ICN-312 Econometría

Prof. María Elisa Farías

2do. Semestre 2023 – Campus Vitacura

Brecha de Ingresos de Género en el

Sistema Financiero: Un Enfoque
Económico en Chile
Primera Entrega Trabajo Final

Integrantes:
Aníbal Ramírez 202060592-0
Pablo Illanes 202060530-0
Jason Ortega 202060550-5
Andres Perez 202060634-k
 Índice
1. Introducción ........................................................................................................................ 3
2. Metodología......................................................................................................................... 3
3. Datos .................................................................................................................................... 4
4. Estimación y Análisis de resultados ................................................................................. 6
5. Predicción y Análisis resultados....................................................................................... 8
6. Conclusiones ....................................................................................................................... 9
7. Bibliografía. Descripción de las referencias bibliográficas utilizadas y fuentes de los
datos........................................................................................................................................... 10

2
 1. Introducción
La brecha de ingresos en chile ha sido motivo de preocupación y estudio, si bien, ha habido
avances en la igualdad de género en el país, la brecha de ingresos aún persiste. La brecha
de ingresos de género en chile hace referencia a una diferencia entre los ingresos promedio
entre hombres y mujeres. Un aspecto destacado respecto a esta son la desigualdad salarial
promedio la cual consiste en que en promedio las mujeres en chile ganan menos que los
hombres por el mismo trabajo o trabajos de igual valor.
El presente informe busca estimar y modelar los ingresos de los trabajadores (as) del país,
considerando tópicos que se encuentran en el Banco Central. Se busca ver cómo influye
entre hombres y mujeres, entre otras cosas, la edad, cuentas corrientes, cuentas de ahorro,
entre otros.
La idea de realizar este proyecto es comprobar, primero que existen brechas entre hombres
y mujeres respecto al ingreso que se recibe, segundo que al tener diversos instrumentos
financieros es posible que el ingreso aumente o disminuya, se pretende también ser una
fuente de información que se pueda expandir y modelar en el futuro considerando más
variables a la regresión planteada.
Este tipo de información abunda en internet, sin embargo, nunca es del todo precisa en
cuanto al real impacto que se tiene poseer diversos instrumentos financieros o como estos
mismos son muy diferentes entre géneros.
Al realizar el proyecto y conforme avance la ejecución de este, surgirán diversas preguntas
sobre los resultados que se obtendrán. Algunas de estas preguntas son:
• ¿Es real la brecha de ingresos entre hombres y mujeres?
Con todo lo anterior, se pretende buscar respuestas precisas y que ayuden al lector a tomar
decisiones en cuanto a su vida financiera, no siendo un decidor absoluto, pero sí que tenga
el respaldo para la toma de decisiones económicas.

2. Metodología
La metodología que se utilizará en el grupo será el desarrollo de un modelo multivariable
el cual hace uso de múltiples variables independientes (con su respectivo parámetro) para
explicar una variable dependiente. Esto nos permitirá explicar relaciones complejas que no
se pueden analizar a simple vista. Para la regresión, la variable dependiente será el ingreso
salarial y las variables independientes, hay que considerar que, para cada una de estas
variables los datos están distribuidos entre hombres o mujeres (únicos géneros que se
utilizarán para este proyecto), se detallan a continuación, con el avance del proyecto, estas
variables pueden sufrir variaciones:
Créditos (C): Los ingresos pueden aumentar a través de los intereses generados por los
créditos otorgados. Sin embargo, también existe el riesgo de morosidad (M), lo que puede
afectar negativamente los ingresos si los clientes no cumplen con los pagos.
Cuentas Corrientes (CC): El saldo en cuentas corrientes puede afectar los ingresos, ya que
los bancos a menudo generan ingresos a través de tarifas y cargos asociados con estas
cuentas. Además, los saldos más altos pueden indicar relaciones financieras más sólidas con
los clientes.
Cuenta de Ahorro a Plazo (CAP): Similar a las cuentas de ahorro para la vivienda, los
saldos más altos en cuentas de ahorro a plazo pueden indicar la estabilidad financiera de los

3
clientes. Los bancos pueden generar ingresos a través de tasas de interés más altas en estas
cuentas en comparación con las cuentas de ahorro estándar.
Depósito a Plazo (DP): Los ingresos generados por los depósitos a plazo provienen de las
tasas de interés. Un mayor monto en depósitos a plazo puede resultar en mayores ingresos
por intereses para el banco.
Morosidad (M): La tasa de morosidad afecta directamente los ingresos, ya que la falta de
pagos o pagos atrasados puede resultar en la pérdida de ingresos por intereses y la necesidad
de provisiones para cubrir las pérdidas.
Este método contendrá variables dummy asociadas al sexo, ya sea masculino o femenino
además de más datos que se detallarán próximamente.
Una ventaja del uso de estos modelos es que generan predicciones más realistas ya que,
cuenta con múltiples factores que influyen en el resultado. Uno de los principales problemas
asociados a estos modelos es que cuentan con una recolección de datos más compleja ya
que, requieren una cantidad significativa de datos y puede generar una complejidad debido
a la necesidad de recopilar respecto a distintas variables.
• Descripción de las variables:

Y: Ingreso en pesos
X1: Dummy Genero (G)
X2: Crédito (C)
X3: Cuenta Corriente (CC)
X4: Cuenta de Ahorro a Plazo (CAP)
X5: Depósito a Plazo (DAP)
X6: Morosidad (M)
X7-18: Dummys años (2012-2022)

La función para estimar es:

𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝛽5 𝑋5 + 𝛽6 𝑋6 + 𝛽7 𝑋7 + ⋯ + 𝛽18 𝑋18 + 𝜖
Para determinar el comportamiento de esta regresión se utilizarán softwares como R, con
el propósito de evaluar y determinar de manera precisa la brecha salarial de género en el
contexto laboral. Dicho software nos permitirá realizar un análisis exhaustivo de los datos
salariales disponibles, identificando cualquier disparidad que pueda existir entre los
salarios de hombres y mujeres en distintos sectores y ocupaciones. La utilización de esta
herramienta tecnológica garantizará la objetividad y la precisión en la medición de la
brecha salarial, lo que resultará en hallazgos confiables y fundamentados en datos sólidos.
Nuestra tesis es que si hay una brecha en los ingresos de hombres y mujeres y que
dependiendo de los distintos instrumentos financieros estos afectaran a la brecha de
ingresos

3. Datos
Los datos para este estudio consisten en una serie de observaciones anuales obtenidas del
Banco Central de Chile, abarcando un período de tiempo establecido. Incluyen variables
financieras como montos de cuentas corrientes, créditos comerciales, depósitos a plazo,
montos en mora, y salarios promedio, todos desglosados por género. Se ha creado una
variable dummy para el género, asignando 1 para las observaciones femeninas y 0 para las

4
masculinas. Los salarios promedio actúan como la variable dependiente en nuestro modelo
de regresión, mientras que las demás variables financieras se tratan como independientes. El
objetivo es examinar la influencia de estos factores financieros en la brecha salarial por
género a lo largo del tiempo. Los datos han sido cuidadosamente revisados para asegurar su
consistencia y han sido llevados a un formato adecuado para el análisis.
Variables Dummy de Tiempo: Estas variables controlarán por efectos que son específicos de
cada año y que podrían influir en los salarios, como cambios en la política económica,
inflación, o condiciones del mercado laboral.
Variable Dummy de Género: Habrá una variable dummy para el género, que será 1 para las
mujeres y 0 para los hombres (o viceversa).
Esta variable captura la diferencia promedio en los salarios entre hombres y mujeres, después
de controlar por otros factores en el modelo.
Interacción entre Tiempo y Género: Se incluirá términos de interacción entre las variables
dummy de tiempo y la variable dummy de género para ver si la brecha salarial ha cambiado
con el tiempo.
Los datos empleados en este estudio son de tipo panel (o datos longitudinales), ya que
combinan elementos de series de tiempo y datos de corte transversal. Este conjunto de datos
sigue a las mismas variables financieras y salariales a lo largo de múltiples períodos (en este
caso, años) para ambos géneros. Los datos de panel permiten no solo capturar la dinámica
temporal de las variables, sino también examinar las diferencias entre grupos (hombres y
mujeres) y cómo estas diferencias se desarrollan a lo largo del tiempo. La inclusión de datos
de panel enriquece el análisis permitiendo controlar por efectos no observables que podrían
ser constantes a lo largo del tiempo o entre individuos, mejorando así la precisión de las
estimaciones de los coeficientes en la regresión.
Cuando se realizó la estimación de los datos, en primer lugar, se obtuvieron valores
estadísticos para determinar el comportamiento de los datos y analizarlos desde una mirada
social.

Ilustración 1: Imagen obtenida a partir de los resultados en el software R

De los resultados anteriores, podemos decir lo siguiente:

Tendencias de Ingresos (Salarios): Los salarios muestran un rango desde un mínimo hasta

5
un máximo, indicando una posible variabilidad en la remuneración que puede reflejar
diferencias de ingresos entre distintos grupos ocupacionales, regiones o géneros. La mediana
y la media pueden proporcionar una mejor comprensión de la distribución de los ingresos.
Salud Financiera (Cuentas Corrientes y Ahorros): Los montos en cuentas corrientes y de
ahorros podrían reflejar la capacidad de ahorro y la salud financiera de los ciudadanos. Un
monto promedio alto podría indicar una mayor liquidez o capacidad de ahorro, mientras que
un rango amplio entre el mínimo y máximo sugiere desigualdad en la distribución de la
riqueza.
Endeudamiento (Créditos): El monto promedio de los créditos podría señalar la confianza
en la capacidad de pago y la disposición a endeudarse, lo cual puede estar influenciado por
las tasas de interés y la percepción de estabilidad económica.
Inversiones (Depósitos a Plazo): Los montos de los depósitos a plazo pueden indicar
preferencias por inversiones seguras y la tendencia a la planificación financiera a largo plazo
entre la población.
Morosidad: Los montos promedio de morosidad reflejan la capacidad de los individuos para
gestionar su deuda. Un monto elevado podría sugerir desafíos económicos más amplios,
como el desempleo o la inflación, que afectan la capacidad de pago.

4. Estimación y Análisis de resultados

A partir del modelo realizado, se estimó en el software R y se encontraron los siguientes
valores para los parámetros. La siguiente tabla muestra los valores estimados por MCO
(ver tabla N°2 anexo).

Variable Coeficiente Estimado Error Estándar Valor t P-valor

(Intercept) -6.701e+05 4.462e+05 -1.502 0.1935
monto CC 1.013e-01 3.943e-02 2.568 0.0501 *
monto C 1.312e-04 5.750e-03 0.023 0.9827
monto CA 2.555e-01 1.303e-01 2.106 0.0891
monto DAP 9.103e-02 3.317e-02 2.744 0.0406 *
motos mora -1.253e-02 1.472e-02 -0.852 0.4333
dummy genero 5.059e-04 6.893e-04 0.734 0.4960
dummy 2012 -6.107e+04 4.994e+04 -1.234 0.2720
... ... ... ... ...
dummy 2022 -2.033e+06 9.719e+05| -2.092 0.0907

Donde:
• β0 (Intercepto): Este coeficiente representa el salario estimado cuando todas las
variables independientes son cero. En contextos económicos, a menudo no tiene
6
 una interpretación práctica directa porque no es realista tener todas las variables
en cero. Su valor y significancia estadística (p-valor de 0.1935) sugieren que no
es significativamente diferente de cero en este modelo.
• β1 (dummy genero): Este parámetro captura la diferencia en los salarios entre
géneros. Un p-valor de 0.4960 sugiere que hay diferencias salariales significativas
entre géneros en este modelo.
• β2 (monto C): Este parámetro refleja el cambio en el salario por cada unidad
adicional en el monto de créditos. Dado su p-valor elevado (0.9827), parece no
haber evidencia suficiente para afirmar que tiene un efecto significativo sobre los
salarios.
• β3 (monto CC): Este coeficiente mide el cambio esperado en el salario asociado
con un cambio de una unidad en el monto de las cuentas corrientes. Un coeficiente
positivo (como es el caso aquí) sugiere que mayores montos en las cuentas
corrientes están asociados con salarios más altos. El p-valor está cerca del umbral
de significancia (0.0501), lo que puede indicar una relación marginalmente
significativa.
• β4 (monto CA): Representa el cambio en el salario por cada unidad de cambio en
el monto de cuentas de ahorro. Un p-valor de 0.0891 indica que este parámetro
podría ser significativo al nivel del 10%, lo que sugiere una posible relación entre
el ahorro y los salarios.
• β5 (monto DAP): Muestra cómo varían los salarios con los cambios en los montos
de depósitos a plazo. Con un p-valor de 0.0406, este coeficiente es significativo
al nivel del 5%, indicando una influencia positiva en los salarios.
• Β6 (motos mora): Este coeficiente estima el impacto de los montos en mora sobre
los salarios. El signo negativo sugiere una relación inversa, pero su p-valor
(0.4333) implica que no es estadísticamente significativo.
• Las variables dummy de años son controles temporales que capturan efectos
específicos de cada año que no están capturados por otras variables. Esto puede
incluir cambios en la economía, políticas gubernamentales, o tendencias del
mercado laboral que afectan a los salarios. Si bien algunos coeficientes de años
son estadísticamente significativos y otros no, es importante mirar la tendencia
general que muestran a lo largo del tiempo y considerar la posibilidad de eventos
específicos que podrían haber impactado los salarios en esos años.
Para continuar con el análisis de este modelo se realizó a través de R el Test de Breusch-
Pagan, a partir de este se obtuvo el siguiente resultado:

Ilustración 2: Resultados optenidos en el software R, con el test de Breusch-Pagan

7
El p-valor dice la probabilidad de obtener una estadística de prueba al menos tan extrema
como la que se obtuvo, bajo la hipótesis nula de que los errores son homocedásticos (tienen
varianzas constantes a través de las observaciones).
Un p-valor típico para rechazar la hipótesis nula de homocedasticidad y concluir que hay
evidencia de heterocedasticidad sería menor a 0.05. Dado que tu p-valor es 0.1432, que es
mayor que 0.05, no rechazas la hipótesis nula. Esto sugiere que no hay suficiente evidencia
estadística para afirmar que existe heterocedasticidad en el modelo.
Dado que el test no mostró evidencia de heterocedasticidad, se puede asumir que los errores
estándar de las estimaciones son fiables bajo el modelo MCO. Esto es beneficioso para la
inferencia estadística, ya que se puede confiar en los intervalos de confianza y en las pruebas
de significancia proporcionadas por el modelo MCO estándar.
Por lo tanto, se podría concluir que los errores son homocedásticos y que no es necesario
ajustar por heterocedasticidad. Esto simplifica el análisis y la interpretación de los resultados
del modelo de regresión. No seria necesario ajustar el modelo ante una estimación de
mínimos cuadrados generalizados.
Con respecto a un test de normalidad en los errores (residuos) del modelo de regresión, se
puede utilizar varias pruebas estadísticas en R, como el test de Shapiro-Wilk o el test de
Kolmogorov-Smirnov. En esta ocasión se hizo uso de la prueba de Shapiro-Wilk donde esta
prueba evalúa la hipótesis nula de que los residuos están distribuidos normalmente.

Ilustración 3: Resultados obtenidos a partir de la prueba Shapiro-wilk, en el software R

De la ilustración 3, se puede decir que el p-valor es significativamente mayor que 0.05, no

hay evidencia suficiente para rechazar la hipótesis nula. Por lo tanto, se puede concluir que
no hay razón para creer que los residuos del modelo no sigan una distribución normal. Esto
significa que una de las suposiciones clave de la regresión lineal se mantiene, lo que, valida
los métodos de inferencia estadística basados en la normalidad, como los tests de hipótesis y
los intervalos de confianza para los coeficientes del modelo.
En el contexto de la investigación sobre los determinantes de los salarios, un conjunto de
residuos normalmente distribuidos indica que el modelo captura de manera efectiva la
variabilidad en los salarios basada en los factores incluidos, como cuentas corrientes,
créditos, cuentas de ahorro, depósitos a plazo, morosidad y género. Esto es importante para
la interpretación económica de los resultados, ya que refuerza la fiabilidad de tus
conclusiones sobre la relación entre las variables financieras y los salarios, así como la
influencia del género en la compensación salarial, sin sesgos evidentes en la distribución de
los errores del modelo.

5. Predicción y Análisis resultados

En el análisis predictivo realizado para el año 2023, se encontraron resultados significativos
con respecto a las diferencias salariales entre hombres y mujeres. La predicción para los
8
hombres fue de un salario de $1,021,267, mientras que para las mujeres fue
significativamente menor, estimándose en $821,769. Estos resultados están en consonancia
con la presencia documentada de una brecha salarial de género y sugieren que esta brecha
persiste incluso después de controlar por la posesión y gestión de instrumentos financieros.
La predicción sugiere que existen diferencias salariales notables entre géneros, incluso
cuando se consideran factores como los montos en cuentas corrientes, créditos, cuentas de
ahorro, depósitos a plazo y montos en mora. Este hallazgo está alineado con la literatura
existente que documenta la persistencia de la brecha salarial de género y sugiere que la
posesión y el manejo de instrumentos financieros podrían tener un papel en la magnitud de
dicha brecha
La persistencia de la brecha salarial en las predicciones puede reflejar las desigualdades
sistémicas en el acceso a oportunidades económicas y profesionales entre hombres y mujeres.
A pesar de que los salarios para ambos géneros muestran una tendencia al alza a lo largo de
los años, es evidente que las mujeres continúan estando en desventaja en términos de
compensación salarial. Este fenómeno subraya la importancia de considerar las políticas de
igualdad de género y las intervenciones dirigidas a cerrar la brecha salarial.
Sin embargo, es importante notar que los valores pronosticados para ambos géneros son
inusualmente altos, lo que podría deberse a varios factores inherentes a la naturaleza de los
datos y el modelo. Los montos financieros utilizados en la predicción, por ejemplo, pueden
no representar con precisión las cifras promedio manejadas por la población general.
Además, la falta de ajuste por inflación y la ausencia de otras variables de control
significativas podrían haber resultado en una sobreestimación de los salarios predichos.
Por lo tanto, mientras que las predicciones indican un incremento en los salarios y una brecha
de género en los mismos, los valores absolutos deben ser interpretados con precaución. Una
comprensión más matizada de estos resultados requiere una revisión más profunda del
modelo, un ajuste por factores económicos como la inflación y la inclusión de un conjunto
más completo de variables explicativas que puedan afectar a los salarios. Este enfoque
meticuloso es esencial para informar adecuadamente las estrategias de políticas y las
discusiones sobre la igualdad salarial y la equidad de género en el ámbito laboral.

6. Conclusiones
En este estudio, se hizo uso del software estadístico R para llevar a cabo un análisis
econométrico profundo, centrado en estimar la relación entre los salarios y una serie de
variables financieras y demográficas. Los datos para este análisis fueron obtenidos de fuentes
confiables, específicamente del Banco Central y el Instituto Nacional de Estadísticas (INE),
garantizando así la solidez y relevancia de la información utilizada.
A través del uso de técnicas de regresión lineal, se logró modelar la estructura de los salarios
y explorar las dinámicas detrás de la brecha salarial de género. Uno de los hallazgos más
significativos del estudio es la ausencia de heterocedasticidad en los datos, como lo confirmó
la prueba de Breusch-Pagan. Este resultado indicó que la varianza de los errores del modelo
es constante, lo que significa que no fue necesario realizar ajustes mediante Mínimos
Cuadrados Generalizados (MCG).
Adicionalmente, las pruebas de normalidad, específicamente el test de Shapiro-Wilk,
mostraron que los residuos del modelo se distribuyen normalmente. Esto valida aún más las
técnicas de inferencia estadística empleadas y refuerza la confiabilidad de los resultados
obtenidos.

9
En cuanto a la brecha salarial de género, los resultados fueron reveladores. A pesar de
considerar el uso de instrumentos financieros, persiste una diferencia significativa en los
salarios estimados para hombres y mujeres. Esta brecha, reflejada en las predicciones
salariales para el año 2023, señala que, aunque las variables financieras son importantes, hay
otros factores, posiblemente estructurales y socioculturales, que continúan influenciando la
disparidad salarial entre los géneros.
Por otro lado, la relación con el tiempo mostró un incremento en los salarios a medida que
avanzan los años. Este patrón sugiere una tendencia general de crecimiento económico o de
mejora en las condiciones del mercado laboral. No obstante, cabe destacar que los valores
pronosticados son considerablemente altos, lo que puede deberse a la naturaleza de los datos
o a la necesidad de realizar ajustes adicionales en el modelo para capturar con mayor
precisión la evolución de los salarios reales.
En resumen, este estudio no solo subraya la importancia de seguir abordando la desigualdad
de género en el ámbito laboral, sino que también destaca la utilidad de herramientas
econométricas avanzadas, como R, para interpretar y modelar complejas relaciones
económicas. Los resultados obtenidos proporcionan una base cuantitativa para la
formulación de políticas dirigidas a cerrar la brecha salarial de género y a promover una
distribución más equitativa de los recursos financieros.

7. Bibliografía. Descripción de las referencias

bibliográficas utilizadas y fuentes de los datos.

• Inicio. (s. f.). Default. https://www.ine.gob.cl/

• Base de Datos Estadísticos (BDE). (s. f.).

https://si3.bcentral.cl/Siete/ES/Siete/Cuadro/CAP_ESTADIST_GENERO/MN_GE
NERO1/EST_GEN_POB_01

• Gujarati, D. Porter, D. Econometría (Quinta Edición). McGrawHill.

https://fvela.files.wordpress.com/2012/10/econometria-damodar-n-gujarati-5ta-
ed.pdf

8. Anexos
1)Obtención de la estimación en R: se procedió a importar los datos de Excel, donde se encontraban
todos los datos necesarios para la estimación (anexo, tabla n°1). Los datos se guardaron en “X<-
read_excel("C:\\Users\\pabli\\Downloads\\datos econo 2 excel.xlsx")”. De ahí, los datos se
importaron en R utilizando la función read.csv() para los datos almacenados en un archivo CSV,
manteniendo la estructura de los datos y asegurando que cada variable estuviera en el formato
correcto. Posteriormente se ejecuta el siguiente código para guardar el modelo: modelo <-
lm(Salarios ~ `monto CC` + `monto C` + `monto CA` + `monto DAP` + `motos mora` + `dummy genero`

10
+ factor(Año), data = X). Con la función “summary(modelo)”, se entragron los valores de la tabla N°2,
anexo.

Tabla N°1:

Ilustración 4: Imagen de los datos del trabajo en formato Excel

Tabla N°2:

Tabla 1: Resultados obtenidos a partir del software R, mediante la estimación por MCO

11