Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
(OMS) y utilizando el índice de masa corporal (IMC) como indicador clave, el estudio busca
asociadas al peso, sino que también pretende contribuir a la formulación de políticas públicas
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,
1
1. Introducción.
análisis crítico para comprender la posible existencia de una brecha salarial en relación con
Obesidad, la cual no solo afecta el área de la salud, sino que también está influyendo en el
mercado laboral.
como una "acumulación anormal o excesiva de grasa que puede ser perjudicial para la
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
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
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,
públicas integrales.
2. Antecedentes.
En los últimos años, la relación entre salud y el ámbito laboral han sido de interés, parte
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
salud de la población y sus resultados muestran que el IMC influye sobre la situación laboral
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
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
3. Marco teórico.
Jacob Mincer en 1974 a través de su modelo, que el nivel salarial está influenciado por
conjuntos de datos.
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
El propósito de este modelo es explicar el logaritmo del salario en relación con variables
4
′
𝑋𝑖𝑗 = 𝑉𝑒𝑐𝑡𝑜𝑟 𝑞𝑢𝑒 𝑚𝑖𝑑𝑒 𝑙𝑎𝑠 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎𝑠 𝑑𝑒 𝑙𝑎 𝑝𝑒𝑟𝑠𝑜𝑛𝑎
𝛽𝑗 = 𝑉𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠
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
por Heckman, que tiene como objetivo obtener la probabilidad de ingresar al mercado
el modelo persiste como un punto de partida valioso para la generación de modelos más
fomentar la riqueza, aliviar la pobreza y, en última instancia, encaminar a los países hacia
el crecimiento.
5
4. Marco empírico.
teóricos y matemáticos usados para cumplir con el objetivo del presente artículo de
investigación.
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,
confiable al ser presenta por la principal encuestadora del Ecuador, además de considerar
(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
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
6
Buscamos explicar las variaciones en el salario ya que consideramos fundamental una
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.
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 1
“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))
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
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
mercado laboral.
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]
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
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
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
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
10
empleo vulnerable caracterizada por una precariedad en el nivel de salario que percibían y con
Las tasas de pobreza en las zonas rurales son tres veces superiores que la pobreza en las
rural constituye el 32.52% del total de la muestra, un porcentaje considerable que justifica su
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
esta investigación junto a Schultz plantean en 1958 y 1959 respectivamente que la inversión
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
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
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
variables como talla e ingreso. Los datos totales luego de la depuración son 31110.
del mejor modelo para explicar la relación entre el salario y las variables consideradas.
• Regresion1
• Regresión2
• Regresión3:
12
52970.83 y 53045.94, respectivamente, se seleccionó la tercera regresión como el modelo que
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:
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:
de hipótesis e interpretaciones.
Se usa el método MCO para la estimación de los coeficientes ya que es un método que
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
• 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
(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
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
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
• Para el caso de la variable edad podemos concluir que cuando aumenta la edad en 1 unidad
comprueba la teoría del capital humano que nos explica que a mayor edad se espera que los
• Analizamos el caso de la experiencia con la variable edad2, esta variable tiene una relación
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
• 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.
pertenece a una zona urbana espera percibir un salario mayor en 14.44% al salario que
• En el caso de la variable asegurado que la identificamos como una variable que revela si el
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.
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
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
𝑯𝟎 : 𝜷 𝟔 = 𝟎 𝑯𝟎 : 𝜷 𝟕 = 𝟎
𝑯𝟏 : 𝜷 𝟔 ≠ 𝟎 𝑯𝟏 : 𝜷 𝟕 ≠ 𝟎
𝑯𝟎 : 𝜷 𝟖 = 𝟎 𝑯𝟎 : 𝜷 𝟗 = 𝟎
𝑯𝟏 : 𝜷 𝟖 ≠ 𝟎 𝑯𝟏 : 𝜷 𝟗 ≠ 𝟎
Tabla 3
Concluimos que todas las variables son estadísticamente significativas con excepción de la
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,
17
A continuación, presentamos los resultados:
Los datos nos indican que las variables presentan un numero de condición entre 0 y 100
nos permite validar los resultados del análisis de regresión y de esta manera se fortalece la
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.
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
18
Con el Grafico N° 3 y N° 4 vamos a comprobar la no normalidad de los errores.
Gráfica 3 Gráfica 4
𝐻0 : 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
𝐻1 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
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
este modelo y su resolución están fuera del alcance de este articulo por lo que no se tratara de
resolver la heterocedasticidad.
prueba de RESET RAMSEY, esta prueba busca detectar la posible omisión de variables que
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
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:
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
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,
modelo:
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
• 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
7.92% con respecto a un hombre con sobrepeso, mediante este resultado podemos
de selección de variables.
• Para el caso de la variable edad podemos concluir al igual que antes que cuando aumenta
22
• Analizamos la variable edad2, esta variable tiene una relación negativa con el salario, el
• 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
• Si el individuo pertenece a una zona urbana espera percibir un salario mayor en 13.38% 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
5. Conclusiones.
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
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
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
Por otro lado, al introducir la interacción entre el sexo y la variable que mide si la
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
24
Por medio de la gráfica N° 5 podemos verificar la variación del ingreso no solo mediante
Gráfica 5
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
Para finalizar, mediante los resultados obtenidos podemos concluir que las condiciones
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
proporcionan a los servicios de salud pública una herramienta valiosa para evaluar las
pertenece a un área rural o urbana) en el diseño de estrategias dirigidas a abordar las brechas
identificadas.
26
6. Bibliografía.
https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Estadisticas_Sociales/ENSANUT/ENSANUT_2018/Guia%20de%20BDD%20ENSANUT%202
018.pdf
27
7. Anexos.
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
jb errores
Jarque-Bera normality test: 8280 Chi(2) 0
Anexo 4
28
Ho: Model has no omitted
variables
F (8, 31094) = 166.18
Prob > F = 0.0000
Anexo 6
N_NVIMC = 0
F( 1, 31102) = 5.19
Prob > F = 0.0227
Anexo 8
29