en el modelo de acuerdo los resultados obtenidos por la regresión 2(véase

el Anexo N°3) su P-value es 0.412 con el cual podemos rechazar la hipótesis de significancia

individual.

𝐻0 : 𝛽6 = 0
𝐻1 : 𝛽6 ≠ 0

Modelo seleccionado:

𝑙𝑛(𝑆𝑎𝑙𝑎𝑟𝑖𝑜𝑠) = 𝛽0 + 𝛽1 𝑠𝑒𝑥𝑜_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽2 𝑁𝑉𝐼𝑀𝐶 + 𝛽3 𝑒𝑑𝑎𝑑_𝐸𝐴 + 𝐵4 𝑒𝑑𝑎𝑑2 +

𝛽5 𝑒𝑠𝑐𝑜𝑙𝑎𝑟𝑖𝑑𝑎𝑑 + 𝛽6 𝑎𝑟𝑒𝑎_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽7 𝑎𝑠𝑒𝑔𝑢𝑟𝑎𝑑𝑜 [6]

Podemos comprobar cómo se plantea en la ecuación de Mincer que el modelo que mejor

captura las variaciones en la variable dependiente es aquel cuyo salario se usa en logaritmos.

Discusión de resultados:

A continuación, presentaremos una breve discusión de los resultados obtenidos al correr

el modelo seleccionado en la sección anterior, así como la comprobación de supuestos, pruebas

de hipótesis e interpretaciones.

Se usa el método MCO para la estimación de los coeficientes ya que es un método que

nos permite obtener estimaciones insesgadas y de varianza mínima, también facilita la

interpretación de las estimaciones resultantes.

13
 Al correr la regresión se obtuvieron los siguientes resultados:

Resultados de la regresión

Linear Regression
Number of obs = 31110 F(8,3110) = 2703.42 R-squared = 0,4102 Root MSE = 0.56881
lnSalarios Coefficient std. err. t P>|t| [95% conf. Interval]
sexo_recode -0.2103576 0.0068606 30.66 0 -0.2238047 -0.1969104
Sobrepeso 0.0179398 0.0073933 2.43 0.015 0.0034486 0.032431
Obesidad 0.0106174 0.0092808 1.14 0.253 -0.0075734 0.0288082
edad_EA 0.0517496 0.0016961 30.51 0 0.0484252 0.0550739
edad2 -0.0005654 0.0000211 -26.84 0 -0.0006067 -0.0005241
escolaridad 0.0593294 0.0008241 71.99 0 0.057714 0.0609447
area_recode 0.1348464 0.0071747 18.79 0 0.1207837 0.148909
asegurado 0.4957339 0.0072042 68.81 0 0.4816133 0.5098545
_cons 3.875.712 0.0317761 121.97 0.0000 381.343 3.937.995
Tabla 2

𝑙𝑛(𝑆𝑎𝑙𝑎𝑟𝑖𝑜𝑠) = 3.875712 − 0.2103576𝑠𝑒𝑥𝑜𝑟𝑒𝑐𝑜𝑑𝑒 + 0.018𝑁𝑉𝐼𝑀𝐶(𝑠𝑜𝑏𝑟𝑒𝑝𝑒𝑠𝑜) +

0.011𝑁𝑉𝐼𝑀𝐶(𝑜𝑏𝑒𝑠𝑖𝑑𝑎𝑑) + 0.052𝑒𝑑𝑎𝑑𝐸𝐴 − 0.0006𝑒𝑑𝑎𝑑2 + 0.05933𝑒𝑠𝑐𝑜𝑙𝑎𝑟𝑖𝑑𝑎𝑑 +

0.134864𝑎𝑟𝑒𝑎_𝑟𝑒𝑐𝑜𝑑𝑒 + 0.495733𝑎𝑠𝑒𝑔𝑢𝑟𝑎𝑑𝑜 [7]

• Según los resultados podemos concluir que la mediana del salario de una trabajadora es

menor a la mediana del salario percibido por un trabajador en 18.97% manteniendo todo lo

demás constante. Llegamos a este porcentaje mediante la formula:

(𝑒 𝛽2 − 1) × 100 [8]

• Podemos concluir que para el caso del ecuador el nivel de masa corporal tiene una relación

positiva con el salario, en el caso del sobrepeso el salario diferencial con respecto a la

categoría base (peso normal) es 19.64% y para el caso de la obesidad es 11.20%,

manteniendo todo lo demás constante. Estos resultados no son consistentes con la teoría

planteada con anterioridad, las causas de estos resultados se pueden deber por las

14
 limitaciones que presenta la ecuación de Mincer. Como ya se mencionó en el apartado

anterior puede haber un problema de sesgo de selección, puede presentarse la exclusión de

ciertos grupos de personas con obesidad de manera que la muestra presente un sesgo y

provocando que no se cumpla con la relación esperada. Además, podría haber interacciones

con otras variables que no han sido identificadas. Estas dificultades por las limitaciones del

curso no se resolverán en el presente artículo.

• Para el caso de la variable edad podemos concluir que cuando aumenta la edad en 1 unidad

el salario incrementa en 5.18% manteniendo todo lo demás constante, en este caso si se

comprueba la teoría del capital humano que nos explica que a mayor edad se espera que los

individuos perciban un salario más alto.

• Analizamos el caso de la experiencia con la variable edad2, esta variable tiene una relación

negativa con el salario, sin embargo, su impacto en el salario no es fuerte. En la ecuación

de Mincer esta variable representa la experiencia laboral por lo que se espera que si bien

en un inicio la relación sea positiva conforme pasan los años esta tasa vaya disminuyendo.

Para nuestro caso el salario responde negativamente en 0.056% al aumento de una unidad

adicional de la variable, manteniendo todo lo demás constante.

• Para el caso de escolaridad se cumple con la relación esperada, hay una relación positiva

entre los años de escolaridad del individuo y el ingreso percibido, por un año adicional de

escolaridad se espera que el Ingreso aumente 5.93% manteniendo todo lo demás constante.

• En el caso de la brecha salarial en función del área también se comprueba. Si el individuo

pertenece a una zona urbana espera percibir un salario mayor en 14.44% al salario que

percibe quien se encuentra en una zona rural.

• En el caso de la variable asegurado que la identificamos como una variable que revela si el

individuo pertenece al sector formal o no, confirmamos que si el individuo se encuentra

15
 asegurado espera percibir un salario mayor en 64.1762% con respecto a la variable base

(no asegurado).

Podemos inferir que el modelo empleado representa un buen ajuste a las variaciones del

salario explicadas por las variables independientes ya que su 𝑅̅ 2 es de 41.00% siendo este valor

lo suficientemente alto como para concluir que el modelo explica el 41% de las variaciones en

la variable dependiente.

Mediante el análisis a priori podemos empezar a detectar la presencia de multicolinealidad,

empezamos analizando el 𝑅̅ 2 y los P-value de cada variable para de esa manera concluir si las

variables son significativas o no, sabiendo que hemos comprobado que el ajuste es bueno, en

caso de que las variables no sean significativas podríamos estar frente a un caso de

multicolinealidad

Las hipótesis que buscamos comprobar son los test de significancia individual:

16
 PRUEBAS DE SEGNIFICANCIA INDIVIDUAL

𝑯𝟎 : 𝜷 𝟐 = 𝟎 𝑯𝟎 : 𝜷𝟑 (𝒔𝒐𝒃𝒓𝒆𝒑𝒆𝒔𝒐) = 𝟎
𝑯𝟏 : 𝜷 𝟐 ≠ 𝟎 𝑯𝟏 : 𝜷𝟑 (𝒔𝒐𝒃𝒓𝒆𝒑𝒆𝒔𝒐) ≠ 𝟎

Para la variable sexo_recode el P-Value es Para la variable NVIMC (sobrepeso) el P-

0.0000 por lo que R.Ho Value es 0.015 por lo que R.Ho a un α=5%

𝑯𝟎 : 𝜷𝟒 (𝑶𝒃𝒆𝒔𝒊𝒅𝒂𝒅) = 𝟎 𝐻0 : 𝛽5 = 0
𝑯𝟏 : 𝜷𝟒 (𝑶𝒃𝒆𝒔𝒊𝒅𝒂𝒅) ≠ 𝟎 𝐻1 : 𝛽5 ≠ 0

Para la variable NVIMC(Obesidad) el P- Para la variable edad_EA el P-Value es 0.0000

Value es 0.253 por lo que No R.Ho por lo que R.Ho

𝑯𝟎 : 𝜷 𝟔 = 𝟎 𝑯𝟎 : 𝜷 𝟕 = 𝟎
𝑯𝟏 : 𝜷 𝟔 ≠ 𝟎 𝑯𝟏 : 𝜷 𝟕 ≠ 𝟎

Para la variable edad2 el P-Value es Para la variable escolaridad el P-Value es

0.0000 por lo que R.Ho 0.0000 por lo que R.Ho

𝑯𝟎 : 𝜷 𝟖 = 𝟎 𝑯𝟎 : 𝜷 𝟗 = 𝟎
𝑯𝟏 : 𝜷 𝟖 ≠ 𝟎 𝑯𝟏 : 𝜷 𝟗 ≠ 𝟎

Para la variable area_recode el P-Value es Para la variable asegurado el P-Value es

0.0000 por lo que R.Ho 0.0000 por lo que R.Ho

Tabla 3

Concluimos que todas las variables son estadísticamente significativas con excepción de la

variable 𝛽4 la cual representa la categoría del Nivel de Masa corporal-Obesidad.

Para comprobar la Multicolinealidad podemos hacer uso del comando collin presente en el

catálogo de STATA, este comando nos permite obtener el FIV para cada una de las variables,

así como el índice de Condición.

17
A continuación, presentamos los resultados:

Variable VIF R Squared Eigenval Cond-Index

sexo_recode 1.05 1.02 0.047 5.2941 1
NVIMC 1.06 1.06 0.0542 0.5787 3.0245
edad_EA 1.13 1.13 0.115 0.4235 3.5356
escolaridad 1.35 1.16 0.2618 0.3425 3.9318
area_recode 1.09 1.05 0.0855 0.2178 4.9307
asegurado 1.23 1.23 0.1859 0.1127 6.855
Mean VIF 1.15 0.0307 13.1236
Tabla 4

Los datos nos indican que las variables presentan un numero de condición entre 0 y 100

y además el FIV es menor a 10 por lo que concluimos que la multicolinealidad es leve.

La comprobación de supuestos es parte fundamental en el desarrollo del modelo ya que

nos permite validar los resultados del análisis de regresión y de esta manera se fortalece la

confianza en la inferencia y conclusiones obtenidas en base a los resultados.

Comenzaremos en análisis comprobando la distribución normal de los errores, este

análisis lo hacemos mediante dos pruebas estadísticas Shapiro Wilk y Jarque Bera, adicional a

estas pruebas también haremos un análisis gráfico, el primero será un gráfico de densidad el

cual compra la distribución de los errores con la distribución normal y el segundo será un

gráfico Q-Q el cual nos indica que los errores siguen una distribución normal al aproximarse a

la recta.

Las hipótesis para las pruebas de normalidad son:

𝐻0 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑠𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙

𝐻1 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑛𝑜𝑠 𝑠𝑖𝑔𝑢𝑒𝑛 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙

Los resultados de las pruebas de normalidad (véase el anexo N°4) nos indican que rechazamos

la hipótesis nula ya que el P-value es de 0.00000, es decir, los errores no siguen una distribución

normal, esto ocasiona que las estimaciones estén sesgadas. La causa de este sesgo se debe como

ya se mencionó con anterioridad al sesgo por selección de variables.

18
Con el Grafico N° 3 y N° 4 vamos a comprobar la no normalidad de los errores.

Gráfica 3 Gráfica 4

El siguiente supuesto que buscamos comprobar es la homocedasticidad

𝐻0 : 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
𝐻1 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑

Mediante el comando estat hettest podemos obtener la prueba de Breusch-Pagan que

busca comprobar mediante un estadístico chi-cuadrado si la varianza de los errores es

constante, en este caso en base a los resultados obtenidos (véase el anexo N°5) concluimos que

los errores no tienen una varianza constante ya que el prob>chi2 es 0.0000 por lo que

Rechazamos la Hipótesis Nula, es decir, tenemos heterocedasticidad. El no cumplimiento de

este modelo y su resolución están fuera del alcance de este articulo por lo que no se tratara de

resolver la heterocedasticidad.

A continuación, buscamos comprobar la especificación del modelo mediante una

prueba de RESET RAMSEY, esta prueba busca detectar la posible omisión de variables que

en caso de suceder estaremos frente a un error de especificación. El estadístico usado en esta

prueba es un estadístico F cuyos resultados (véase el Anexo N°6) nos indican que nuestro

modelo presenta un error de especificación (Prob > F = 0.0000), es decir, podemos estar

19
omitiendo variables relevantes en el modelo. El error de especificación es también una

consecuencia del sesgo por selección de variables que tiene la ecuación de Mincer.

Para fines analíticos buscamos comprobar una última hipótesis, buscamos comprobar

si hay una diferencia significativa entre las categorías obeso y sobrepeso, ya que en el resultado

anterior al correr la regresión seleccionada se comprobó que una de las categorías no era

estadísticamente significativa.

𝐻0 : 𝛽3 (𝑠𝑜𝑏𝑟𝑒𝑝𝑒𝑠𝑜) − 𝛽4 (𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑) = 0
𝐻1 : 𝛽3 (𝑠𝑜𝑏𝑟𝑒𝑝𝑒𝑠𝑜) − 𝛽4 (𝑂𝑏𝑒𝑠𝑖𝑑𝑎𝑑) ≠ 0

Los resultados obtenidos (véase el anexo N°7) nos indican que No Rechazamos la Hipótesis

nula por lo que concluimos que las dos categorías no presentan una diferencia estadísticamente

significativa, al comprobar esta hipótesis podremos recodificar la variable Nivel de masa

corporal para formar la variable categórica binaria N_NVIMC cuyas categorías son (0=Peso

Normal, 1=Obesidad) al obtener esta nueva variable podemos plantear un nuevo modelo:

𝑙𝑛(𝑆𝑎𝑙𝑎𝑟𝑖𝑜𝑠) = 𝛽0 + 𝛽1 𝑠𝑒𝑥𝑜_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽2 𝑁_𝑁𝑉𝐼𝑀𝐶 + 𝛽3 𝑒𝑑𝑎𝑑_𝐸𝐴 + 𝐵4 𝑒𝑑𝑎𝑑2 +

𝛽5 𝑒𝑠𝑐𝑜𝑙𝑎𝑟𝑖𝑑𝑎𝑑 + 𝛽6 𝑎𝑟𝑒𝑎_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽7 𝑎𝑠𝑒𝑔𝑢𝑟𝑎𝑑𝑜 [9]

Luego de plantear el modelo podemos correr nuevamente la regresión cuyos resultados

son:

Linear Regression
Number of obs = 31110 F(8,3110) = 2703.42 R-squared = 0,4102 Root MSE = 0.56881
lnSalarios Coefficient std. err. t P>|t| [95% conf. Interval]
sexo_recode -0.2103576 0.0068425 -30.80 0.000 -.2241854 -0.1969104
N_NVIMC .0157797 0.0069268 2.28 0.023 .0022029 0.032431
edad_EA .0516932 0.0016947 30.50 0 .0483714 0.0550739
edad2 -.0005648 0.0000211 -26.83 0 -.0006061 -0.0005241
escolaridad .0593418 0.000824 72.02 0 .0577268 0.0609447

area_recode .1346265 0.0071698 18.78 0 .1205734 0.148909

asegurado .4957785 0.007204 68.82 0 .4816584 0.5098545

_cons 3.877.016 0.0317376 122.16 0.0000 3.814.809 3.937.995
Tabla 5

20
 Los resultados no presentan cambios significativos más que en la variable N_NVIMC

que es nuestra variable de interés, la estimación nos indica que hay una relación positiva entre

el salario y el diferencial salarial de una persona obesa con respecto a la categoría base (Peso

normal), la mediana del salario es 1.58% mayor que en el caso de una persona con peso normal.

Como se explicó antes la relación no cumple con la teoría esperada, sin embargo, si analizamos

una regresión con interacción podríamos tener una visión más amplia y profunda sobre la

brecha salarial en el Nivel de Masa corporal junto con otra variable de carácter discriminante,

para esta interacción hemos escogido la variable sexo_recode, a continuación, planteamos el

modelo:

𝑙𝑛(𝑆𝑎𝑙𝑎𝑟𝑖𝑜𝑠) = 𝛽0 + 𝛽1 𝑠𝑒𝑥𝑜𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽2 𝑁𝑁𝑉𝐼𝑀𝐶 + 𝛽3 𝑁𝑁𝑉𝐼𝑀𝐶 𝑆𝑒𝑥𝑜𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽4 𝑒𝑑𝑎𝑑_𝐸𝐴 +

𝐵5 𝑒𝑑𝑎𝑑2 + 𝛽6 𝑒𝑠𝑐𝑜𝑙𝑎𝑟𝑖𝑑𝑎𝑑 + 𝛽7 𝑎𝑟𝑒𝑎_𝑟𝑒𝑐𝑜𝑑𝑒 + 𝛽8 𝑎𝑠𝑒𝑔𝑢𝑟𝑎𝑑𝑜 [10]

Al correr la regresión se obtuvieron los siguientes resultados

21
 Linear Regression
Number of obs = 31110 F(8,3110) = 2710.63 R-squared = 0.4108 Root MSE = 0.5665
lnSalarios Coefficient std. err. t P>|t| [95% conf. Interval]
1.sexo_recode -.1568819 .0114198 -13.74 0.0000 -.1792652 -.1344986
N_NVIMC Obesidad .0451339 .008529 5.29 0.0000 .0284167 .0618511
sexo_recode#N_NVIMC -.0825605 .0140108 -5.89 0.0000 -.1100223 -.0550987
edad_EA .0514664 .0016942 30.38 0 .0481456 .0547872
edad2 -.000562 .000021 -26.83 0 -.0006033 -.0005207
escolaridad .0591442 .0008242 71.76 0 .0575288 .0607597
area_recode .1337516 .0071675 18.66 0 .1197031 .1478001
asegurado .4949757 .0072014 68.73 0 .4808607 .5090908
_cons 3.866.067 .0317748 121.67 0.0000 3.803.787 3.928.347
Tabla 6

• Según los resultados podemos concluir que la mediana del salario de una trabajadora es

menor a la mediana del salario percibido por un trabajador en 15.69% manteniendo todo lo

demás constante. Llegamos a este porcentaje mediante la formula:

• Concluimos que el nivel de masa corporal mantiene una relación positiva con el salario, la

mediana del salario de una persona obesa es mayor a la mediana del salario percibido por

una persona de peso normal en 4.62%, manteniendo todo lo demás constante. La relación

positiva se mantiene ya no estamos evaluando en esta variable la interacción.

• La variable de interacción no presenta un resultado interesante, cuando el encuestado es

una mujer y tiene sobrepeso u obesidad entonces la mediana de su salario es menor en

7.92% con respecto a un hombre con sobrepeso, mediante este resultado podemos

comprobar que el problema de inferencia presente anteriormente se deriva de un problema

de selección de variables.

• Para el caso de la variable edad podemos concluir al igual que antes que cuando aumenta

la edad en 1 unidad el salario incrementa en 5.18% manteniendo todo lo demás constante.

22
• Analizamos la variable edad2, esta variable tiene una relación negativa con el salario, el

salario responde negativamente en 0.056% al aumento de una unidad adicional de la

variable, manteniendo todo lo demás constante.

• Hay una relación positiva entre los años de escolaridad del individuo y el ingreso percibido,

por un año adicional de escolaridad se espera que el Ingreso aumente 5.92% manteniendo

todo lo demás constante.

• Si el individuo pertenece a una zona urbana espera percibir un salario mayor en 13.38% al

salario que percibe quien se encuentra en una zona rural.

• Si el individuo se encuentra asegurado espera percibir un salario mayor en 49.49% con

respecto a la variable base (no asegurado).

Al analizar el ajuste del modelo podemos comprobar que mejoró su 𝑅̅ 2 , aunque el

aumento es mínimo ahora el modelo explica el 41.1% de las variaciones en el logaritmo

natural del salario.

Los supuestos se mantienen y las pruebas de hipótesis de significancia

individual mantienen sus resultados, con excepción de la hipótesis correspondiente al

NVIMC, ahora Rechazamos la Hipótesis Nula (Véase el Anexo N°8), concluyendo que la

variable es significativa, por lo que podemos decir que todas las variables insertadas en el

modelo explican la variable dependiente.

5. Conclusiones.

En este estudio, se ha buscado profundizar en la comprensión del impacto del aspecto

físico en el mercado laboral, específicamente en relación con la obesidad y el sobrepeso.

Además de estos factores, se han considerado otras variables como la educación, las horas

laborales y espacio habitacional. Las principales conclusiones revelan que, al estimar los

23
salarios mediante el método de MCO, se observa una disparidad salarial entre mujeres y

hombres, siendo los salarios de las mujeres estimados más bajos.

El cálculo de parámetros sin interacción de variables por medio de MCO nos permite

evidenciar una brecha salarial, los resultados muestran que el salario promedio es mayor

en un 2% aproximadamente cuando una persona no tiene un peso normal. Asimismo, el

salario medio de un trabajador es mayor en un 15,69% al percibido por una trabajadora

manteniendo el resto de factores constantes. El salario en el primer modelo analizado es

mayor para las personas con un peso diferente al normal, esta es una de las limitaciones

consecuencia del sesgo de selección de la ecuación de Mincer por eso se vuelve importante

evaluar el modelo aplicando la interacción con la variable sexo ya que esta presenta una

diferenciación salarial importante.

Por otro lado, al introducir la interacción entre el sexo y la variable que mide si la

persona tiene un peso normal o sobrepeso/obesidad en un nuevo modelo, algunos resultados

varían. La variable NVIMC se vuelve significativa con el nuevo ajuste, convirtiéndose en

un regresor explicativo del modelo. Sin embargo, la variable de interacción revela que

cuando el individuo es una mujer con sobrepeso u obesidad su salario promedio es menor

en un 7,92% con respecto a un hombre con características de peso similares. Este hallazgo

sugiere que el conflicto de inferencia podría originarse en la selección de variables.

24
Por medio de la gráfica N° 5 podemos verificar la variación del ingreso no solo mediante

el peso sino también con respecto al sexo y zona de ubicación.

RELACION INGRESO NIVEL DE MASA CORPORAL Y ZONA

600,00
500,00
400,00
300,00
200,00
100,00
0,00
hombre mujer hombre mujer hombre mujer hombre mujer
Obesidad Peso normal Obesidad Peso normal
rural urbano
Total 422,47 392,43 350,57 391,35 550,41 504,54 462,82 518,65

Gráfica 5

En cuanto al resto de variables analizadas en el modelo en su mayoría tienen una

relación positiva con respecto al salario. Los resultados más destacables son la influencia

de la pertenencia a una zona urbana o rural, el sueldo mediano de una persona que pertenece

al área urbana es mayor en un 13,38% que una que se encuentra en el campo. Del mismo

modo, estar afiliado al IESS se asocia con un salario un 49,49% superior en comparación

con aquellos que no lo están.

Para finalizar, mediante los resultados obtenidos podemos concluir que las condiciones

físicas de un individuo constituyen un factor importante al determinar el ingreso,

presentando una brecha salarial no solo entre hombres y mujeres sino una brecha salarial

entre hombres y mujeres con peso normal y sobrepeso. Esto nos permite ofrecer una

herramienta para implementar una política pública que busque reducir esta brecha salarial,

asimismo, posibilita al servicio de salud pública evaluar las consecuencias del aumento de

peso para mejorar la nutrición, evaluando además factores de zona que se han presentado

como significativos.

25
 En conclusión, los resultados obtenidos subrayan la relevancia de las condiciones

físicas individuales como un factor determinante en los ingresos, evidenciando no solo una

brecha salarial entre géneros, sino también una distinción entre hombres y mujeres en

función de su peso. Estos hallazgos ofrecen una base sólida para la implementación de

políticas públicas destinadas a reducir estas disparidades salariales. Asimismo,

proporcionan a los servicios de salud pública una herramienta valiosa para evaluar las

implicaciones del aumento de peso, con un enfoque en la mejora de la nutrición. Este

análisis también destaca la importancia de considerar factores geográficos significativos (si

pertenece a un área rural o urbana) en el diseño de estrategias dirigidas a abordar las brechas

identificadas.

26
6. Bibliografía.

LLAMAZARES, N. B. (2015). OBESIDAD Y MERCADO DE TRABAJO:. Publicaciones y Divulgación

Científica. Universidad de Málag, 258.

Organización Mundial de la Salud. (2021). Obesidad y sobrepeso. Obtenido de Organización Mundial

de la Salud: https://www.who.int/es/news-room/fact-sheets/detail/obesity-and-
overweight#:~:text=El%20sobrepeso%20y%20la%20obesidad%20se%20definen%20como%
20una%20acumulaci%C3%B3n,la%20obesidad%20en%20los%20adultos.

Giménez, D. L. C., Artemenko, K. M. F., Montiel, L. R. M., & de Franco, M. R. R. (2005).

Efectos de la educación en los ingresos: una exploración de la teoría de Mincer
aplicada a la realidad paraguaya. Población y Desarrollo, (29), 60-75.

Martínez Sidón, G., & Morones Carrillo, A. L. (2021). Análisis y cuantificación de la

discriminación salarial por género en el sector turístico de México. Revista de
economía, 38(97), 88-113.

Buenaño Hermosa, E. V. (2018). Las brechas salariales público-privado e índices de

bienestar: un análisis de microsimulación para Ecuador.

https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Estadisticas_Sociales/ENSANUT/ENSANUT_2018/Guia%20de%20BDD%20ENSANUT%202
018.pdf

27
7. Anexos.

Área Frecuencia Porcentaje Acumulada

Urbano 20,994 67.48 67.48
Rural 10,116 32.52 100
Total 31,110 100
Anexo 1

Modelo Muestra ll(null) ll(model) gl AIC BIC

reg1 31,110 -224785.5 -218933.4 8 437882.9 437949.7
reg2 31,110 -34688.1 -26832.26 9 53682.53 53757.63
reg3 31,110 -34688.1 -26476.42 9 52970.83 53045.94
Anexo 2

Resultado de la regresión
2
lnSalarios Coefficient Std. t P>|t| [95% conf. interval]
sexo_recode -0.2020805 0.0069373 -29.13 0 -0.2156779 -0.1884831
NVIMC 0.0436373 0.0074154 5.88 0 0.0291029 0.0581717
Sobrepeso
NVIMC 0.0433651 0.009309 4.66 0 0.0251191 0.0616111
Obesidad
edad_EA 0.0069037 0.0002954 23.37 0 0.0063248 0.0074826
escolaridad 0.0605405 0.0008324 72.73 0 0.0589091 0.062172
area_recode 0.1360825 0.0072774 18.7 0 0.1218185 0.1503465
etnia 0.003626 0.0044245 0.82 0.412 -0.0050461 0.0122981
asegurado 0.5174507 0.0072424 71.45 0 0.5032552 0.5316461
_cons 4.621398 0.0192989 239.46 0 4.583571 4.659225
Anexo 3

Shapiro–Wilk W test for normal data

Variable Obs W V z Prob>z
errores 31,110 0.96856 402.154 16.486 0.000

jb errores
Jarque-Bera normality test: 8280 Chi(2) 0
Anexo 4

Ho: Constant variance

chi2(1)= 1401.46
Prob> chi2= 0.000
Anexo 5

28
 Ho: Model has no omitted
variables
F (8, 31094) = 166.18
Prob > F = 0.0000
Anexo 6

Ho: 𝜷𝟑 (𝒔𝒐𝒃𝒓𝒆𝒑𝒆𝒔𝒐) − 𝜷𝟒 (𝑶𝒃𝒆𝒔𝒊𝒅𝒂𝒅) =

𝟎
F (1, 31101) = 0.70
Prob > F = 0.4033
Anexo 7

N_NVIMC = 0
F( 1, 31102) = 5.19
Prob > F = 0.0227
Anexo 8

29