v2n4 A02 PDF

LA EVOLUCIÓN DEL ROL DEL CAPITAL HUMANO…|1
LA EVOLUCIÓN DEL ROL DEL CAPITAL HUMANO EN

LA DETERMINACIÓN DE LOS INGRESOS EN BOLIVIA
EN EL PERÍODO 2004-2015. UNA APLICACIÓN DEL
MODELO DE MINCER Y REGRESIÓN POR
CUANTILES
THE EVOLUTION OF THE HUMAN CAPITAL ROLE ABOUT THE

INCOME DETERMINATION IN BOLIVIA IN THE PERIOD 2004-
2015. AN APPLICATION OF THE MINCER MODEL AND
QUANTILE REGRESSION
Oxa Gerónimo Alcides Valentín

Loayza Lara Daniela
RESUMEN: En éste trabajo se estiman modelos de Mincer para Bolivia en el

período del 2004 al 2015 utilizando datos de las encuestas anuales de hogares.
Se considera la distribución de los ingresos laborales reales condicionales a los
valores que toman las variables explicativas del modelo minceriano como son
los años de escolaridad, los de experiencia laboral y otras variables de control.
Por ello, además del modelo clásico de regresión lineal, se aplica la regresión
por cuantiles. Los resultados muestran una tendencia a la caída de la tasa de
rendimiento a la escolaridad para los niveles de ingresos considerados, una
mayor depreciación de la experiencia laboral y un incremento del ingreso real
no explicado por los determinantes clásicos mincerianos, ni por las variables
de control. Asimismo se reporta una igualación de las tasas de retorno a la
escolaridad para los diferentes cuantiles de ingreso en los últimos años.
 PALABRAS CLAVE: Modelo de Mincer, Capital humano, Distribución de

los ingresos, Regresión por cuantiles.

Investigador Centro de Estudios de Población – Universidad Mayor de San Simón, correo:
alcivale@gmail.com

Investigadora Centro de Estudios de la Realidad Económica y Social, correo:
dannielle.loayza@gmail.com
Economía coyuntural, Revista de temas de coyuntura y perspectivas, vol.2, núm. 4., pp. 1 - 44.
http://doi.org/10.5281/zenodo.1211809
1
 ECONOMÍA COYUNTURAL
 ABSTRACT: In this paper, Mincer models are estimated for Bolivia in the
period from 2004 to 2015 using data from the annual household surveys.
The distribution of real labor income conditional on the values taken by
the explanatory variables of the Mincerian model, such as years of
schooling, work experience and other control variables, is considered.
Therefore, quantiles regression is applied in addition to the classical linear
regression model. Results show a downward trend in the rate of return to
schooling for the considered levels of income, a greater depreciation of
work experience and an increase in real income not explained by classical
mincerian determinants, nor by control variables. It also reports an
equalization of the rates of return to schooling for different income
quantiles in recent years.
 KEYWORDS: Mincer Model, Human capital, Income distribution, Quantile
regression.
 CLASIFICATION JEL: J01, J24, J30.
 Recepción: 12/10/2017 Aceptación: 15/11/2017
1. Introducción
El capital humano es una variable importante para explicar no sólo la

generación sino además la distribución de los ingresos monetarios laborales
de los trabajadores. Por ello es de interés general contar con elementos
indicativos sobre la manera en que el capital humano influye en la distribución
de los ingresos laborales y cómo esta influencia cambia en el tiempo, es decir,
se parte de la premisa de que el capital humano si bien interviene en la
distribución del ingreso laboral, no lo hace de la misma forma a lo largo del
tiempo, siendo que la manera de influir puede cambiar y seguir un patrón
identificable, tal estudio se realiza en éste trabajo para Bolivia en el período
del 2004 al 2015.
La teoría del capital humano desarrollada tanto por Gary Becker (1962),
Jacob Mincer (1974) y otros autores, es una propuesta explicativa de las
variaciones de los ingresos laborales, según las variaciones del capital humano.
2
En general se consideran como las variables más importantes para poder

explicar los niveles de ingresos laborales al nivel de escolaridad y al nivel de
experiencia laboral de los individuos. Se aplica el modelo propuesto por
Mincer que es el más utilizado en la literatura correspondiente, el mismo
comporta una ecuación lineal en los coeficientes en la que la variable
dependiente o explicada es el logaritmo de los ingresos laborales por hora, y
la variable explicativa principal es el capital humano, la misma que se compone
del capital escolar y del capital por experiencia laboral, y la forma en que se
componen es aditiva. Ambos capitales se incluyen en el modelo, y son así las
variables explicativas de los ingresos laborales, el capital escolar se aproxima
por los años de escolaridad, y el capital por experiencia se aproxima por la
experiencia laboral potencial y su cuadrado, este último término permite
capturar los efectos de la obsolescencia de la experiencia laboral.
Empíricamente se ha constatado también un efecto de depreciación del capital
escolar, por lo que Neuman y Weiss (1995) proponen añadir un término de
interacción entre la experiencia laboral y la escolaridad en la ecuación de
Mincer para capturar el efecto de la depreciación del capital escolar, Raymond
y Roig (2003) proponen una justificación teórica para tal efecto.
La pregunta rectora de la investigación es: ¿Cuál es el rol que juega el

capital humano en la distribución de los ingresos laborales en Bolivia en el
período del 2004 al 2015?, para responder a tal pregunta se utiliza el modelo
de Mincer adaptado al contexto boliviano. Se ha recurrido a éste modelo
porque el mismo ha resultado ser exitoso en el cometido de explicar la
generación de los ingresos laborales, entendiendo por éxito el hecho de que
exista una gran cantidad de trabajos empíricos que se han realizado inspirados
en o sobre la base del postulado de Mincer.
3
El documento presenta en la siguiente sección una breve revisión de la

literatura correspondiente, luego se discute la estrategia metodológica, en la
subsiguiente sección se presentan los resultados y finalmente se vierten
algunas conclusiones.
2. Revisión de la literatura correspondiente
En esta sección se revisa la bibliografía relacionada con la distribución de

ingresos condicionada a los años de educación y a otras variables
determinantes, analizadas con el modelo de Mincer y utilizando la regresión
por cuantiles. En América Latina se realizaron diversos estudios que abarcan
temas como la condición étnica - racial, la experiencia real construida,
condición laboral, el sexo, etc. como variables explicativas.
Fonnegra, López y González (2010) analizan las brechas salariales en

diferentes puntos de la distribución del ingreso considerando la condición
étnica- racial (afrocolombianos y no afrocolombianos), también indaga si estas
brechas salariales son producto de las diferencias en capital humano y a nivel
metodológico examina las variaciones en los retornos de capital humano
utilizando los años de educación de los padres como variable instrumental
para corregir la endogeneidad. Para esto, emplean datos de la Encuesta
Nacional de Hogares de Diciembre de 2000 realizando regresiones
mincerianas por cuantiles.
Los resultados indican que los no afrocolombianos poseen ingresos más

altos tanto en el promedio como en los diferentes percentiles 10, 25, 50,75 y
90 y que la mayor brecha se encuentra en el percentil más alto de la
distribución. Así también que los retornos de un año adicional de escolaridad
reportan un 11,5% en promedio, sin embargo viendo por estratos de ingreso
la tasa de retorno es variable y se vuelve monótona. Por otra parte, cuando se
4
utiliza la variable instrumental se observa un efecto positivo en los retornos

de la educación, esto da prueba de que la endogeneidad subestima los
verdaderos retornos de la escolaridad esto también se refleja en la brecha entre
afrocolombianos y no afrocolombianos, ya que esta se reduce.
Así también Machado y Humberto (2013) buscan examinar los retornos

a la educación para estimar las variaciones de la distribución salarial en
Colombia en el periodo 1996 a 2005 en vista del alto desempleo que se
caracteriza. Emplea los datos de la Encuesta de Hogares del DANE de 1996,
2000 y 2005. Realizan dos regresiones, una por mínimos cuadrados ordinarios
y una cuantílica. Las regresiones por cuantiles muestran un descenso en las
tasas de retorno para casi todos los cuantiles, a excepción del cuantil inferior,
hecho que se caracteriza por ser previsible dado la mayor cobertura y los
avances en educación que han llevado a la saturación y sobreeducación, al
igual que por el descenso de los salarios reales después del auge de los retornos
a la escolaridad durante la década del noventa, debido al cambio técnico.
Alves, Brum y Yapor (2009) analizan la evolución y los determinantes

de la desigualdad en los salarios en Uruguay entre los años 1986 y 2007. Para
esto emplean un modelo de regresión cuantílica y realizan una caracterización
de la estructura salarial en forma diferenciada de la distribución. Encuentran
que las variables de educación, experiencia, sexo, región y sector público
varían de forma significativa a lo largo del periodo. Esta metodología permitió
observar cambios tanto en las formas de fuerza de trabajo como en el nivel de
precios. Durante los primeros años (1986 – 1990) la disminución de los
diferenciales salariales de rama de actividad, región y sector público motivó a
la reducción de la desigualdad mientras que el aumento de los retornos a la
educación, en el periodo 1990 a 1997, fue el impulso del mayor incremento
de la desigualdad de todo el periodo. El análisis de los datos tuvo como fuente
5
la Encuesta Continua de Hogares (ECH) para el periodo 1986 a 2007. Se

encontró tres diferenciales: entre zonas y niveles de ingreso, se observó que
el diferencial salarial tendió a desaparecer en el periodo de estudio a diferencia
de los años ochenta que se observó que el diferencial era especialmente fuerte
entre los trabajadores de ingresos bajos. Otro diferencial claro, es que esta
misma reducción se dio a nivel de los trabajadores y las trabajadores de bajos
ingresos, por último se observó un diferencial en cuanto al tipo de empresa
donde se trabaja, el salario de los trabajadores públicos supera en promedio al
de los privados.
Este diferencial parece estructural ya que se mantienen a lo largo del

periodo y se hace más fuerte entre trabajadores de bajos ingresos.
Considerando por sectores, encontraron que los trabajadores del sector
primario tienen salarios menores que el resto, en casi todo el periodo
Torres Zavala (2016) propone una alternativa para reducir el sesgo

generado por la experiencia utilizada. Utiliza datos de la Encuesta Nacional de
Ocupación y Empleo (ENOE) del año 2014. Construyen una variable
denominada experiencia real construida empleando un modelo matricial semi-
logarítmico que permite obtener una medida de experiencia laboral más
robusta que la tradicionalmente utilizada. Para esto se seleccionaron variables
como los años de escolaridad, el estado civil, si la persona tiene un contrato
por escrito con la institución donde trabaja, si tiene algún seguro médico. Con
dicha corrección, en la medida de experiencia, se obtienen estimaciones más
robustas en el modelo, lo cual representa una alternativa importante para
sustituir la experiencia potencial. Luego de haber realizado esto se emplea una
regresión por cuantiles de ingreso. Los resultados muestran que la elección
del tipo de medida de experiencia a utilizar en el modelo tiene implicaciones
importantes en los resultados, ya que por ejemplo en la tasa de retorno de la
6
educación es sobrestimada cuando se emplea la experiencia potencial que

cuando se utiliza la nueva variable construida. Así también el sesgo se reduce
cuando se emplea la experiencia real construida y se observa una
subestimación marcada para todos los cuantiles.
Morales y Henry (2016) aplican una regresión por cuantiles ya que la

regresión por mínimos cuadrados ordinarios provee poca información acerca
del comportamiento de los datos en los extremos de la distribución del ingreso
total mensual y además proporciona estimaciones sesgadas. Los resultados
reflejan una influencia positiva del nivel educativo y el sexo masculino en el
ingreso total mensual de la población ocupada de Lima Metropolitana. Para
realizar este estudio emplea los datos la Encuesta Permanente de Empleo en
Lima Metropolitana 2016. Del modelo de regresión cuantílica se obtiene que
la edad, el total de horas trabajadas a la semana y el nivel educativo influyen
positivamente en el ingreso total mensual, no sucede así con la variable sexo
femenino cuyo efecto resultó ser negativo, es decir el ingreso de las mujeres
se reduce aproximadamente en un 13% respecto al ingreso total mensual de
los hombres, esto sucede para todos los cuartiles. Un hallazgo interesante es
que en el caso de la educación, en el cuartil 75 la población ocupada que tiene
un nivel educativo superior universitaria llegan a aumentar su ingreso total
mensual en 47% más que la población ocupada que tiene un nivel educativo
primario. En resumen, la población económicamente activa ocupada de Lima
Metropolitana y Callao, que tienen un nivel educativo superior en general
perciben mejores ingresos; y las mujeres reciben en promedio ingresos totales
mensuales inferiores a los varones. También se concluye que la población
ocupada de Lima Metropolitana que perciben ingresos altos no
necesariamente necesita tener muchas horas trabajadas a la semana para que
sus ingresos sean mayores.
7
Arias, Yamada, & Tejerina (2004) analizan la importancia de la raza, los

antecedentes familiares y la educación para explicar la desigualdad del ingreso
laboral entre los blancos y la población de raza negra en Brasil. Emplean la
regresión por cuantiles en la distribución de los ingresos laborales para ir más
allá de la descomposición habitual de las brechas de salarios promedio según
la raza. Los resultados muestran que las diferencias en capital humano
incluyendo la educación de los padres y la calidad de la educación explican la
mayor parte pero no la totalidad de la brecha de ingresos laborales entre la
población de raza negra y los blancos.
Emplean datos de la encuesta nacional de hogares (PNAD) realizada en

1996 seleccionando una muestra de hombres trabajadores empleados de 15 a
65 años de edad residentes en zonas urbanas. Los resultados muestran que la
mayor parte de las desigualdades salariales entre razas se debe a la ventaja de
los blancos en la acumulación de capital humano y en los retornos de sus
inversiones en educación. También, los mayores retornos a la educación para
este grupo se deben parcialmente a sus antecedentes socioeconómicos más
favorables y al hecho de que suelen asistir a la escuela en estados donde la
calidad de la educación es relativamente mejor. Viendo los retornos de la
educación sobre la distribución de ingresos, estos son mayores para los
trabajadores en los cuantiles superiores de la distribución condicional de los
salarios es decir existe mayores niveles de desigualdad del ingreso entre los
trabajadores con mayores niveles de educación.
Alejo (2006) interpreta los cambios en la desigualdad salarial en el Gran

Buenos Aires para el período 1995-2003. Aplica una regresión por cuantiles y
el método Bootstrap para calcular los estimadores principales de la micro-
descomposición de varias muestras. Los datos analizados provienen de la
Encuesta Permanente de Hogares (EPH) que elabora el Instituto de
8
Estadísticas y Censos (INDEC) para el aglomerado del Gran Buenos Aires.

En el análisis utilizaron cinco índices para medir la desigualdad del salario por
hora: los tradicionales coeficientes de Gini y Theil y los coeficientes de los
deciles 90-10, 90-50 y 50-10. Los resultados muestran que si bien los cambios
distributivos a lo largo de todo el periodo fueron estadísticamente
significativos, las variaciones en los índices en el periodo que va de 1998 a
2003 son no significativas. Además, mirando los ratios entre cuantiles de la
distribución no condicional del salario puede apreciarse que si bien hay un
aumento en la desigualdad total, el mismo se localiza principalmente en la
parte superior de la distribución no condicional del salario por hora. También,
al evaluar las diferencias de aplicar mínimos cuadrados ordinarios versus
regresión por cuantiles, el autor encontró que para algunos indicadores el uso
de uno u otro método es trivial, mientras que para los índices de Gini y Theil
y el ratio 90-50, la utilización de QR implica una separación distinta de los
efectos sobre el cambio en la desigualdad.
En Bolivia no se han encontrado trabajos que combinen el modelo de

Mincer con la regresión por cuantiles, posiblemente nuestra búsqueda no haya
sido exhaustiva. Pero algunos trabajos que han utilizado el modelo Mincer
reportan diferentes tasas de retorno a la escolaridad. Por ejemplo Villegas &
Núñez (2005) analizan la encuesta de Mejoramiento de las Condiciones de
Vida (MECOVI) del año 2002, aplicando la ecuación de Mincer, encontraron
que cada año adicional de educación después del colegio aumenta en 12% el
ingreso de los trabajadores no profesionales. Otro estudio que también usa la
MECOVI del 2002 aplica una ecuación de Mincer, y halla que los retornos
educativos en el área urbana son muy bajos (Andersen & Wiebelt, 2003).
Así también, Guzmán (2012) empleó la MECOVI del 2007 y aplicando

también un modelo de Mincer, halló que por cada año adicional de educación
9
el salario se incrementa en un 8,85%. En un enfoque diferente Molina (2013)

utilizando una ecuación de Mincer encuentra que existe una tasa de retorno
de la educación que es del 5%. Por último Gallardo (2014) realizó un estudio
en el área urbana del departamento de Tarija y empleó la Encuesta de Hogares
(2002-2012) realizadas por el Instituto Nacional de Estadística. En el caso de
Tarija la tasa de retorno de la escolaridad resulto ser de 4%, al igual que la tasa
de rendimiento de la experiencia. A nivel nacional la tasa de retorno de la
educación resultó ser mayor (5,2%) sin embargo la tasa de retorno de la
experiencia resulto ser casi la misma que la de Tarija.
3. Estrategia metodológica
La estrategia metodológica empleada en éste trabajo consiste en la aplicación

de dos modelos econométricos a datos de encuestas, uno es la regresión
múltiple y el otro es la regresión por cuantiles. La unidad de análisis es el
individuo de la población económicamente activa, el modelo económico-
matemático es el de Mincer, y se emplea su versión econométrica para explicar
a un nivel empírico las variaciones de los niveles de ingresos laborales de los
individuos y la distribución de los mismos condicionando a la escolaridad y la
experiencia laboral según la especificación de Mincer y de Neumann y Weiss.
Asimismo es práctica común modificar el modelo de Mincer para

adecuarse mejor a las particularidades de la realidad bajo estudio. En éste caso
para Bolivia se han incluido variables adicionales para capturar los efectos del
sexo del encuestado, del área (urbana o rural) en el que vive, del departamento
en el que reside, de la lengua materna y de la categoría ocupacional.
La expresión formal del modelo planteado es entonces:
ln 𝑤𝑖 = 𝛼 + 𝛽𝑆𝑖 + 𝛾𝑋𝑖 + 𝛿𝑋𝑖2 + 𝜆𝑆𝑖 𝑋𝑖 + 𝜂′ 𝑍𝑖 + 𝑢𝑖
10
Donde 𝑤𝑖 es el ingreso laboral por hora, 𝑆𝑖 es la escolaridad en años, 𝑋𝑖

es la experiencia laboral potencial en años, y 𝑍𝑖 es un vector de controles que
incluye las variables dicotómicas de sexo, área, departamento, lengua materna,
y categoría ocupacional. Sobre los coeficientes se tiene a 𝛼 el término
constante que es el logaritmo de la media geométrica de los ingresos sin el
efecto de las variables explicativas del modelo, 𝛽 es la tasa de retorno de la
escolaridad, 𝛾 es la tasa de retorno de la experiencia laboral, los coeficientes
2𝛿
del término cuadrado y de la interacción son tal que − 𝛾+𝛿 es la tasa de
obsolescencia de la experiencia laboral y −𝜆/𝛽 es la tasa de obsolescencia de

la escolaridad (Raymond & Roig, 2003). Finalmente se supone que 𝑢𝑖 el
término de error aleatorio sigue una distribución independiente e
idénticamente distribuida como una normal con media nula y varianza
constante (homoscedástica).
El supuesto de homoscedasticidad rara vez se cumple, y la

heteroscedasticidad es más habitual, por ello para sortear éste problema se
aplica el método de regresión por cuantiles (en el anexo 1 se explica
formalmente éste modelo, también se puede consultar Cameron y Trivedi
(2005) o Greene (1999)), además este método proporciona más información
sobre cómo se distribuye la variable dependiente condicionada a diferentes
valores de las variables explicativas. Para el modelo de regresión por cuantiles
la especificación es la siguiente:
(ln 𝑤𝑖 )𝑞 = 𝛼𝑞 + 𝛽𝑞 𝑆𝑖 + 𝛾𝑞 𝑋𝑖 + 𝛿𝑞 𝑋𝑖2 + 𝜆𝑞 𝑆𝑖 𝑋𝑖 + 𝜂𝑞′ 𝑍𝑖
Donde (ln 𝑤𝑖 )𝑞 es el 𝑞-ésimo cuantil del logaritmo de los ingresos

condicional a las variables explicativas, el subíndice 𝑞 en los parámetros
denota que los mismos varían de acuerdo al cuantil.
11
Para la aplicación del modelo se han utilizado los datos de las encuestas
de hogares realizadas por el Instituto Nacional de Estadística (INE) de Bolivia,
en el período 2004 al 2015, excluyendo el 2010 toda vez que para ese año no
se cuenta con datos oficiales. Tales encuestas cuentan con el ingreso laboral
mensual y los años de escolaridad, más no con el de experiencia laboral, es
por ello que se ha utilizado la experiencia laboral potencial que se ha calculado
como la edad menos la escolaridad menos seis. También se tiene en las
encuestas las variables de sexo, departamento, categoría ocupacional, lengua
materna y área. Las encuestas del INE son de muestras que buscan ser
representativas de toda Bolivia y para ello se guían por un procedimiento de
muestreo complejo. En efecto, se trata de un muestreo aleatorio por
conglomerados y estratificado, bietápico para el área urbana y trietápico para
el área rural. El procedimiento consiste en dividir el territorio de Bolivia en
conglomerados geográficos que a la vez se estratifican por características
similares. Estos conglomerados se los denomina unidades primarias de
muestreo (UPM), y se selecciona aleatoriamente una muestra de estas
unidades, al interior de estas unidades se seleccionan los hogares e individuos
que son las unidades últimas de análisis (INE - Bolivia, 2018), en el área rural
se elige previamente la zona censal. Cada año la selección es diferente por lo
que las unidades seleccionadas son, en términos estadísticos, independientes
en probabilidad.
Se presenta a continuación una descripción de los datos involucrados

en las principales variables del estudio, las cuales son el ingreso laboral real
por hora, los años de escolaridad y los años de experiencia laboral potencial,
este último se ha calculado como la edad menos escolaridad menos seis,
debido a que las encuestas no poseen el dato de experiencia laboral. En el
Cuadro 1 se muestran los estadísticos descriptivos de la variable de ingreso
12
laboral real por hora, por cada año del período de estudio. Se presentan los
valores de los estadísticos en la muestra y expandidos a la población utilizando
el factor de expansión que las encuestas proporcionan. Se observa que tanto
la media como la mediana del ingreso han ido en aumento, lo que es
informativo porque se trata del ingreso real. La dispersión en cambio no
muestra un patrón claramente definido. Para algunos años la muestra es más
pequeña que para otros, por ello se advierte que los resultados obtenidos para
estos años hay que tomarlos con más precaución, pero de todas formas se los
incluye para verificar si efectivamente se da alguna tendencia en los resultados
de los análisis. El tamaño de la muestra expandida es una estimación de la
cantidad poblacional de trabajadores en Bolivia para ese año, su estimación
para el 2014 es sin embargo baja, y la misma se debe a la eliminación de
muchos valores atípicos en ese año, lo cual redujo la muestra y su expansión
provoca una estimación sesgada, no obstante se incluye el año en los análisis
posteriores para denotar si de alguna forma se mantiene en la tendencia.
13
Cuadro 1. Estadísticos descriptivos del ingreso laboral real por hora (2004-2015)
Media Mediana Desv. Est. N

Año Muestral Expandida Muestral Expandida Muestral Expandida Muestral Expandida
2004 10,15 8,53 5,37 4,59 18,76 16,51 13372 3181704
2005 6,27 6,92 3,61 3,85 10,96 12,20 5502 3167339
2006 9,81 9,95 4,81 4,72 29,34 33,07 5851 3369548
2007 8,94 9,03 5,06 5,04 16,01 17,55 6089 3584886
2008 9,43 9,27 5,51 5,58 17,01 17,95 5460 3674673
2009 9,40 9,48 6,09 6,24 13,48 13,54 5813 3875898
2011 9,71 9,73 6,80 6,88 12,49 12,40 12911 4109460
2012 9,96 10,04 6,89 6,96 13,34 13,06 12351 4186769
2013 10,06 9,62 7,24 6,95 13,07 12,77 14330 4102500
2014 9,67 9,55 6,91 6,84 14,99 14,89 7855 2277530
2015 10,05 9,58 7,55 7,12 13,24 12,77 13921 3997007
Total 9,63 9,29 6,28 5,89 15,71 16,85 103455 39527314
Fuente: Elaboración propia con datos de la Encuesta de Hogares 2004-2015
En el Cuadro 2 se muestran los estadísticos descriptivos de la variable de años de escolaridad, por cada año del
período de estudio. Se presentan también en este caso los valores de los estadísticos en la muestra y expandidos. Se observa
un incremento de la escolaridad promedio y de la escolaridad mediana en el curso de los años del período de estudio, la
dispersión nuevamente no exhibe patrón alguno.
14
Cuadro 2. Estadísticos descriptivos de los años de escolaridad (2004-2015)

2004 8,75 7,70 9 7 5,15 4,99 13372 3181704
2005 7,93 8,36 8 8 5,14 5,23 5502 3167339
2006 8,88 8,61 9 9 5,34 5,41 5851 3369548
2007 8,82 8,80 9 9 5,26 5,31 6089 3584886
2008 8,87 8,85 9 9 5,50 5,26 5460 3674673
2009 8,96 9,08 9 10 5,30 5,30 5813 3875898
2011 9,46 9,46 10 10 5,36 5,33 12911 4109460
2012 9,84 9,64 11 11 5,32 5,28 12351 4186769
2013 10,90 10,26 12 12 5,60 5,75 14330 4102500
2014 9,00 8,62 10 9 5,21 5,17 7855 2277530
2015 10,15 9,76 12 11 5,10 5,23 13921 3997007
Total 9,46 9,09 10 10 5,36 5,36 103455 39527314
15
Finalmente en el Cuadro 3 se muestran los estadísticos descriptivos de

la variable de años de experiencia laboral potencial, en el período de análisis.
Se presentan los valores de los estadísticos en la muestra y expandidos como
en los casos anteriores. Se observa un decremento de la experiencia promedio,
de la experiencia mediana y de la dispersión. Pero dado que es una experiencia
construida a partir de la edad lo más probable es que lo que se esté observando
sea una disminución de la edad promedio y mediana de la población
trabajadora.
Uno de los problemas clásicos del modelo de Mincer es la omisión de

variables relevantes que no pueden evitarse porque tales variables son en
general no observables. La más tratada es la habilidad innata de los individuos,
la misma que puede ser un importante determinante de los ingresos laborales,
su omisión provoca sesgo en los coeficientes. La forma de sortear éste
problema (dado que las encuestas de hogares tampoco cuentan con esta
variable) es utilizando una variable proxy o recurriendo al método de variables
instrumentales. Se ha recurrido a la primera opción incluyendo en los
controles la variable de categoría ocupacional como proxy de las habilidades
innatas, la misma es una variable nominal por lo que se han incluido dummies
de cada categoría. Tales categorías son: Trabajadores del hogar, Trabajadores
por cuenta propia, Obreros, Empleados y Patrones.
16
Cuadro 3. Estadísticos descriptivos de los años de experiencia laboral potencial (2004-2015)

2004 23,14 24,59 20 22 16,46 17,15 13372 3181704
2005 26,11 25,32 24 23 17,48 17,45 5502 3167339
2006 24,16 24,47 22 22 17,13 17,37 5851 3369548
2007 24,44 24,67 22 22 17,43 17,72 6089 3584886
2008 26,04 24,85 24 23 17,92 17,52 5460 3674673
2009 24,91 24,18 22 22 17,52 17,22 5813 3875898
2011 24,26 23,90 22 21 17,34 17,19 12911 4109460
2012 24,50 24,35 22 22 17,10 17,05 12351 4186769
2013 23,46 25,06 21 23 17,14 18,04 14330 4102500
2014 23,94 24,76 22 23 16,68 17,14 7855 2277530
2015 23,79 25,19 21 23 16,71 17,38 13921 3997007
Total 24,18 24,65 22 22 17,10 17,40 103455 39527314
17
Se supone que tales categorías son una función de las habilidades

innatas. Así se especula que los trabajadores del hogar que por lo general
obtienen bajas o nulas remuneraciones, es porque carecen de ciertas
habilidades para exigir mayores pagos, además ser trabajador del hogar podría
denotar también la poca capacidad de ser independiente, para lo cual se
necesita más habilidades innatas, asimismo su trabajo es más simple
(repetitivo), lo que no exige habilidades más complejas; los trabajadores por
cuenta propia y los obreros tienen también en general trabajos menos
complejos, pero estos últimos se hallan en una situación de dependencia que
podría ser quizá indicativo de habilidades no muy desarrolladas para ser
independientes; los empleados son también dependientes pero muchos suelen
estar en mejores condiciones de trabajo, producto quizá de mejores
capacidades de negociación con los empleadores. Por otra parte se necesitan
ciertas habilidades de interacción social para conseguir y mantenerse como
obreros o empleados y así obtener los beneficios sociales que en general ellos
consiguen, se supone que tales habilidades no están tan desarrolladas en los
trabajadores por cuenta propia. Finalmente los patrones podrían poseer
diversas habilidades más desarrolladas, que son necesarias para ser
independientes, como ser una mayor responsabilidad y un mejor manejo del
riesgo en los negocios†.
Los resultados de incluir la categoría ocupacional en las regresiones

han sido una baja en el sesgo del coeficiente de la escolaridad, tal como se
esperaba si los supuestos son los correctos. Sobre la otra opción, los posibles
instrumentos como la escolaridad de los padres estaban disponibles, pero con
†
Este razonamiento puede ser rebatido de muchas formas, por ello, todos son supuestos y
se los presenta más que todo para ayudar de alguna forma a disminuir el sesgo por variable
omitida.
18
LA EVOLUCIÓN DEL ROL DEL CAPITAL HUMANO… |19
muchos datos perdidos, su inclusión reducía el tamaño de la muestra

sensiblemente y provocaba una desmejora de las propiedades asintóticas.
Para sortear la no normalidad que es inherente a los datos de ingresos

laborales, se ha cuidado de no disminuir el tamaño de la muestra para
preservar la propiedad de normalidad asintótica de los estimadores y sus
errores estándar, pero asimismo se ha aplicado el método de bootstrap con
100 replicaciones para contar con una distribución estimada de los
estimadores y obtener de ella los errores estándar. Dado que los datos
provienen de encuestas, entonces es necesario utilizar el factor de expansión
para que no exista sobrerrepresentación o subrrepresentación de algunos
grupos de individuos, por ello mismo el método bootstrap se ha aplicado al
interior de las unidades primarias de muestreo‡.
Otro problema clásico en el modelo de Mincer es el de sesgo de

selección, el mismo que puede ser controlado aplicando la corrección de
Heckman, lo cual se hizo en regresiones previas utilizando las dos formas de
corrección (máxima verosimilitud y de dos pasos) los resultados indicaron la
existencia de sesgo de selección para algunos años y no para otros, pero ambas
formas no coincidieron en todos los casos, además la no normalidad de los
datos provoca que los resultados de la corrección de Heckman sean
inconsistentes (Goldberger, 1983), lamentablemente las alternativas no
paramétricas de corrección del sesgo de selección no se encuentran
disponibles en los paquetes más conocidos, por lo que éste es un tema
pendiente de resolución.
‡
Al proceder de esta manera algunos grupos pueden tener observaciones donde algunas
variables dicotómicas se conviertan en constantes, imposibilitando la estimación de su
coeficiente, ello pasa comúnmente cuando hay muchas interacciones entre variables
categóricas, por ello en este trabajo se prescindieron de las interacciones.
19
4. Resultados
Se han estimado los parámetros de los modelos de regresión múltiple y de

regresión por cuantiles. En general los datos se ajustan bien en el modelo de
regresión múltiple, dado que los coeficientes de determinación oscilan entre
un 20 y un 40%, lo cual no está mal para este tipo de datos microeconómicos
con mucha variabilidad. Muchos de los coeficientes, tanto del modelo de
regresión múltiple como del modelo de regresión por cuantiles son
significativos, como se puede ver en el anexo 2. A continuación se describen
los resultados hallados§ presentados de forma conjunta:
4.1. Efecto Parcial de la Acumulación de Capital Humano en los

Ingresos
El Gráfico 1 nos muestra que el efecto neto** de la escolaridad sobre el ingreso
era algo más acentuado en el 2004 que en el 2015. Las personas con más años
de escolaridad alcanzaban ingresos mucho más superiores que las que tenían
pocos años de educación, la diferencia entre ambos grupos en el 2004 era más
amplia.
§
Para un análisis detallado se presentan en el Anexo 2 los resultados de la regresión de ambos
modelos, donde todos los coeficientes de la escolaridad, de la experiencia laboral, de su
cuadrado y de la constante son significativos.
** El efecto es neto de depreciación, y para graficar se fijaron a cero el resto de las variables
de la ecuación, por lo que se obtiene algo como el efecto “puro” de la variable explicativa,
suponiendo que la especificación del modelo es adecuada.
20
Gráfico 1. Efecto parcial de la escolaridad neta de depreciación en el

logaritmo natural del ingreso por años
El año 2015 la diferencia se hace menos importante, dando lugar a dos

fenómenos, por un lado que personas con niveles mínimos de escolaridad
alcancen niveles de ingreso superiores a lo que se observa en 2004 y por otro
lado las personas con niveles de escolaridad elevados acceden a niveles de
ingreso no tan superiores como en el año 2004. Esto puede significar que el
rendimiento de la escolaridad hacia el ingreso ya no es el mismo en el periodo
de 11 años de estudio, el año 2015 la educación parece ya no rendir tanto
como el 2004 o tal vez ya no es un determinante importante de los ingresos
como lo era el 2004.
21
Por otra parte, el Gráfico 2 muestra un análisis parecido pero

considerando el efecto de la experiencia laboral sobre el ingreso. El
comportamiento de esta variable resulta ser parabólico y la comparación de
los años 2004 y 2015 nos muestra que el efecto de la experiencia laboral es
también de esta manera, sin embargo resalta el hecho de que el 2015 la
experiencia tenga un efecto más positivo sobre el ingreso ya que personas con
el mismo nivel de experiencia laboral pudieron acceder a niveles de ingreso
superiores que las personas con este mismo nivel de experiencia el 2004,
siempre manteniendo el resto de las variables constantes.
Gráfico 2. Efecto parcial de la experiencia laboral en el logaritmo

natural del ingreso por años
22
4.2. Rendimiento del Capital Humano sobre los Ingresos
Considerando sólo la escolaridad, el Gráfico 3 refleja que la tasa de retorno a

la escolaridad asociada al ingreso promedio de la distribución condicional
exhibe una tendencia a la baja. La tasa de retorno asociada a la mediana y a la
media tendieron a ser iguales en los últimos años pero ambos tienden a la baja,
eso significa que la escolaridad ya no es un factor de diferencia en la
distribución de ingresos. Esto resulta de la misma manera para el cuartil
inferior y superior de la muestra condicional en cuanto a la tendencia a la baja,
pero en cuanto a la magnitud de las tasas se observa una especie de
intercambio entre el cuartil superior e inferior, las tasas asociadas al cuartil
superior eran más altas al principio del período y luego son las más bajas al
final, lo contrario ocurre con las tasas de retorno del cuartil inferior, esto
significa que mientras más elevado es el ingreso, menos importancia tiene la
escolaridad para explicar los diferenciales del ingreso, pero al principio del
período era al revés. Se observa asimismo una caída mayor en el 2014, los
resultados del mismo hay que tomarlo con precaución como ya se señaló
antes, porque no obstante podría tratarse de un año donde, entre otras
posibilidades, se midieron con error las variables.
23
Gráfico 3. Tasa de Retorno a la Escolaridad
Por su parte, la tasa de retorno de la experiencia laboral sobre los

ingresos tuvo un comportamiento variado en el período de estudio. El Gráfico
4 reporta que las tasas de retorno de la experiencia tendían a la baja del año
2004 al 2011, luego se recuperaban, en particular la asociada al cuartil inferior,
lo que podría significar que la experiencia laboral fue un determinante
importante de los ingresos en los últimos años de estudio para los individuos
de bajas rentas laborales. En el caso del último estrato de ingreso sucede el
efecto inverso, los retornos netos de la experiencia laboral para las personas
de ingresos elevados sufrieron un importante descenso en los últimos años.
24
Gráfico 4. Tasa de retorno de la experiencia laboral
Así como es importante la tasa de retorno del capital humano, también

lo es observar a que nivel este se deprecia o se vuelve obsoleto con el paso del
tiempo, por eso a continuación mostramos los resultados provenientes de este
análisis.
4.3. Obsolescencia del Capital Humano
Los gráficos 5 y 6 muestran las tasas de obsolescencia de la escolaridad y de la

experiencia laboral respectivamente, calculados como se menciona en la
sección 3, las tasas de obsolescencia de la escolaridad exhiben una leve
tendencia a la subida, pero algunos de los coeficientes con los que se los
calcularon no son significativos en las distintas regresiones (ver Anexo 2).
Podría decirse que este fenómeno de la depreciación de la escolaridad no es
tan agudo en Bolivia en general, pero que se da en varios casos. La tendencia
25
a la subida es leve o prácticamente puede no haber tendencia y la

obsolescencia de la escolaridad es baja y se mantienen más o menos así
durante el período de tiempo estudiado. En todo caso se nota una mayor
obsolescencia en particular sólo para el 2014, pero como ya se dijo, este año
hay que tomarlo con precaución porque podría tratarse de errores en la
medición de las variables.
Gráfico 5. Tasa de Obsolescencia de la Escolaridad
En cuanto a la experiencia laboral, el comportamiento que se observa

es uno que tiende al aumento de la obsolescencia de la experiencia en el
período de estudio, para los diferentes puntos de la distribución condicional
de los ingresos. Las tasas menores se encuentran para los de mayores ingresos
condicionales a cada año de experiencia. Los coeficientes a partir de los cuales
se obtienen las tasas de obsolescencia son todos significativos, por lo tanto,
26
en efecto existen depreciación de la experiencia laboral para los diferentes

niveles de ingresos en todos los años del período de análisis.
Gráfico 6. Tasa de obsolescencia de la experiencia laboral
Finalmente pasamos a mostrar los resultados provenientes del modelo

en cuanto a la distribución de los ingresos independientemente de las variables
explicativas hasta aquí analizadas.
4.4. Distribución de los ingresos (Intercepto)
La constante es el logaritmo de la media geométrica de los ingresos

que no son explicados por las variables explicativas del modelo lineal de
regresión clásico, y en la regresión por cuantiles es el logaritmo del ingreso
correspondiente al cuantil en cuestión, que no está explicado por el resto de
variables explicativas del modelo. El Gráfico 7 muestra la distribución de tales
ingresos independientes de las variables explicativas, y su evolución en el
27
tiempo. Se observa que a medida que ha pasado el tiempo los estadísticos de

los ingresos han aumentado, esto significa que hay una parte de los ingresos
que no está siendo explicado por las variables elegidas en el modelo, por lo
tanto debe haber otra fuente para expresar esos ingresos.
Gráfico 7. Distribución de Ingresos (Intercepto)
Esto resulta ser más notable para el caso del tercer cuartil, donde se
observa que entre Bs. 2,72 y Bs. 4,48 de ingreso real por hora (antilogaritmos
de 1 y 1,5 respectivamente) no fueron explicados por el nivel de escolaridad
ni por la experiencia laboral en los últimos 7 años, es posible que existan otras
variables que expliquen mejor este fenómeno para este estrato de población.
Considerando conjuntamente los interceptos y las pendientes para los

distintos cuantiles y el modelo de media condicional (el clásico), se observa en
general que los primeros aumentan notablemente en el período considerado
28
y los últimos disminuyen también de manera notable en el mismo período.

Dado que se trata del ingreso laboral real por hora, los resultados mostrados
dan a entender un aumento del ingreso y que es necesario hallar otras fuentes
de explicación de los niveles de ingresos en los últimos años, al margen de las
variables explicativas propuestas en el modelo de Mincer aplicado en éste
trabajo.
Sobre la distribución, se tiene que las pendientes relacionadas a la

escolaridad se acercan un poco entre ellas al final del período de análisis, lo
cual evidencia una leve homogeneización en el tipo de distribución
condicional, siendo más heterogéneas al principio del período con mayores
tasas de retorno para el cuantil superior en algunos casos.
En cuanto a las otras variables explicativas, se puede observar en el

Anexo 2 su comportamiento. Se tiene que el efecto de la categoría empleados
tiende a la baja, de los cuentapropistas también pero algo más estable y con
grandes diferencias entre cuantiles, lo que denota que existe mucha dispersión
al interior del este grupo. Las tasas de patrones y trabajadores del hogar
también exhiben caídas pero con más homogeneidad al interior de los grupos
(la categoría omitida para evitar la multicolinealidad es la de los obreros y los
resultados anteriores son comparaciones respecto a ésta). La tasa de retorno
(independiente de las otras variables explicativas) de las mujeres ha
experimentado un leve descenso (la de los hombres se halla en el intercepto
pero está mezclado con las categorías omitidas para evitar el problema de
colinealidad). La tasa de retorno del área rural permanece con pocas
variaciones en los últimos años. Las de La Paz y Cochabamba experimentan
un leve aumento, las de Oruro, Potosí, Tarija, Beni y Pando sufren caídas algo
irregulares y la de Santa Cruz no denota un patrón claro (Chuquisaca es la
categoría omitida por tanto las comparaciones son con respecto a ésta), todo
29
en los últimos años. En cuanto a la lengua materna, la quechua y aymara

muestran un efecto estable, aunque con una leve alza de éste último, la de
otros nativos es muy irregular pero con una caída apreciable en el último año
(la lengua castellana es la omitida). En todos los casos se trata del efecto parcial
manteniendo el resto constante.
5. Conclusiones
En conclusión se puede enunciar que en el período del 2004 al 2015 ha

sucedido una caída de la tasa de retorno a la escolaridad en Bolivia, asimismo
la tasa de retorno a la experiencia también ha caído hasta el 2011 y luego se ha
recuperado un poco, al parecer no se puede hablar de obsolescencia de la
escolaridad en todos los años pero si es un fenómeno que se da en la mayoría
de los años y en todo caso no muestra un patrón claro en el tiempo, hay
también un incremento de la obsolescencia de la experiencia laboral. El
ingreso real por hora, no explicado por las variables del modelo ha ido en
aumento en el período de estudio. La distribución de los ingresos reales
horarios, condicional a la escolaridad, es algo menos variable con el paso del
tiempo, las tasas de retorno para distintos niveles del ingreso real en los
últimos años tienden a ser iguales.
Las tasas de retorno a la escolaridad halladas no muestran grandes

diferencias con respecto a otros trabajos en Bolivia. En este trabajo se muestra
que las tasas de retorno disminuyen desde aproximadamente un 12% a un 8%
del 2004 al 2015. La tasa de 12% para el 2004 está de acuerdo con la tasa de
12% hallada por Villegas & Núñez (2005) para el 2002, y la tasa del 9%
encontrada para el 2007 no está muy lejos de la tasa de 8,85% hallada por
Guzmán (2012) para el mismo año. Sin embargo la tasa estimada por Molina
(2013) del 5% para el 2009 se aleja de la tasa estimada de aproximadamente el
9% en este trabajo. Las tasas obtenidas por Gallardo (2014) para el período
30
2002-2012 son también más bajas pero exhiben al igual que en éste trabajo
una tendencia a la baja.
La señalada tendencia a la baja de las tasas de retorno a la escolaridad

podría explicarse por al aumento de la proporción de población con mayores
años de educación formal, por lo que se estaría dando una mayor
homogeneidad educativa en la población dada la universalización de la
educación formal. Por lo mismo la educación podría ser menos importante
que hace 12 años para explicar los ingresos. En tanto que tendrían que haber
otras variables al margen de las del modelo que puedan explicar el aumento
de los ingresos reales.
Sobre la pertinencia del modelo de Mincer, se ha obtenido que el mismo

parece ser válido para estudiar la relación de los ingresos laborales, con la
escolaridad y la experiencia laboral, sin embargo el poder explicativo del
modelo disminuye con el paso del tiempo en el período estudiado, lo que
podría deberse a la emergencia de otras variables en los últimos años que
expliquen el ingreso laboral. Asimismo la inclusión del término de interacción
para medir la depreciación de la escolaridad parece ser adecuado toda vez que
la mayoría de los años su coeficiente resultó ser significativo, por lo tanto se
puede decir en general que en Bolivia existe depreciación del capital humano,
aunque la evidencia no es muy fuerte en algunos años. Finalmente se tiene que
la disminución de las tasas de retorno a la escolaridad podría ser no obstante
un síntoma positivo hasta cierto punto, ya que podría estar indicando una
mayor oferta laboral calificada, y entonces lo que cabría hacer en este caso es
aplicar políticas para generar mayor empleo porque es posible que esa
población esté subempleada.
Un trabajo pendiente es entonces identificar ésas otras fuentes del

ingreso laboral real, que no se hallan en las explicativas consideradas, dado
31
que el intercepto se incrementa para los últimos años donde han estado
presentes la mismas variables explicativas que al principio del período de
análisis.
Referencias
Acevedo, M. C., Montes, I. C., Maya, J. J., González, M. N., & Mejía, T. B.
(2012). Capital humano: una mirada desde la educación y la
experiencia laboral. Cuadernos de Investigación(56).
Alejo, J. (2006). Desigualdad salarial en el gran Buenos Aires: una aplicación
de regresión por cuantiles en microdescomposiciones. Documentos de
Trabajo del CEDLAS.
Alves, G., Brum, M., & Yapor, M. (2009). Evolución y determinantes de la
desigualdad de remuneraciones por trabajo en Uruguay 1986-2007.
Andersen, L. E., & Wiebelt, M. (2003). La Mala Calidad de la Educación en Bolivia
y sus Consecuencias para el Desarrollo. Documentos de Trabajo, Instituto
de Investigaciones Socio-Económicas.
Arias, O., Yamada, G., & Tejerina, L. (2004). Educación, antecedentes
familiares y desigualdad interracial del salario en Brasil.
Becker, G. (1962). Investment in human capital: A theoretical analysis. Journal
of Political Economy, 9-49.
Becker, G. (2009). Human Capital: A Theoretical and Empirical Analysis, with
Special Reference to Education. Chicago: University of Chicago Press.
Cameron, C., & Trivedi, P. (2005). Microeconometrics Methods and Applications.
Cambridge: Cambridge University Press.
Castillo, A. (2015). Retornos y depreciación del capital humano, un análisis
empírico para México durante 2011-2014. Obtenido de ResearchGate:
http://dx. doi. org/10.13140/RG, 2, 1.
Castillo-Aroca, A. (2016). Depreciación del capital humano en la Alianza del
Pacífico durante 2007-2014. Revista de Ciencias Económicas, 34, 9-46.
Castillo-Aroca, A. (2016). Depreciación del capital humano en la Alianza del
Pacífico durante 2007-2014. Revista de Ciencias Económicas de la
Universidad de Costa Rica, 9-46.
32
Encalada Jumbo, D., & Maldonado Granda, D. (2014). Diferencias salariales

regionales ligadas a la educación: aplicación a la región sur del
Ecuador, 2010. Análisis Económico, 29.
Fernández, R. A. (2011). Rendimientos de la Educación en el Noreste
Argentino: Evolución reciente y Estructural actual. Visión de futuro, 15,
0-0.
Fonnegra, C. a., López, V. a., & González, Z. a. (2010). Desigualdad étnico-
racial en la distribución del ingreso en Colombia: Un análisis a partir
de Regresión Cuantílica. Revista Sociedad y Economía.
Galassi, G. L., & Javier, M. (2006). La relación entre educación e ingresos:
ecuaciones de Mincer por regiones geográficas de Argentina. Buenos
Aires.
Gallardo, H. A. (2014). Educación y Mercado de Trabajo. Una investigacion
cuantitativa de las relaciones entre la educación y los niveles de
ingreso, empleo/desempleo en el área urbana del Departamento de
Tarija 2002-2012. Universidad Autónoma Juan Misael Saracho.
Gasparini, L., Marchionni, M., & Sosa Escudero, W. (2001). La distribución
del ingreso en la Argentina.
Goldberger, A. (1983). Abnormal selection bias. Studies in Econometrics, Time
Series, and Multivariate Statistics, 67-84.
Greene, W. (1999). Análisis econométrico. Madrid: Pearson Educación.
Guataquí, J. C., García, A. F., & Rodríguez, M. (2009). Estimaciones de los
determinantes de los ingresos laborales en Colombia con
consideraciones diferenciales para asalariados y cuenta propia.
Documentos de trabajo, 70, 1-22.
Gutierrez, O. D., & Navarro, M. L. (2005). Nueva evidencia sobre el
rendimiento del capital humano en España. Revista de Economía
Aplicada, 37, 69-88.
Guzmán, D. (2012). Retornos de la educación y discriminación étnica en el mercado
laboral boliviano. Ph.D. dissertation.
INE - Bolivia. (18 de enero de 2018). Documento metodológico de la Encuesta de
Hogares 2012. Obtenido de Instituto Nacional de Estadística de
Bolivia:
http://anda.ine.gob.bo/ANDA4_2/index.php/catalog/290/downlo
ad/1125
33
Machado, T., & Humberto, J. (2013). La heterogeneidad de la distribución salarial

desde las regresiones cuantílicas en Colombia 1996-2005. Ph.D. dissertation.
Martínez, G., & Mauricio, B. (2012). Efectos de depreciación en el capital humano:
evidencia empírica por nivel de cualificación y ramas de actividad en colombia
[recurso electrónico]. Ph.D. dissertation.
Mincer, J. (1974). Schooling, experience, and earnings. Massachusetts: NBER.
Molina, O. (2013). Comercio Internacional y Diferencias Salariales no
Explicadas. Evidencia desde un Corte Transversal para Bolivia por
Género. Universidad Privada Boliviana.
Morales, H., & Henry, R. (2016). Análisis de la regresión cuantílica para la
distribución del ingreso total mensual de la población
económicamente activa ocupada de Lima Metropolitana.
Neuman, S., & Weiss, A. (1995). On the effects of schooling vintage on
experience-earnings profiles: Theory and evidence. European Economic
Review, 943-955.
Raymond, J. L., & Roig, J. L. (2003). Human capital depreciation: a sectorial
approach. Documento de trabajo (I21).
Seoane, M. J., & Álvarez, M. T. (2008). Las ecuaciones de Mincer y las tasas
de rendimiento de la educación en Galicia. Investigaciones de Economía de
la Educación, 5, 285-304.
Soto, G., Barceinas, R., & Raymond, J. (2007). Depreciación del capital
humano. una aproximación sectorial: el caso de México. Obtenido de
Universidad Autónoma Metropolitana-Azcapotzalco: http://www. azc. uam.
mx/socialesyhumanidades/02/posgrados/ciencias_economicas/contenidos/01/
Dep% 20HC% 20M% E9xico5. pdf.
Torres Zavala, A. (2016). La experiencia y su sesgo en los modelos de capital humano:
el caso de México. Ph.D. dissertation, Universidad Autónoma de Nuevo
León.
Urciaga García, J., & Hernández, A. a. (2008). Salarios, educación y sus
rendimientos privados en la frontera norte de México: un estudio de
capital humano. Región y sociedad, 20, 33-56.
Vignoli, G. (2012). Tasa de depreciación de capital humano: Evidencia empírica para
Argentina. Universidad del CEMA. Serie Documentos de Trabajo,
Universidad del CEMA: Área: economía.
34
Villegas, H., & Núñez, J. (2005). Discriminación étnica en Bolivia:

Examinando diferencias regionales y por nivel de calificación. Estudios
de Economía, 32.
Anexo 1
Regresión por cuantiles
Sea 𝑦 una variable aleatoria con función de distribución acumulativa 𝐹(𝑦),
entonces el 𝑞-ésimo cuantil poblacional es
𝑦𝑞 = 𝐹 −1 (𝑞) (1)
donde 𝑞 es la probabilidad de que 𝑦 sea menor o igual a 𝑦𝑞 , es decir
𝑞 = Pr(𝑦 ≤ 𝑦𝑞 ) = 𝐹(𝑦𝑞 ) (2)

por lo tanto 𝑦𝑞 puede interpretarse como el valor máximo del 100𝑞% inferior
o como el valor mínimo del 100(1 − 𝑞)% superior de la distribución de 𝑦,
dado que ésta es continua. Sea 𝑢 la estandarización de 𝑦, tal que
𝑦 = 𝜇 + 𝜎𝑢 (3)
con 𝜇 y 𝜎 como la media y la desviación estándar de 𝑦 respectivamente,
entonces reemplazando (3) en (2) se obtiene𝑞 = Pr(𝜇 + 𝜎𝑢 ≤ 𝑦𝑞 ) =
𝑦𝑞 −𝜇 𝑦𝑞 −𝜇
Pr (𝑢 ≤ )= 𝐺( ) (4)
𝜎 𝜎
donde 𝐺(𝑢) es la función de distribución acumulativa de 𝑢, resolviendo (4)

para 𝑦𝑞 se tiene
𝑦𝑞 = 𝜇 + 𝜎𝐺 −1 (𝑞) = 𝜇 + 𝜎𝑢𝑞 (5)
con 𝑢𝑞 como el cuantil 𝑞-ésimo de 𝑢. Si se condiciona 𝑦 a los valores de un
vector de variables 𝐱 incluyendo una constante se tiene que
𝑦𝑞 = 𝜇𝑦|𝑥 + 𝜎𝑦|𝑥 𝑢𝑞 (6)
con 𝑦𝑞 = 𝐹 −1 (𝑞|𝐱) y 𝑢𝑞 = 𝐺 −1 (𝑞|𝐱), se supone además que la media y la
desviación estándar condicionales son lineales en los coeficientes
𝜇𝑦|𝑥 = 𝐱 ′ 𝛽 y 𝜎𝑦|𝑥 = 𝐱 ′ 𝛼 (7)
35
reemplazando (7) en (6), el cuantil de 𝑦 condicional a 𝐱 es

𝑦𝑞 = 𝐱 ′ 𝛽 + 𝐱 ′ 𝛼𝑢𝑞 = 𝐱 ′ (𝛽 + 𝛼𝑢𝑞 ) = 𝐱 ′ 𝛽𝑞 (8)
En el contexto del modelo de Mincer, el 𝑞-ésimo cuantil condicional es
(ln𝑤)𝑞 = 𝛼𝑞 + 𝛽𝑞 𝑆 + 𝛾𝑞 𝑋 + 𝛿𝑞 𝑋 2 + 𝜆𝑞 𝑆𝑋 + 𝜂𝑞′ 𝑍
entonces
∂(ln𝑤)𝑞
= 𝛽𝑞 + 𝜆𝑞 𝑋
∂𝑆
es la tasa de retorno a la escolaridad con depreciación, en tanto 𝛽𝑞 es la tasa
de retorno neta de depreciación y 𝜆𝑞 /𝛽𝑞 es la tasa de obsolescencia de la
escolaridad, en todos los casos lo es para el máximo ingreso del 100𝑞%
inferior o el mnimo ingreso del 100(1 − 𝑞)% superior de la distribución
condicional de ingresos. Asimismo
∂(ln𝑤)𝑞
= 𝛾𝑞 + 2𝛿𝑞 𝑋
∂𝑋
es la tasa de retorno a la experiencia con depreciación de ésta, 𝛾𝑞 es la tasa de
retorno de la experiencia neta de depreciación y 2𝛿𝑞 /𝛾𝑞 es la tasa de
obsolescencia de la experiencia para el máximo ingreso del 100𝑞% inferior o
el mnimo ingreso del 100(1 − 𝑞)% superior de la distribución condicional
de ingresos.
36
Anexo 2
Resultados Modelo de Regresión por Mínimos Cuadrados Ordinarios
2004 2005 2006 2007 2008 2009
VARIABLES lnw lnw lnw lnw lnw lnw
lnw
Escolaridad 0.129*** 0.127*** 0.117*** 0.0888*** 0.110*** 0.0907***
Exper. lab. 0.0588*** 0.0590*** 0.0543*** 0.0400*** 0.0568*** 0.0495***
c.xlab#c.xlab -0.00074*** -0.00072*** -0.00064*** -0.00054*** -0.00078*** -0.00067***
c.esc#c.xlab -0.00112*** -0.00109*** -0.00115*** -0.000276 -0.00119*** -0.00085***
Categ. ocup. = 2, Empl 0.121*** -0.0154 0.285*** 0.101** -0.143*** -0.190***
Categ. ocup. = 3, CPCp -0.198*** -0.411*** -0.323*** -0.440*** -0.447*** -0.515***
Categ. ocup. = 4, Patr 0.327*** 0.293*** 0.485*** 0.294*** 0.00620 -0.0576
Categ. ocup. = 5, HogFm -0.245*** -0.197** -0.168** -0.233*** -0.369*** -0.421***
Sexo = 2, M -0.150*** -0.168*** -0.243*** -0.105*** -0.237*** -0.0949***
Area = 2, Rur -0.388*** -0.668*** -0.147*** -0.327*** -0.360*** -0.419***
Depto. = 2, LP 0.150*** -0.0813 -0.0925 0.0433 -0.0389 -0.0999
Depto. = 3, Cba 0.164*** -0.0201 0.179*** 0.209*** 0.0736 0.193***
Depto. = 4, Oru 0.302*** 0.0105 -0.197*** 0.0426 0.150 -0.142
Depto. = 5, Pot -0.104 -0.189*** -0.0918 -0.262*** -0.357*** -0.358***
Depto. = 6, Tar 0.253*** 0.00678 0.0805 0.0980 0.164** 0.331***
Depto. = 7, SC 0.364*** 0.352*** 0.211*** 0.200*** 0.250*** 0.302***
Depto. = 8, Ben 0.440*** 0.301*** 0.107* 0.192** 0.311*** 0.360***
Depto. = 9, Pan 0.545*** 0.568*** 0.633*** 0.623*** 0.670*** 0.616***
Lengua mat. = 2, Qch -0.0781** -0.166*** -0.191*** -0.0290 0.0323 -0.133**
Lengua mat. = 3, Aym -0.193*** -0.228*** -0.264*** -0.358*** -0.0879* -0.275***
Lengua mat. = 4, OtNat 0.109 -0.0639 0.0694 0.300** 0.0396 0.399***
Constant -0.0114 -0.0453 0.121 0.527*** 0.532*** 0.843***
Observations 13,372 5,502 5,851 6,089 5,460 5,813

R-squared 0.389 0.476 0.377 0.369 0.348 0.371
Standard errors in parentheses
*** p<0.01, ** p<0.05, * p<0.1
37
2011 2012 2013 2014 2015

VARIABLES lnw lnw lnw lnw lnw
lnw
Escolaridad 0.0674*** 0.0742*** 0.0704*** 0.0482*** 0.0703***
Exper. lab. 0.0380*** 0.0454*** 0.0523*** 0.0519*** 0.0457***
c.xlab#c.xlab -0.00054*** -0.00064*** -0.00077*** -0.00081*** -0.00067***
c.esc#c.xlab -0.00019 -0.00061*** -0.00053*** -0.00064*** -0.00056***
Categ. ocup. = 2, Empl -0.0769*** -0.154*** -0.0891*** -0.0978*** -0.174***
Categ. ocup. = 3, CPCp -0.367*** -0.524*** -0.471*** -0.402*** -0.506***
Categ. ocup. = 4, Patr 0.175*** -0.00908 0.120*** 0.0335 -0.0738*
Categ. ocup. = 5, HogFm -0.479*** -0.445*** -0.434*** -0.468*** -0.454***
Sexo = 2, M -0.164*** -0.157*** -0.222*** -0.208*** -0.186***
Area = 2, Rur -0.303*** -0.345*** -0.373*** -0.453*** -0.406***
Depto. = 2, LP 0.0323 0.0537 0.0597 0.00246 0.146***
Depto. = 3, Cba 0.158*** 0.181*** 0.260*** 0.159** 0.178***
Depto. = 4, Oru -0.114** 0.115** 0.198*** 0.166** -0.0857
Depto. = 5, Pot -0.332*** -0.290*** -0.140** -0.101 -0.276***
Depto. = 6, Tar 0.140*** 0.336*** 0.541*** 0.155** 0.186***
Depto. = 7, SC 0.253*** 0.206*** 0.438*** 0.0972 0.269***
Depto. = 8, Ben 0.248*** 0.0992* 0.360*** 0.290*** 0.258***
Depto. = 9, Pan 0.501*** 0.466*** 0.507*** 0.446*** 0.484***
Lengua mat. = 2, Qch -0.0353 -0.189*** -0.237*** -0.0479 -0.127***
Lengua mat. = 3, Aym -0.250*** -0.322*** -0.160*** -0.259*** -0.239***
Lengua mat. = 4, OtNat 0.355*** 0.114 0.228** 0.396*** -0.218*
Constant 1.049*** 1.074*** 0.841*** 1.328*** 1.116***
Observations 12,911 12,351 14,330 7,855 13,921

R-squared 0.330 0.331 0.423 0.264 0.361
*** p<0.01, ** p<0.05, * p<0.1
38
Resultados Modelo de Regresión por Cuantiles (Cuartil 1)

2004 2005 2006 2007 2008 2009
lnw
Escolaridad 0.119*** 0.114*** 0.115*** 0.0917*** 0.107*** 0.0912***
Exper. lab. 0.0618*** 0.0597*** 0.0562*** 0.0482*** 0.0548*** 0.0513***
c.xlab#c.xlab -0.00083*** -0.00078*** -0.00067*** -0.00067*** -0.00077*** -0.00071***
c.esc#c.xlab -0.00097*** -0.000818** -0.00105*** -0.000373 -0.00117** -0.000786**
Categ. ocup. = 2, Empl 0.0300 -0.0253 0.150*** 0.0181 -0.250*** -0.210***
Categ. ocup. = 3, CPCp -0.306*** -0.549*** -0.602*** -0.716*** -0.730*** -0.709***
Categ. ocup. = 4, Patr 0.115* 0.225* 0.261*** 0.0118 -0.164 -0.323***
Categ. ocup. = 5, HogFm -0.153*** -0.136* -0.240*** -0.175* -0.457*** -0.267***
Sexo = 2, M -0.202*** -0.167*** -0.254*** -0.131*** -0.220*** -0.149***
Area = 2, Rur -0.443*** -0.798*** -0.260*** -0.507*** -0.444*** -0.465***
Depto. = 2, LP 0.0921 -0.160 -0.0713 -0.0234 -0.152* -0.160
Depto. = 3, Cba 0.120* -0.0573 0.267*** 0.107 -0.0224 0.130
Depto. = 4, Oru 0.265*** -0.158 -0.193** -0.0932 0.150 -0.174
Depto. = 5, Pot -0.166 -0.355*** 0.0610 -0.502*** -0.418*** -0.566***
Depto. = 6, Tar 0.244*** -0.117 0.197* 0.0728 0.167* 0.366***
Depto. = 7, SC 0.336*** 0.290*** 0.323*** 0.142** 0.142* 0.268**
Depto. = 8, Ben 0.421*** 0.307** 0.229** 0.120 0.105 0.434***
Depto. = 9, Pan 0.566*** 0.671*** 0.634*** 0.685*** 0.473*** 0.530***
Lengua mat. = 2, Qch -0.0307 -0.176*** -0.157* 0.00719 -0.0103 -0.0417
Lengua mat. = 3, Aym -0.107** -0.211** -0.194** -0.350*** -0.139* -0.220***
Lengua mat. = 4, OtNat 0.223 -0.0600 -0.0952 0.0375 -0.109 0.249
Constant -0.362*** -0.358** -0.337** 0.165 0.321* 0.423***
Observations 13,372 5,502 5,851 6,089 5,460 5,813

*** p<0.01, ** p<0.05, * p<0.1
39
2011 2012 2013 2014 2015

lnw
Escolaridad 0.0744*** 0.0835*** 0.0761*** 0.0558*** 0.0773***
Exper. lab. 0.0406*** 0.0520*** 0.0560*** 0.0628*** 0.0506***
c.xlab#c.xlab -0.00058*** -0.00076*** -0.00081*** -0.00098*** -0.00077***
c.esc#c.xlab -0.000269 -0.00077*** -0.00074*** -0.0011*** -0.00064***
Categ. ocup. = 2, Empl -0.147*** -0.215*** -0.110*** -0.119*** -0.238***
Categ. ocup. = 3, CPCp -0.555*** -0.705*** -0.598*** -0.532*** -0.681***
Categ. ocup. = 4, Patr 0.0408 -0.169*** -0.0381 -0.155** -0.261***
Categ. ocup. = 5, HogFm -0.349*** -0.422*** -0.385*** -0.294*** -0.405***
Sexo = 2, M -0.203*** -0.231*** -0.222*** -0.266*** -0.233***
Area = 2, Rur -0.377*** -0.381*** -0.536*** -0.535*** -0.516***
Depto. = 2, LP -0.164*** -0.0635 0.0211 -0.0157 0.145**
Depto. = 3, Cba 0.0579 0.115** 0.263*** 0.235*** 0.233***
Depto. = 4, Oru -0.276*** 0.00783 0.157** 0.157 -0.0439
Depto. = 5, Pot -0.548*** -0.771*** -0.324*** -0.197 -0.307***
Depto. = 6, Tar 0.0533 0.339*** 0.557*** 0.244*** 0.205***
Depto. = 7, SC 0.181*** 0.132** 0.426*** 0.149** 0.292***
Depto. = 8, Ben 0.118* 0.00784 0.374*** 0.278*** 0.282***
Depto. = 9, Pan 0.386*** 0.434*** 0.462*** 0.465*** 0.470***
Lengua mat. = 2, Qch 0.0367 -0.0987** -0.224*** -0.0135 -0.165***
Lengua mat. = 3, Aym -0.175*** -0.318*** -0.197*** -0.237*** -0.245***
Lengua mat. = 4, OtNat 0.235 0.00375 0.454*** 0.366 0.0665
Constant 0.720*** 0.648*** 0.388*** 0.799*** 0.692***
Observations 12,911 12,351 14,330 7,855 13,921

*** p<0.01, ** p<0.05, * p<0.1
40
Resultados Modelo de Regresión por Cuantiles (Mediana)

2004 2005 2006 2007 2008 2009
lnw
Escolaridad 0.127*** 0.112*** 0.115*** 0.0911*** 0.115*** 0.0881***
Exper. lab. 0.0565*** 0.0507*** 0.0502*** 0.0418*** 0.0560*** 0.0490***
c.xlab#c.xlab -0.0007*** -0.00063*** -0.00061*** -0.00057*** -0.00073*** -0.00066***
c.esc#c.xlab -0.001*** -0.000487 -0.000655* -2.71e-05 -0.00118*** -0.000627**
Categ. ocup. = 2, Empl 0.0848** -0.00765 0.243*** 0.0453 -0.186*** -0.207***
Categ. ocup. = 3, CPCp -0.172*** -0.340*** -0.281*** -0.500*** -0.421*** -0.521***
Categ. ocup. = 4, Patr 0.307*** 0.299*** 0.473*** 0.247*** 0.0906 -0.107
Categ. ocup. = 5, HogFm -0.294*** -0.224*** -0.106 -0.207*** -0.235*** -0.331***
Sexo = 2, M -0.105*** -0.115** -0.202*** -0.0356 -0.232*** -0.0916***
Area = 2, Rur -0.261*** -0.570*** 0.00218 -0.225*** -0.270*** -0.285***
Depto. = 2, LP 0.0878 -0.113 -0.0459 -0.0806 0.0279 -0.200**
Depto. = 3, Cba 0.117** -0.0300 0.216*** 0.0476 0.115 0.0665
Depto. = 4, Oru 0.253*** 0.0584 -0.132* -0.101 0.149 -0.243**
Depto. = 5, Pot 0.0428 -0.0535 -0.000535 -0.246** -0.200** -0.308***
Depto. = 6, Tar 0.164*** 0.0523 0.0889 0.0393 0.263** 0.167
Depto. = 7, SC 0.291*** 0.302*** 0.251*** 0.129** 0.272*** 0.183**
Depto. = 8, Ben 0.339*** 0.247*** 0.175** 0.183** 0.306*** 0.242**
Depto. = 9, Pan 0.446*** 0.569*** 0.537*** 0.522*** 0.718*** 0.331**
Lengua mat. = 2, Qch -0.0464 -0.112* -0.0690 -0.0107 0.0765 -0.0678
Lengua mat. = 3, Aym -0.144*** -0.225*** -0.224*** -0.240*** -0.0813 -0.228***
Lengua mat. = 4, OtNat 0.0554 -0.0748 0.0634 0.312 -0.0343 0.480***
Constant 0.0107 0.0706 0.0170 0.512*** 0.406*** 0.916***
Observations 13,372 5,502 5,851 6,089 5,460 5,813

*** p<0.01, ** p<0.05, * p<0.1
41
2011 2012 2013 2014 2015

lnw
Escolaridad 0.0748*** 0.0800*** 0.0689*** 0.0499*** 0.0778***
Exper. lab. 0.0405*** 0.0501*** 0.0536*** 0.0506*** 0.0491***
c.xlab#c.xlab -0.00055*** -0.0007*** -0.00082*** -0.0008*** -0.00072***
c.esc#c.xlab -0.00028* -0.00063*** -0.000378** -0.00064*** -0.00059***
Categ. ocup. = 2, Empl -0.108*** -0.151*** -0.0395 -0.131*** -0.180***
Categ. ocup. = 3, CPCp -0.356*** -0.485*** -0.444*** -0.382*** -0.487***
Categ. ocup. = 4, Patr 0.128*** -0.0158 0.0579 -0.00661 -0.112**
Categ. ocup. = 5, HogFm -0.423*** -0.385*** -0.360*** -0.390*** -0.369***
Sexo = 2, M -0.148*** -0.164*** -0.215*** -0.212*** -0.181***
Area = 2, Rur -0.238*** -0.224*** -0.255*** -0.403*** -0.267***
Depto. = 2, LP 0.00655 -0.0148 -0.0214 0.145** 0.0644
Depto. = 3, Cba 0.143*** 0.0842* 0.153*** 0.261*** 0.0480
Depto. = 4, Oru -0.163*** 0.00643 0.116* 0.256*** -0.139**
Depto. = 5, Pot -0.318*** -0.282*** -0.0966 0.135 -0.175***
Depto. = 6, Tar 0.114*** 0.256*** 0.430*** 0.290*** 0.140***
Depto. = 7, SC 0.231*** 0.141*** 0.336*** 0.233*** 0.177***
Depto. = 8, Ben 0.207*** -0.0229 0.230*** 0.318*** 0.231***
Depto. = 9, Pan 0.403*** 0.409*** 0.337*** 0.540*** 0.361***
Lengua mat. = 2, Qch -0.0104 -0.0905** -0.132*** 0.0495 -0.0661*
Lengua mat. = 3, Aym -0.164*** -0.217*** -0.0838** -0.204*** -0.0870***
Lengua mat. = 4, OtNat 0.320** 0.0116 0.280** 0.348*** -0.0573
Constant 0.969*** 0.984*** 0.867*** 1.197*** 1.055***
Observations 12,911 12,351 14,330 7,855 13,921

*** p<0.01, ** p<0.05, * p<0.1
42
Resultados Modelo de Regresión por Cuantiles (Cuartil 3)

2004 2005 2006 2007 2008 2009
lnw
Escolaridad 0.128*** 0.126*** 0.129*** 0.114*** 0.109*** 0.0879***
Exper. lab. 0.0509*** 0.0569*** 0.0603*** 0.0551*** 0.0568*** 0.0445***
c.xlab#c.xlab -0.00059*** -0.00067*** -0.00065*** -0.00065*** -0.00076*** -0.00058***
c.esc#c.xlab -0.00094*** -0.000848** -0.00124*** -0.00102*** -0.00072*** -0.00056**
Categ. ocup. = 2, Empl 0.245*** 0.0913 0.397*** 0.113*** -0.0538 -0.121**
Categ. ocup. = 3, CPCp 0.00875 -0.161*** -0.0287 -0.201*** -0.147** -0.277***
Categ. ocup. = 4, Patr 0.579*** 0.516*** 0.683*** 0.557*** 0.202** 0.214***
Categ. ocup. = 5, HogFm -0.254*** -0.268*** 0.0819 -0.0893 -0.309*** -0.419***
Sexo = 2, M -0.0780** -0.134*** -0.255*** -0.0487 -0.170*** -0.0435
Area = 2, Rur -0.213*** -0.455*** 0.0832 -0.0865* -0.0941** -0.137***
Depto. = 2, LP 0.179*** -0.0296 -0.0715 0.0856 -0.0108 -0.0940
Depto. = 3, Cba 0.136** 0.0228 0.110 0.162** 0.0114 0.0510
Depto. = 4, Oru 0.293*** 0.139 -0.272*** 0.125* 0.0801 -0.204**
Depto. = 5, Pot 0.159** -0.0815 -0.147 0.0318 -0.202** -0.203**
Depto. = 6, Tar 0.222*** 0.0693 -0.00653 0.160** 0.0479 0.115
Depto. = 7, SC 0.342*** 0.276*** 0.0975 0.202*** 0.180* 0.185**
Depto. = 8, Ben 0.327*** 0.252** -0.0701 0.249*** 0.181 0.235**
Depto. = 9, Pan 0.411*** 0.486*** 0.603*** 0.452*** 0.517*** 0.388**
Lengua mat. = 2, Qch -0.0215 -0.0632 -0.136* 0.0291 0.0848* -0.0185
Lengua mat. = 3, Aym -0.175*** -0.183*** -0.313*** -0.208*** -0.0572 -0.245***
Lengua mat. = 4, OtNat 0.147 0.0991 0.283 0.294 0.155 0.424***
Constant 0.349*** 0.276* 0.305*** 0.458*** 0.773*** 1.239***
Observations 13,372 5,502 5,851 6,089 5,460 5,813

*** p<0.01, ** p<0.05, * p<0.1
43
2011 2012 2013 2014 2015

lnw
Escolaridad 0.0688*** 0.0789*** 0.0711*** 0.0412*** 0.0674***
Exper. lab. 0.0371*** 0.0502*** 0.0520*** 0.0394*** 0.0422***
c.xlab#c.xlab -0.00049*** -0.00067*** -0.00076*** -0.0006*** -0.00059***
c.esc#c.xlab -7.64e-05 -0.0006*** -0.000391** -0.000146 -0.000281*
Categ. ocup. = 2, Empl -0.00125 -0.0572* -0.0193 0.0257 -0.0449
Categ. ocup. = 3, CPCp -0.144*** -0.219*** -0.263*** -0.162*** -0.229***
Categ. ocup. = 4, Patr 0.335*** 0.175*** 0.336*** 0.283*** 0.208***
Categ. ocup. = 5, HogFm -0.373*** -0.410*** -0.314*** -0.422*** -0.245***
Sexo = 2, M -0.0920*** -0.101*** -0.178*** -0.122*** -0.135***
Area = 2, Rur -0.135*** -0.118*** -0.137*** -0.299*** -0.163***
Depto. = 2, LP 0.196*** 0.0934* 0.0127 0.0997 0.131***
Depto. = 3, Cba 0.237*** 0.132*** 0.0923** 0.112 0.0271
Depto. = 4, Oru -0.00446 0.208*** 0.112* 0.122 -0.0458
Depto. = 5, Pot -0.0334 0.0599 0.0736 0.157* -0.117**
Depto. = 6, Tar 0.240*** 0.240*** 0.326*** 0.192*** 0.141***
Depto. = 7, SC 0.295*** 0.195*** 0.277*** 0.139** 0.176***
Depto. = 8, Ben 0.275*** 0.0994 0.222*** 0.251*** 0.228***
Depto. = 9, Pan 0.505*** 0.332*** 0.346*** 0.441*** 0.417***
Lengua mat. = 2, Qch 0.0289 -0.0854** -0.0320 0.0545 -0.0339
Lengua mat. = 3, Aym -0.205*** -0.201*** -0.0939** -0.143** -0.108***
Lengua mat. = 4, OtNat 0.534*** 0.0772 0.0393 0.254* -0.144
Constant 1.198*** 1.196*** 1.177*** 1.647*** 1.373***
Observations 12,911 12,351 14,330 7,855 13,921

*** p<0.01, ** p<0.05, * p<0.1
Economía coyuntural, Revista de temas de coyuntura y perspectivas, vol. 2, núm 4, pp. 1 – 44.
44

v2n4 A02 PDF

Cargado por

Copyright:

Formatos disponibles

v2n4 A02 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

v2n4 A02 PDF

Cargado por

Copyright:

Formatos disponibles

LA EVOLUCIÓN DEL ROL DEL CAPITAL HUMANO…|1

LA EVOLUCIÓN DEL ROL DEL CAPITAL HUMANO EN

THE EVOLUTION OF THE HUMAN CAPITAL ROLE ABOUT THE

Oxa Gerónimo Alcides Valentín

RESUMEN: En éste trabajo se estiman modelos de Mincer para Bolivia en el

 PALABRAS CLAVE: Modelo de Mincer, Capital humano, Distribución de

El capital humano es una variable importante para explicar no sólo la

En general se consideran como las variables más importantes para poder

La pregunta rectora de la investigación es: ¿Cuál es el rol que juega el

El documento presenta en la siguiente sección una breve revisión de la

2. Revisión de la literatura correspondiente

En esta sección se revisa la bibliografía relacionada con la distribución de

Fonnegra, López y González (2010) analizan las brechas salariales en

Los resultados indican que los no afrocolombianos poseen ingresos más

utiliza la variable instrumental se observa un efecto positivo en los retornos

Así también Machado y Humberto (2013) buscan examinar los retornos

Alves, Brum y Yapor (2009) analizan la evolución y los determinantes

la Encuesta Continua de Hogares (ECH) para el periodo 1986 a 2007. Se

Este diferencial parece estructural ya que se mantienen a lo largo del

Torres Zavala (2016) propone una alternativa para reducir el sesgo

educación es sobrestimada cuando se emplea la experiencia potencial que

Morales y Henry (2016) aplican una regresión por cuantiles ya que la

Arias, Yamada, & Tejerina (2004) analizan la importancia de la raza, los

Emplean datos de la encuesta nacional de hogares (PNAD) realizada en

Alejo (2006) interpreta los cambios en la desigualdad salarial en el Gran

Estadísticas y Censos (INDEC) para el aglomerado del Gran Buenos Aires.

En Bolivia no se han encontrado trabajos que combinen el modelo de

Así también, Guzmán (2012) empleó la MECOVI del 2007 y aplicando

el salario se incrementa en un 8,85%. En un enfoque diferente Molina (2013)

La estrategia metodológica empleada en éste trabajo consiste en la aplicación

Asimismo es práctica común modificar el modelo de Mincer para

La expresión formal del modelo planteado es entonces:

ln 𝑤𝑖 = 𝛼 + 𝛽𝑆𝑖 + 𝛾𝑋𝑖 + 𝛿𝑋𝑖2 + 𝜆𝑆𝑖 𝑋𝑖 + 𝜂′ 𝑍𝑖 + 𝑢𝑖

Donde 𝑤𝑖 es el ingreso laboral por hora, 𝑆𝑖 es la escolaridad en años, 𝑋𝑖

obsolescencia de la experiencia laboral y −𝜆/𝛽 es la tasa de obsolescencia de

El supuesto de homoscedasticidad rara vez se cumple, y la

(ln 𝑤𝑖 )𝑞 = 𝛼𝑞 + 𝛽𝑞 𝑆𝑖 + 𝛾𝑞 𝑋𝑖 + 𝛿𝑞 𝑋𝑖2 + 𝜆𝑞 𝑆𝑖 𝑋𝑖 + 𝜂𝑞′ 𝑍𝑖

Donde (ln 𝑤𝑖 )𝑞 es el 𝑞-ésimo cuantil del logaritmo de los ingresos

Se presenta a continuación una descripción de los datos involucrados

Media Mediana Desv. Est. N

Cuadro 2. Estadísticos descriptivos de los años de escolaridad (2004-2015)

Media Mediana Desv. Est. N

Finalmente en el Cuadro 3 se muestran los estadísticos descriptivos de

Uno de los problemas clásicos del modelo de Mincer es la omisión de

Cuadro 3. Estadísticos descriptivos de los años de experiencia laboral potencial (2004-2015)

Media Mediana Desv. Est. N

Se supone que tales categorías son una función de las habilidades

Los resultados de incluir la categoría ocupacional en las regresiones

muchos datos perdidos, su inclusión reducía el tamaño de la muestra

Para sortear la no normalidad que es inherente a los datos de ingresos

Otro problema clásico en el modelo de Mincer es el de sesgo de

Se han estimado los parámetros de los modelos de regresión múltiple y de

4.1. Efecto Parcial de la Acumulación de Capital Humano en los

Gráfico 1. Efecto parcial de la escolaridad neta de depreciación en el

Fuente: Elaboración propia con datos de la Encuesta de Hogares 2004-2015

El año 2015 la diferencia se hace menos importante, dando lugar a dos

Por otra parte, el Gráfico 2 muestra un análisis parecido pero

Gráfico 2. Efecto parcial de la experiencia laboral en el logaritmo

Fuente: Elaboración propia con datos de la Encuesta de Hogares 2004-2015