¿Puede el uso de Internet aumentar las diferencias...

1

18 de Julio, 2013

¿Puede el uso de Internet aumentar las

diferencias salariales entre trabajadores

calificados y no calificados en el Perú?

César A. Huaroto D.

Grupo de Análisis para el Desarrollo - GRADE

Diálogo Regional sobre Sociedad de la Información

Este trabajo se llevó a cabo con la ayuda de una subvención del

Centro Internacional de Investigaciones para el Desarrollo y de la

Agencia Canadiense de Desarrollo Internacional, Ottawa, Canadá.

César A. Huaroto D.

1

1. Resumen .................................................................................................................. 2

2. Introducción ........................................................................................................... 3

2.1 Hipótesis ........................................................................................................... 6

3. Metodología ............................................................................................................. 7

3.1 Modelo Econométrico ....................................................................................... 7

3.2 Base de Datos.................................................................................................... 8

3.3 Variables ........................................................................................................... 9

3.3.1 Variables de Resultado ............................................................................. 9

3.3.2 Variables de Interés ................................................................................. 10

3.3.3 Variables de Control ................................................................................ 11

4. Resultados ....................................................................................................... 15

5. Conclusiones y Recomendaciones de Política ....................................................... 18

6. Referencias Bibliográficas .................................................................................... 20

7. Anexos ................................................................................................................... 23

2

1. Resumen

En los últimos años, las nuevas tecnologías de la información y comunicaciones

(TIC), dentro de ellas el Internet, han producido grandes cambios en la sociedad, en

casi todos los ámbitos, la forma de relacionarse de las personas, la de realizar negocios

y la de estudiar son solo algunos de ellos. Sin embargo, el uso adecuado y beneficioso de

Internet tiene ciertos requisitos, tales como una mayor educación y capacitación a las

que no todos pueden acceder.1 Este fenómeno se ha denominado recientemente en la

literatura como “desigualdad digital”. Es decir, una desigualdad más allá del simple

acceso a la tecnología, sino una desigualdad en las posibilidades de utilizarlo

adecuadamente.

En este estudio buscamos dar evidencia de los potenciales efectos negativos de esta

desigualdad (que sin duda van más allá de la dimensión económica presentada en esta

investigación) y tomamos como caso de estudio el mercado laboral peruano para los

años 2007-2011. Para esto estimamos la “externalidad positiva” que se da en el salario

recibido por hora trabajada con la presencia de una mayor educación y un mayor uso

de Internet.

Así, por medio de métodos econométricos de regresión se obtiene que el efecto de

dicha externalidad es positivo y significativo y que, además, es cercano a la tercera

parte del retorno que da la educación por sí sola y el uso de Internet, por sí mismos. Es

decir, el beneficio marginal en el salario de un año más de educación es

aproximadamente el 33% mayor para aquellos trabajadores que hacen mayor uso de

Internet una vez que se controla por otras características.

Estos resultados permiten tener una primera medida del potencial efecto

diferenciador y distanciador que tiene el Internet en la sociedad (en este caso, el

mercado laboral). Los resultados se basan en la muestra representativa a nivel nacional

de trabajadores asalariados de la Encuesta Nacional de Hogares (ENAHO). Es

importante resaltar que la falta de robustez en los estimados finales son una señal de

posible endogeneidad latente por lo cual los resultados deben tomarse como una

primera aproximación, más no como una relación causal.

1 En el reciente estudio de Balboni et al (2011), en Latinoamérica el mayor grado educativo (años de educación) está correlacionado con un mayor uso de Internet tanto en los hogares, a nivel individual y en las empresas.

3

2. Introducción

En los últimos años, las nuevas tecnologías de la información y las comunicaciones

(TIC), dentro de ellas el Internet, han producido grandes cambios en la sociedad, en

casi todos los ámbitos, la forma de relacionarse de las personas, la de realizar negocios

y la de estudiar son solo algunos de ellos. Sin embargo, el requisito para hacer uso

adecuado de ellas y beneficiarse es la educación y el desarrollo de herramientas

informáticas a las que no todos pueden acceder por lo que se ha generado lo que sea ha

denominado una “desigualdad digital” (Di Maggio et al. 2004).

Con el avance acelerado de la tecnología, esta desigualdad termina convirtiéndose

en un círculo vicioso en el que los que tienen mejores recursos cada vez obtienen

mejores condiciones y oportunidades, mientras que los que tienen menores recursos

terminan por estancarse y luego, como consecuencia, relegándose aún más en su

situación socio-económica.

En las últimas décadas se está viviendo lo que se ha denominado la “quinta

revolución industrial” y que tiene como protagonista al uso de las TIC para el manejo de

la información (Pérez, 2002). Asimismo, se ha incrementado sustancialmente la

población cuya ocupación principal es el procesamiento y la transmisión de la

información (Katz, 2009). Todo esto se traduce en una mayor valoración de los

trabajadores con conocimiento de las TIC y esto tiene como consecuencia el incremento

de la brecha salarial que ya existía por otros factores como el nivel educativo, prejuicios,

discriminación, etc. (Di Maggio et al. 2004).

La literatura económica ha denominado este fenómeno como el cambio tecnológico

“skill-biased”. Es decir, en la actual coyuntura las nuevas TIC han creado un ambiente

laboral que premia el conocimiento técnico pues permite una mayor integración al uso

de estas tecnologías. Asimismo, este mayor conocimiento crea crecimiento económico

(Katz, 2009) pero este se da por la mejora en la productividad de la población que hace

uso de estas tecnologías. En otras palabras, la aparición de estas tecnologías ha hecho

que la demanda laboral crezca más hacia los trabajadores más educados o más

calificados y, por el contrario, se reduzca o incluso remplace, a los trabajadores de

4

menor calificación dado que tienen menores facilidades para hacer uso de las nuevas

tecnologías. 2

Hay mucha literatura dispersa en torno a todas las dimensiones a través de las

cuales Internet tiene efectos positivos en la economía y sociedad. Balboni et al. (2011)

remarca que las TIC refuerzan el crecimiento económico al fomentar la innovación, la

difusión tecnológica y la capacidad generadora de conocimiento dentro del país.

Chong (2011), indica que Internet, en el Perú, mejora la atención y eficiencia en los

servicios públicos, el acceso a los servicios de salud y a los servicios financieros. Otros

estudios en nuestro país señalan que tanto la los ingresos en el hogar como la

productividad y los salarios han sido también beneficiarios (De los Ríos, 2011; Huaroto,

2012; Rodríguez, 2008)

Sin embargo, como indicamos líneas arriba, no toda la población se ha beneficiado

por igual puesto que no todos tienen las herramientas para adaptarse y sacar provecho

de la aparición de las nuevas tecnologías (Mominó y Meneses, 2007). Así una mayor

educación conlleva a una mayor y más rápida tasa de adopción de Internet (Drouard,

2010; Fairlie 2003; Goldfarb y Prince, 2007; Grazzi, 2011; Grazzi y Vergara, 2011;

Gutiérrez y Gamboa, 2008; Navarro y Sánchez, 2011 y Rice y Katz, 2003). Esto les

permite tener una mayor oportunidad de aprendizaje por una mayor exposición a la

educación y les da mayores y mejor educadas redes sociales que les permiten aprender

de manera más rápida y los hace estar más expuestos a la aparición de dichas

tecnologías, convirtiéndose en un círculo virtuoso.

La diferencia en niveles de adopción de Internet entre distintos grupos se define

como una “brecha digital” (Katz, 2009). De acuerdo con este autor, la brecha digital

consiste en la postergación social de un sector de la población que por factores

económicos, sociales y hasta geográficos no tiene acceso o hace un menor uso de las

2 El efecto en el empleo total no es claro pues si bien se reducen puestos de trabajo de la mano de obra no calificada, los incrementos en la productividad aumentan la demanda de otros bienes lo que podría incrementar el trabajo en otros sectores (Katz, 2009). Por otra parte, si bien aún existen ( y probablemente sigan existiendo) puestos laborales que requieren poca capacitación o nivel educativo (los servicios domésticos, entre otros), es de esperarse (como Katz, 2009, señala) que incluso en estos niveles las nuevas tecnologías empiecen a, paulatinamente, ganar espacios. Por ejemplo, es innegable que el teléfono móvil es parte fundamental en la vida de muchos microempresarios (para evidencia de esto ver: Barrantes, et al. 2012).

5

TIC. Esta marginación tecnológica es un aspecto más de la postergación social que ya

sufría esta población.

La desigualdad digital es, entonces, el proceso que sigue a la brecha digital y se

puede describir como la disparidad de oportunidades de dos grupos para poder

aprovechar las oportunidades y beneficios que da el uso de Internet. Es decir, la

desigualdad digital llevaría a incrementar más la desigualdad económica y social

existente en la actualidad (Di Maggio et al. 2004; Di Maggio y Cohen, 2003; Ono y

Zavodny, 2007; Kvasny ,2002)

El vínculo entre la desigualdad digital y la desigualdad salarial no ha sido aún

estudiada en el Perú pero sí lo ha sido en otros países, tales como Estados Unidos y

Chile en los que se ha analizado la hipótesis del crecimiento económico sesgado a favor

de los educados -skill biased (Ver, por ejemplo: Bharat, 2002; Card y Di Nardo, 2002;

Sill, 2002; Fernández, 2001 y Gallego, 2010). Todos estos encuentran que este proceso

ha favorecido al crecimiento económico pero, además, ha beneficiado principalmente a

los más trabajadores calificados –o educados.

Aunque en Perú no existen estudios previos que hayan abordado el mencionado

fenómeno, o las dimensiones de la desigualdad digital (en parte por la complejidad de

esta y por la dificultad para medir los factores relacionados a esta), si ha habido amplia

literatura previa en torno a la desigualdad salarial.

Rodríguez (1991) analiza el caso de Lima Metropolitana entre 1970 y 1984 y

encuentra que con el aumento en el nivel educativo de la sociedad la desigualdad entre

grupos educativos se ha incrementado, siendo ahora los más educados los que

concentran una mayor parte del ingreso. El siguiente estudio, analiza el período 1989-

1996 e indica que después de las reformas estructurales de inicios de los noventa hasta,

la desigualdad salarial se ha ido reduciendo. Explicado, según los autores, por un

incremento de los pobres en la educación básica (Saavedra y Díaz, 1999)

Diaz, Saavedra y Torero (2000), señalan que si bien hasta 1996, se observaba una

tendencia decreciente en la desigualdad salarial, a partir de entonces, se ha mostrado

un incremento ocasionado por la creciente liberalización comercial. Esto se debería a

un incremento del comercio externo, la población más beneficiada con esta política fue

la más capacitada,

6

Finalmente, Jaramillo y Saavedra (2011), analizan la evolución de la desigualdad

para el período 1997-2006 no encontrando una variación significativa aunque señalan

que se mantienen las principales fuentes de desigualdad: educación y zona de

residencia (diferencias muy importantes entre los distintos niveles de ruralidad).

2.1 Hipótesis

En base a lo presentado en los párrafos previos, en el presente documento

buscamos analizar si el Internet, además del impacto positivo en el salario que tiene en

la productividad por si misma, tiene, además, un impacto superior cuando el que la

utiliza es un trabajador con un mayor nivel educativo.

Así podemos definir como la relación de interés como el punto 3 en el esquema 1,

donde se presentan, además, los beneficios independientes del uso de Internet y de un

mayor nivel educativo. Así, el punto 3 es la “externalidad positiva” en el salario si el

trabajador tuviese ambas y vendría a observarse como un “premio” salarial:

En breves palabras, en este estudio se busca llenar el vacío en la literatura en Perú

respecto al efecto del uso de Internet en el incremento de la brecha salarial entre

trabajadores calificados y no calificados.

2. Educación

1. Uso de Internet

3. Uso de Internet +

Educación

Mayor información disponible y mejor comunicación. Esto

lleva a un mejor uso del tiempo y mejora en la productividad

y, por ende, en el salario

Un mayor nivel educativo conlleva a actividades más

complicadas y son símbolo de una mayor inversión en

capital humano y conllevaría a un mejor salario.

HIPÓTESIS: Las actividades de los más educativos

requieren un mayor uso de la información y además son

estos los que tienen mejores herramientas para hacer uso

del Internet en su trabajo y beneficiarse más de esta

tecnología. Todo esto incrementaría la productividad y,

como consecuencia, el salario percibido.

7

Para esto se utilizará las encuestas de hogares de los años 2007-2011 y se estimará,

mediante modelos econométricos, cuántos soles3 más recibe un trabajador asalariado

de sueldo por hora trabajada por cada año de estudio cuando este hace uso de Internet.

Los detalles metodológicos se presentan en la siguiente sección.

3. Metodología

Esta sección se sub-divide de la siguiente forma: La sub-sección 3.1 presenta el

modelo econométrico a utilizar, la siguiente sub-sección 3.2 presentará las variables del

modelo y se ahondará en la forma como se construyó cada una de estas variables. La

sub-sección 2.3 brinda información de utilidad respecto a las bases de datos utilizadas.

3.1 Modelo Econométrico

Para analizar el efecto que tiene el uso de Internet en los salarios y el “premio” que

se da por escolaridad. Es decir, el efecto superior que tiene el manejo de Internet en los

más educados.

Así, se utiliza una serie de modelos de Mínimos Cuadrados Generalizados (MCG)4

partiendo de la ecuación “minceriana”5 de retornos a la educación buscamos agregar el

efecto complementario entre una mayor educación y un mayor uso de Internet. Así, la

ecuación 1 presenta la regresión a estimar en esta investigación.

(1) iiiiiii XSupEducInternetusoInternetusoEducy '_*_*_** 321

Donde iy representa la variable de resultado para el trabajador remunerado “i”

(salario o remuneración por hora) a utilizar y esta vendría a ser explicada en el modelo

por iEduc que captura el número de años que ha estudiado, por iInternetuso_ que

captura el nivel de uso de Internet,6 iSupEduc _ es una variable dicotómica que toma el

3 La moneda nacional en Perú es el “Nuevo Sol”, cuya equivalencia a inicios de 2013 estaba alrededor de los 2.5 nuevos soles (PEN) por un dólar americano (USD).

4 MCG permite obtener estimaciones de Mínimos Cuadradas que son robustos al potencial problema de heterogeneidad en los errores por grupos de edad. Para mayor detalle ver Woolridge (2002, cap. 4).

5 Mincer (1974) es el primer estudio en calcular los retornos económicos de la educación en los salarios. A partir de dicho estudio múltiples investigaciones han partido de su especificación funcional para estimar, correctamente, los retornos a la educación.

6 Se utilizará una variable dicotómica que señala si hace uso o no de Internet. Se exploraron otras especificaciones relacionadas con usos específicos en el trabajo, o de mayor frecuencia sin embargo no se observaron resultados diferenciados por lo que se prefirió mantener esta especificación que es más

8

valor de 1 cuando el trabajador “i” tiene más estudios que secundaria completa7 (al

menos algún estudio superior incompleto) y, X representa una matriz de variables

control tales como: la edad, el género, la experiencia laboral, el tipo de ocupación, el

sector económico en el que trabaja, entre otros. Un mayor detalle sobre la construcción

de cada una de estas variables se presenta en la siguiente sección 3.3.

3.2 Base de Datos

Para esta investigación se usó la “Encuesta Nacional de Hogares” (ENAHO) para

construir un pseudo-panel de datos para el intervalo de años 2007-2011.8 En esta

encuesta se tiene información del mercado laboral, educación, uso de Internet y demás

características socio-económicas para una muestra representativa de trabajadores

asalariados9,10 del mercado laboral peruano. En total se dispone de 61,653

observaciones útiles (sin ningún valor faltante para ninguna variable del modelo)

distribuidos en similar medida entre los cinco años del pseudo panel. Se excluyó de la

muestra a los menores de 25 años (pues la transición estudio trabajo es mucho más

complicada de modelar en este lapso) y a los que tienen menos de 30 horas de trabajo

pues se considerarían trabajadores a tiempo parcial lo que podría introducir una

innecesaria heterogeneidad en la muestra.11

sencilla (por otra parte, estudios como Balboni et al. 2011 también hace uso de esta variable al no encontrar mayor diferencia al usar otras especificaciones).

7 También se exploraron otras definiciones y puntos de corte para dividir a los “calificados” de los “no calificados”. No se encontraron grandes diferencias y se prefirió usar esta pues es la que tiene mayor capacidad de “dividir” a la población. Existe poca población con primaria completa o menos y tampoco muchos con educación superior completa. Usar sólo esta especificación tiene la ventaja de facilitar el análisis y reducir el tamaño del documento.

8 Se prefiere usar el pseudo-panel debido a que pese la existencia de un panel entre el 2007-2011 al usarlo se reduce significativamente la cantidad de muestra en el análisis (menos del 10%). Además, y principalmente, porque la variable de interés educación es muy poco variable por lo que no se podría hacer uso del modelo de Efectos Fijos lo que le quita la principal ventaja al panel de datos frente al pseudo panel.

9 Se excluye a aquellos que señalan ser “jefes o patronos” en su empresa o que señalan ser “trabajadores independientes”.

10 Vale la pena señalar que en el Perú el trabajo familiar no remunerado (TFNR) es considerable y que en este estudio se excluye puesto que es difícil calcular su salario “sombra”. Por otra parte, muchas veces son los jóvenes del hogar que aún están estudiando por lo que tampoco son el objetivo de esta investigación.

11 Vale señalar de antemano que cualquier punto de corte es arbitrario y que es discutible. Se tomó la decisión de tomar los 25 años como punto mínimo de edad debido a que es la edad esperada a la cual uno ya ha terminado sus estudios o proyecciones académicas. Los resultados no son muy sensibles al cambio de este punto de corte en el margen. Del mismo modo, el punto de corte de 30 horas es arbitrario pero se decidió debido a que menos de este número significaría que el trabajo es sólo esporádico y no puede considerarse comparable con un trabajo de tiempo completo. Los resultados no son sensibles cerca de dicho punto de corte.

9

3.3 Variables

3.3.1 Variables de Resultado

Para esta investigación se utilizarán las variables: “Ingreso neto laboral por hora

trabajada” y el logaritmo natural de este (se optó por esta alternativa, in embargo los

resultados no cambian significativamente cuando se utiliza el salario bruto).

Para la construcción de esta variable se utilizará el módulo 500 “Empleo” y se

presenta en la ecuación 2:

(2)

21

1

_ii

iii

iHTHT

onesbonificacisdeduccioneimpuestosIngresohorasalario

(3) ii horasalariohorasalarioLog _log__

Donde Ingreso1 representa la suma de los ingresos anuales monetarios y no

monetarios (monetizados) de la ocupación principal y secundaria para el trabajador “i”.

Las variables impuestos, deducciones y bonificaciones12 representan el total pagado o

recibido, según sea el caso, en impuestos, deducciones o bonificaciones anuales que

tuvo que pagar o recibir el trabajador “i” en ambas ocupaciones. Las variables HT1 y

HT2 representan el total de horas trabajadas en el año en la ocupación principal y

secundaria, respectivamente.13

Finalmente, con estas variables se estimó el “salario por hora trabajada” y que

utilizaremos como variable dependiente y representa el valor de mercado del trabajo.

12 Cabe notar que los ingresos monetarios y los pagos no monetarios recibidos como autoconsumo se capturan usando el marco temporal del “mes anterior”, mientras que los otros rubros (ingreso no monetario, impuestos y deducciones) se capturan usando el marco temporal de “los últimos 12 meses”. Los datos anuales se mensualizaron para obtener el indicador final.

Es de notar que se suman los ingresos y horas trabajadas en las dos ocupaciones y no sólo de la ocupación principal pues restringir el análisis a la ocupación principal podría estar sesgando nuestra muestra hacía los mejor capacitados que son, usualmente, los que tienen mejores oportunidades de conseguir un empleo remunerado a tiempo completo. Si bien se pierde calidad en la medición al unir grupos heterogéneos, esto se compensa por el elevado número de muestra y se evita el mencionado problema de sesgo en la muestra.

13 Cuando se hizo la pregunta se tomó como marco “la semana anterior”. Esta cantidad de horas se mensualizó para obtener el indicador final.

10

La variable Log_salario_hora es el logaritmo de esta y servirá para calcular el efecto de

las variables de interés como incremento porcentual en el salario por hora.14

3.3.2 Variables de Interés

Tal como se ha señalado en la sección 1.1, se busca distinguir entre 3 efectos:

retornos a la educación, efecto del uso de Internet en el salario y el efecto multiplicativo

de poseer ambos.

Así, la primera variable de interés es el número de años educativos aprobados por el

trabajador “i”, la segunda es una variable dicotómica que señala si el trabajador “i” hizo

uso de Internet durante el mes pasado.

La tercera variable, sin embargo, es la más importante pues es la iteración adicional

entre el uso de Internet y los años de educación siendo que, de encontrarse un efecto

positivo, este se estaría dando de forma adicional al efecto particular del uso de

Internet y de la educación.

Así, la tabla 1 presenta el nombre de las 3 variables, la nomenclatura que se utilizará

en el modelo econométrico y la definición de cada una de estas.

Tabla 1 – Variables de Interés

Nombre variable

Nomenclatura Definición

1. Años de Educación

iEduc Años de educación culminados por el trabajador “i”

2. Uso de Internet

iInternetUso_ Variable dicotómica que toma el valor de 1 si el trabajador “i” hace uso de Internet.

3. Uso de Internet y Educación superior

ii InternetUsoSupEduc __

Variable dicotómica que toma el valor de 1 sólo si el trabajador “i” hace uso de Internet y además tiene estudios superiores (más de secundaria completa).

14 Las variables ingreso por hora y logaritmo del ingreso por hora pasaron por una limpieza de ‘outliers’. Se retiraron todas las observaciones que fueran menores al percentil 5 y las que fueran mayores al percentil 95. Los resultados no cambian significativamente al incrementar este rango pero si son sensibles a mantener la totalidad de las observaciones.

11

3.3.3 Variables de Control

El efecto de la educación, del uso de Internet y, por supuesto, el de la iteración de

estos en el salario por hora recibido también están condicionadas y/o afectadas por

otras condiciones socioeconómicas (como la experiencia laboral, la edad, el género),

por características del trabajo (como el sector económico, el tipo de ocupación

realizado) y por características geográficas (el nivel de ruralidad de la localidad donde

trabaja, el departamento donde se encuentre, entre otros). Con el fin de controlar por la

mayor cantidad de factores posibles se preparó una lista de 56 variables control. 15

Así, la tabla 2 presenta la lista completa de las variables control incluidas en el

modelo, presentando el nombre de la variable, su nomenclatura y su definición:

Tabla 2 – Variables Control

Nombre variable


Estrato Geográfico 1-8

X1-7: 81_

iestrad

7 Variables dicotómicas que señalan la densidad poblacional del centro poblado (CCPP) donde se encuentra la vivienda del trabajador “i”. Se excluye una para evitar la “trampa de las dummies”. Los 8 estratos son:

- Estrato 1: CCPP con más de 100,000 viviendas. - Estrato 2: CCPP con más de 20,000 pero menos de

100,000 viviendas. - Estrato 3: CCPP con más de 10,000 pero menos de

20,000 viviendas. - Estrato 4: CCPP con más de 10,000 pero menos de

20,000 viviendas. - Estrato 5: CCPP con más de 400 pero menos de 4,000

viviendas. - Estrato 6: Menos de 401 viviendas. - Estrato 7: Área de empadronamiento Rural Complejo. Estrato 8: Área de empadronamiento Rural Simple (excluida).

Departamento 1-26

X8-32: 261_

idptod

25 Variables dicotómicas que señalan si el trabajador “i” vive en uno de los mencionados departamentos. Se excluye una para evitar la “trampa de las dummies”. La lista de los 25departamentos es: 1. Amazonas; 2. Ancash; 3. Apurímac; 4. Arequipa; 5. Ayacucho; 6. Cajamarca; 7. Callao; 8. Cuzco; 9. Huancavelica; 10. Huánuco; 11. Ica; 12. Junín; 13. La Libertad; 14. Lambayeque; 15. Loreto; 16. Madre de Dios; 17. Moquegua; 18. Pasco; 19. Piura; 20. Puno; 21. San Martín; 22. Tacna; 23. Tumbes; 24. Ucayali; 25. Lima Metropolitana y 26. Lima

15 Aunque se consideró importante la distinción entre asalariados de empresas públicas y empresas privadas, lamentablemente la pregunta que se usó en la ENAHO para medir esto tiene un elevado margen de no respuesta (cerca del 50%), por lo cual no fue posible incluir esta variable en el analisis por el probable sesgo que podría implicar.

12


Nombre variable


provincias (excluida).

Sector Económico 1-21 (según codificación CIIU)

X33-52: 211_

ieconse

20 Variables dicotómicas que señalan el sector económico en el que labora el trabajador “i”, según codificación CIIU rev. 4. Se excluye una para evitar la “trampa de las dummies”. Estos 21 sectores son: 1. Agricultura, forestal y pesquería; 2. Minería y cantería; 3. Manufactura; 4. Electricidad, gas, vapor; 5. Provisión de agua, desagüe, reciclaje; 6. Construcción; 7. Comercio al por mayor y menor; 8. Transporte y almacenamiento; 9. Servicio de comida y bebida; 10. Información y comunicación; 11. Servicios financieros; 12. Activ. Inmobiliarias; 13. Act. Profesionales, científicas y técnicas; 14. Servicios administrativos y de soporte; 15. Adm. Pública; 16. Educación; 17. Salud pública; 18. Artes y entretenimiento; 19. Otros servicios; 20. Servicio doméstico; 21. Activ. Extraterritoriales (excluida).

Tipo de Ocupación 1-9 (según codificación INEI)

X53-61: 101

iocupa

9 Variables dicotómicas que señalan el sector económico en el que labora el trabajador “i”, según codificación INEI. Se excluye una para evitar la “trampa de las dummies”. Estos 10 sectores son: 1. F.F.A.A. y Policiales, 2. Miembros del poder ejecutivo y cuerpos legislativos; 3. Profesionales, Científicos e Intelectuales; 4. Técnicos de nivel medio y trabajadores asimilados; 5. Jefes y empleados de oficina; 6. Trabajadores calificados de servicios personales, seguridad; 7. Agricultores, trab. Agropecuarios y pesqueros; 8. Obreros y operadores: Minería, Canteras y Petróleo; 9. Obreros Construcción, confeccionadores de Papel y Cartón; 10. No especificados (excluída).16

Edad X47: iEdad Variable continua que señala la edad del trabajador “i”.

Edad2 X48: icuadEdad _

Variable continua que señala la edad al cuadrado del trabajador “i”. De acuerdo a Mincer (1974) con esto se captura los efectos no lineales de la edad en el salario.

Experiencia X49: iExper Variable continua que señala los años de experiencia del

trabajador “i” en el último trabajo.

16 Si bien la categoría “no especificados” no agrupa a un colectivo de trabajadores con características similares, se puede asumir que no existe un gran sesgo al mantener estas observaciones puesto que se analiza como grupo de comparación de los demás. Asimismo, dado que estas agrupaciones se realizan dentro del INEI, es difícil argumentar que exista un sesgo en este grupo, lo más probable es, en cambio, que sus trabajos son difíciles de agrupar en una de las categorías anteriores o que no se registro correctamente la información en campo.

13


Nombre variable


Experiencia2 X50: icuadExper _

Variable continua que señala la experiencia al cuadrado del trabajador “i”. De acuerdo a Mincer (1974) con esto se captura los efectos no lineales de la experiencia en el salario.

Género Masculino

X51: imascGen _ Variable dicotómica que toma el valor de uno si el trabajador

es del género masculino.

Año X52-56: 20112007_

iañod 5 Variables dicotómicas que señalan si el trabajador “i” fue encuestado en cualquiera de los años 2007, 2008, 2009, 2010 o 2011. Esto con el fin por efectos anuales.

La tabla 317 presenta la lista total de estadísticos descriptivos usados en esta

investigación:

Tabla 3. Estadísticos Descriptivos

N Media Mediana Desv.

Estándar Mínimo Máximo

Variable Dependiente

salario_hora 61,653 3.76 3.13 2.51 0.39 11.70

Log_salario_hora 61,653 1.08 1.14 0.74 -0.94 2.46

Ing_total 61,653 708.08 609.92 480.12 14.92 4,572.00

HT_total 61,653 199.58 192.00 71.00 32.00 456.00

Variables de Interés

Uso_Internet 61,653 0.32 0.00 0.47 0.00 1.00 Educ 61,653 10.25 11.00 4.26 0.00 18.00 Educ_sup*Uso_internet 61,653 0.26 0.00 0.44 0.00 1.00

Educ_sup/1 61,653 0.40 0.00 0.49 0.00 1.00

Variables Control/2

d_estra1 61,653 0.24 0.00 0.43 0.00 1.00

d_estra2 61,653 0.23 0.00 0.42 0.00 1.00 d_estra3 61,653 0.09 0.00 0.29 0.00 1.00 d_estra4 61,653 0.10 0.00 0.29 0.00 1.00

d_estra5 61,653 0.11 0.00 0.31 0.00 1.00

d_estra6 61,653 0.05 0.00 0.21 0.00 1.00 d_estra7 61,653 0.14 0.00 0.35 0.00 1.00 d_estra8 61,653 0.04 0.00 0.20 0.00 1.00

d_dpto1 61,653 0.03 0.00 0.17 0.00 1.00

d_dpto2 61,653 0.04 0.00 0.20 0.00 1.00 d_dpto3 61,653 0.02 0.00 0.14 0.00 1.00 d_dpto4 61,653 0.05 0.00 0.22 0.00 1.00

d_dpto5 61,653 0.03 0.00 0.16 0.00 1.00

d_dpto6 61,653 0.03 0.00 0.17 0.00 1.00 d_dpto7 61,653 0.03 0.00 0.17 0.00 1.00

17 En la tabla 3 se presentan 3 variables complementarias a las listadas previamente. Se añaden pues estás son insumo para alguna de las variables presentadas. Su descripción se da en el Anexo en la Tabla A.1.

14




d_dpto8 61,653 0.02 0.00 0.14 0.00 1.00

d_dpto9 61,653 0.02 0.00 0.16 0.00 1.00


d_dpto13 61,653 0.05 0.00 0.21 0.00 1.00


d_dpto17 61,653 0.03 0.00 0.16 0.00 1.00


d_dpto21 61,653 0.03 0.00 0.18 0.00 1.00


d_dpto25 61,653 0.08 0.00 0.26 0.00 1.00

se_econ2 61,653 0.00 0.00 0.03 0.00 1.00 se_econ3 61,653 0.09 0.00 0.29 0.00 1.00 se_econ5 61,653 0.00 0.00 0.01 0.00 1.00

se_econ6 61,653 0.02 0.00 0.12 0.00 1.00


se_econ10 61,653 0.01 0.00 0.09 0.00 1.00


se_econ14 61,653 0.11 0.00 0.32 0.00 1.00


se_econ19 61,653 0.04 0.00 0.20 0.00 1.00

ocupa1 61,653 0.02 0.00 0.13 0.00 1.00 ocupa2 61,653 0.01 0.00 0.11 0.00 1.00 ocupa3 61,653 0.14 0.00 0.34 0.00 1.00

ocupa4 61,653 0.09 0.00 0.28 0.00 1.00

ocupa5 61,653 0.10 0.00 0.30 0.00 1.00 ocupa6 61,653 0.07 0.00 0.26 0.00 1.00 ocupa7 61,653 0.06 0.00 0.24 0.00 1.00

ocupa8 61,653 0.08 0.00 0.27 0.00 1.00

ocupa9 61,653 0.08 0.00 0.27 0.00 1.00 ocupa10 61,653 0.35 0.00 0.48 0.00 1.00 Edad 61,653 40.25 39.00 11.05 25.00 91.00

Edad_cuad 61,653 1,742.36 1,521.00 980.96 625.00 8,281.00

Exper 61,653 6.57 2.00 9.21 0.00 66.00 Exper_cuad 61,653 128.03 4.00 280.89 0.00 4,356.00

15




Gen_masc 61,653 0.65 1.00 0.48 0.00 1.00

d_año1 61,653 0.20 0.00 0.40 0.00 1.00

d_año2 61,653 0.19 0.00 0.39 0.00 1.00 d_año3 61,653 0.19 0.00 0.40 0.00 1.00 d_año4 61,653 0.20 0.00 0.40 0.00 1.00

d_año5 61,653 0.22 0.00 0.42 0.00 1.00 Fuente: ENAHO 2007-2011. Elaboración: Propia Notas: /1 Estas variables son complementarias pues no se utilizan directamente en el análisis de regresiones pero sirven como insumo para la construcción de alguna de las variables. Ver la Tabla A1 en el Anexo para un mayor detalle de estas. /2 Las variables se_econ1, se_econ4, se_econ15, se_econ20 y se_econ21 no se incluyen puesto que en la muestra no se encontraron observaciones en tales sectores económicos

Finalmente, la sección 4 presenta los resultados del modelo descrito previamente.

4. Resultados

En la sección anterior se presentó, en total, 2 variables de resultados, 3 variables de

interés y 56 variables control. Los resultados se presentan en dos modelos, uno por

cada variable dependiente y, por lo mismo, también se presentan en dos tablas

diferentes, la 4 y 5, respectivamente.

Con el fin de conocer la robustez del estimador por MCG se incluirán las variables

control en sub-modelos. Así, en el sub-modelo 1 se presentan los resultados de los

coeficientes de las tres variables de interés en la variable de resultado que se esté

analizando sin incluir ningún otro control, salvo los controles por año de encuesta18.

El sub-modelo 2, presenta los mismos coeficientes pero se incluye, además, las

variables control geográficas referentes a ruralidad, estrato geográfico (densidad

poblacional) y el ubicación. El sub-modelo 3 presenta los mismos resultados del

primero pero incluye variables control relacionadas al sector económico y al tipo de

ocupación que ejerce. El cuarto sub-modelo presenta, asimismo, los resultados del

primero pero incluye variables control de experiencia (Exper), experiencia al cuadrado

(Exper_cuad), edad (Edad), edad al cuadrado (Edad_cuad) y pertenencia al género

masculino (Gen_masc).

18 Puesto que se trata de un pseudo panel, no incluirlos sería incorrecto.

16

Finalmente el sub-modelo 5 presenta los resultados de los mismos coeficientes pero

incluyendo el total de las variables control. De este modo, al observar el cambio en el

coeficiente de las tres variables de interés podemos observar que tan sensible es la

relación estimada a los controles añadidos. Todos estos resultados se presentan en las

tablas 4 y 5, respectivamente, si se quiere observar los resultados para el Ingreso por

hora trabajada o el logaritmo del mismo.

En la tabla 5 se presentan los resultados para la misma variable y los mismos

modelos y sub-modelos pero utilizando el logaritmo de la variable dependiente. Esto

nos permite saber en cuantos puntos porcentuales se incrementa la variable

dependiente frente a un incremento en un punto en alguna de las variables de interés.

Tal como se observa en ambas tablas, existe un efecto positivo del uso del Internet y

de una mayor educación en el salario por hora trabajada (lo que es consecuente con lo

señalado en la literatura previa19). No obstante, también se encuentra que el efecto de

tener una mayor educación y de hacer uso de Internet, simultáneamente, tiene un

efecto positivo y significativo que es paralelo al de estas dos actividades, por separado.

Así, mientras que el uso de Internet incrementa en promedio 0.27 nuevos soles el

salario por hora trabajada (8% en promedio) y cada año educativo lo incrementa en

0.09 por hora (2% en promedio), la combinación entre el uso de Internet y la educación

superior produce un incremento de 0.27 nuevos soles (8% en promedio)

Se observa entonces que el Internet tiene efecto adicional en el incremento del

salario para aquellos que tienen un mayor grado de educación. Posiblemente debido a

que son estos los que hacen un mejor uso de la tecnología20 o, en otras palabras, hacen

un uso más productivo de la misma.

Dado que el grupo de trabajadores con algún estudio superior tiene, en promedio, 14

años de educación y el grupo sin ningún estudio superior tiene en promedio 8, para

poder hacer una correcta comparación del efecto complementario en relación a los

19 Ver la sección 2, donde se hace una breve revisión de los estudios previos a este que abordaron la temática mencionada.

20 No obstante no se debería a un uso más frecuente o a que se haga uso de Internet en el trabajo puesto que se hizo dicho análisis y no se encontraron diferencias importantes entre los estimados (no se muestran los resultados).

17

otros dos se debe multiplicar el efecto de un año más de educación por los seis años de

diferencia entre ambos grupos.

Tabla 4. Resultados modelo MCG 1

Variable dependiente: Ingreso por hora trabajada

(1) (2) (3) (4) (5)

Usa Internet * Años de Educación 0.63** (0.02)

0.74*** (0.05)

0.28*** (0.04)

0.58*** (0.05)

0.36**** (0.04)

Años de Educación 0.20*** (0.00)

0.18*** (0.00)

0.11*** (0.00)

0.22*** (0.00)

0.09*** (0.00)

Usa Internet 0.42** (0.07)

0.27*** (0.08)

0.32*** (0.05)

0.59*** (0.05)

0.27*** (0.05)

Controles por Departamento y Estrato geográfico

No Sí No No Sí

Controles por tipo de Sector Económico y tipo de Ocupación

No No Sí No Sí

Exper, Exper_cuad, Edad, Edad_cuad y Gen_masc

No No No Sí Sí

Dummies por año Sí Sí Sí Sí Sí

Constante 1.35*** 1.48*** 2.77*** -1.58*** 0.10

N 61,653 61,653 61,653 61,653 61,653

R2-Ajustado 0.23 0.25 0.32 0.26 0.36

F-stat 1,347 3,200 3,420 3,353 n.d.

Tabla 5. Resultados modelo MCG 2

Variable dependiente: Logaritmo del Ingreso por hora trabajada

(1) (2) (3) (4) (5)

Usa Internet * Años de Educación 0.07*** (0.02)

0.13*** (0.02)

0.01 (0.01)

0.02 (0.01)

0.03**** (0.01)

Años de Educación 0.07*** (0.00)

0.06*** (0.00)

0.04*** (0.00)

0.04*** (0.00)

0.02*** (0.00)

Usa Internet 0.17** (0.01)

-0.10*** (0.02)

0.11*** (0.01)

0.22*** (0.01)

0.08*** (0.01)

Controles por Departamento y Estrato geográfico

No Sí No No Sí

Controles por tipo de Sector Económico y tipo de Ocupación

No No Sí No Sí

Exper, Exper_cuad, Edad, Edad_cuad y Gen_masc

No No No Sí Sí

Dummies por año Sí Sí Sí Sí Sí

Constante 0.31*** 0.30*** 0.76*** -0.46*** -0.03

N 61,653 61,653 61,653 61,653 61,653

R2-Ajustado 0.25 0.28 0.36 0.28 0.41

F-stat 1,626 4,647 3,844 4,039 n.d.

Nota: Los errores estándar robustos a la presencia de heterocedasticidad están presentados entre paréntesis. *** representa un nivel de confiabilidad de 99%, ** representa un nivel de confiabilidad de 95%, * representa un nivel de confiabilidad de 90%

18

De esta forma, si el efecto de 6 años más de educación es de: 0.54 nuevos soles (o

12%) y el de usar Internet es de 0.27 nuevos soles (8%), entonces el efecto de ambas

combinadas, sin el efecto complementario, es de casi 0.8 nuevos (24 o 25%) soles por

hora trabajada. Mientras que el efecto complementario es, de forma parecida, de 0.27

nuevos soles (8%), lo que indicaría que el efecto complementario es, aproximadamente,

la tercera parte del efecto de las dos sumadas.

Es importante notar, sin embargo, que aunque los resultados (principalmente en el

sub-modelo 5) muestran ser positivos y significativos (así como un elevado F-stat y R

cuadrado) los coeficientes no son robustos al cambio de especificación. Esto es un

indicio de que la relación puede estar siendo contaminada por algún proceso de

endogeneidad entre las variables.21 Se requiere mayor investigación y mejores fuentes

de información para ahondar en torno a este problema. Los resultados, en ese sentido,

deben tomarse con alguna cautela.

Finalmente, los coeficientes no varían al reducir la muestra a cada uno de los años

del pseudo panel,22 lo que indicaría que este efecto complementario se ha mantenido

constante durante el período de análisis.

5. Conclusiones y Recomendaciones de Política

Las TIC han producido grandes cambios en la economía y en la sociedad actual

logrando ser parte, en la actualidad, de casi todos los aspectos de la vida humana (el

modo de relacionarnos, de realizar negocios, de informarnos, de acceder a nuevas

oportunidades, entre otros). Los estudios previos en Perú han dado amplia cobertura a

los efectos que están teniendo, en especial el Internet, en todos estos ámbitos.

Sin embargo, pocos son los estudios que han ahondado en los “pre-requisitos”

necesarios para hacer uso correcto y más productivo de esta tecnología, tales como la

educación. Así, recientes investigaciones han dado cuenta de un nuevo fenómeno,

denominado “desigualdad digital”, la nueva capa de desigualdad añadida a las pre-

existentes y que amenaza con incrementar aún más las brechas existentes.

21 En este estudio se buscó la forma de hacer frente a este problema mediante el uso de dos instrumentos exógenos, uno que afecte a la educación y, el otro, al uso de internet. No obstante, no se pudo encontrar dos instrumentos válidos por lo que es imposible probar la hipótesis de endogeneidad.

22 Estos resultados no se incluyeron debido a falta de espacio.

19

En esta investigación abordamos este fenómeno para el caso del mercado laboral

peruano, de esta forma se busca dar luz a un fenómeno poco estudiado hasta ahora.

Para esto se hizo uso de una encuesta representativa a nivel nacional con casi 60,000

observaciones disponibles.

Así, se podría afirmar que este estudio da cierta evidencia de la nueva brecha entre

los salarios recibidos por los trabajadores con mayor y menor grado educativo por la

adopción de Internet por parte de las personas y de las empresas en el Perú (lo que es

consecuente con lo señalado en los reportes de ITU, 2012; INEI, 2012).

Se encuentra que si existe un efecto complementario generado por la conjugación

entre una mayor educación y el uso de Internet y que este es, aproximadamente, la

mitad de la suma de los efectos ambas variables. Lo que implica que si un trabajador

hace uso de Internet y además tiene estudios superiores, no sólo obtiene los mismos

beneficios que un trabajador de menor educación por cada año más de estudio que

obtuvo y/o por hacer uso de Internet sino que recibe el 50% más, comparativamente.

Esto es evidencia de que existe un efecto diferenciado de hacer uso de Internet de

acuerdo al nivel educativo que se tenga y plantea desafíos importantes en términos de

política pública si lo que se busca es reducir las brechas.

Se requiere mayor evidencia para entender cuáles son los mecanismos a través de

los cuales se da esta nueva dimensión de la desigualdad y, de acuerdo a esto, será

posible plantear programas específicos o alterar los ya existentes (FITEL, Red Dorsal de

Banda Ancha, entre otros) que se han enfocado, principalmente, en mejorar el acceso a

Internet.

Por otra parte, es importante resaltar que si bien esta investigación puede ayudar a

conocer más en torno al fenómeno poco estudiado de la desigualdad digital, es

necesario ampliar los campos de análisis a mercados diferentes o distintos ámbitos

sociales (educación, acceso a servicios, gobernabilidad, entre otros), pues el Internet es

una potente herramienta que, si bien brinda la posibilidad de construir nuevos puentes,

también puede generar malestar social si sus beneficios son inequitativamente

distribuidos.

20

6. Referencias Bibliográficas

1. Balboni, M.; Rovira, S. y Vergara, S. «ICT in Latin America. A Micro Data

Analysis». CEPAL-IDRC: Santiago, Chile. 2011.

2. Barrantes, R.; Agüero, A.; Cavero, M. y Huaroto, C. «The impacts of the use of

Mobile Telephone technology on the productivity of Micro and Small Enterprises:

An Exploratory study into the carpentry and cabinet-making sector in Villa El

Salvador». Information Technologies and International Development, 8(4), 77-94.

2012.

3. Bharat, T. «Technological Change and the Dispersion of Wages». FRBSF

Economic Letter, 2002-23. 2002.

4. Card, D. y Di Nardo, D. «Skill biased Technological change and rising Wage

Inequality: Some problems and puzzles». NBER Working Paper 8769. 2002.

5. Chong, A. (editor). «Development Connections. Unveiling the Impact of New

Information Technologies». New York: IADB. 2011.

6. De los Ríos, C. «Impacto en el Bienestar de los Hogares Peruanos: Evidencia de un

panel de hogares». Documento de Trabajo DIRSI. 2010.

7. Di Maggio, P.; Hargittai, E.; Celeste, C. y Shafer, S. «From Unequal Access to

Differentiated Use: A Literature Review and Agenda for Research on Digital

Inequality». En Neckerman, N. «Social Inequality», pp.355-400. 2004.

8. Di Maggio, P. y Cohen, J. «Comparative Inequality and Network Externalities. A

comparative Study of the Diffusion of Television and the Internet». Center for Arts

and Cultural Policy Studies Working Paper No. 31. 2003.

9. Diaz, J.; Saavedra, J. y Torero, M. «Liberalización de la Balanza de pagos. Efectos

sobre el crecimiento, el empleo, desigualdad y pobreza. El caso del Perú». GRADE:

Lima .2000.

21

10. Drouard, J. «Computer Literacy, Online Experience or Socioeconomic

Characteristics – What are the Main Determinants of Broadband Internet

Adoption and Usage?». Communications & Strategies, No. 80, Fourth Quarter,

pp.83-103. 2010.

11. Fairlie, R. «Is there a Digital Divide? Ethnic and Racial Differences in Access to

Technology and Possible Explanations». Final Report to the University of

California, Latino Policy Institute and California Policy Research Center. 2003.

12. Fernandez, R. «Skill-Biased Technological Change and Wage Inequality: Evidence

from a Plant Retooling». American Journal of Sociology, No. 107(2), pp.273-320.

2001.

13. Gallego, F. «Skill Premium in Chile: Studying the Skill Bias Technical Change

Hypothesis in the South». Documento de Trabajo 377. Instituto de Economía. PUC

Chile. 2010.

14. Goldfarb, A. y Prince, J. «Internet Adoption and Usage Patterns are Different:

Implications for the Digital Divide». Information Economics and Policy, Vol. 1(20),

pp.2-15. 2007.

15. Grazzi, M. y Vergara, S. «Determinants of ICT access». En Balboni, M.; Rovira, S. y

Vergara, S. «ICT in Latin America. A Micro Data Analysis», pp.11-40. CEPAL-

IDRC: Santiago, Chile. 2011.

16. Grazzi, M. «Patterns of Internet Use». En Balboni M.; Rovira, S. y Vergara, S. «ICT

in Latin America. A Micro Data Analysis», pp.41-68. CEPAL-IDRC: Santiago,

Chile. 2011.

17. Gutierrez, L. y Gamboa, L. «Determinants of ICT Usage among Low-Income

Groups in Colombia, Mexico, and Peru». The Information Society, Vol. 26(5),

pp.346-363. 2010.

18. Huaroto, C. «Use of the Internet and productivity of microbusinesses: Evidence

from the Peruvian case». Information Technologies for International Development,

8(4), pp. 113-28.

22

19. Instituto de Estadística e Informática – INEI. «Las Tecnologías de Información y

Comunicación en los Hogares. Trimestre Julio-Agosto-Setiembre, 2012». Informe

Técnico No. 4, Diciembre. 2012.

20. International Telecommunications Union - ITU. «Yearbook of Statistics 2012.

Chronological Time Series 2002-2011». 38th Edition. ITU. 2012.

21. Jaramillo, M. y Saavedra, J. «Menos desiguales: La distribución del ingreso luego

de las reformas estructurales». Documento de Trabajo GRADE No. 59. 2011.

22. Katz, R. «El papel de las TICs en el Desarrollo. Propuesta de América Latina a los

retos económicos actuales». Madrid: Fundación Telefónica. 2009.

23. Kvasny, L. «A conceptual framework for examining Digital Inequality».

Proceedings of the Eight Americas Conference on Information Systems. 2002.

24. Mincer, J. «Schooling, Experience and Earnings». NBER Books. 1974.

25. Mominó, J. y Meneses, J. «Digital Inequalities in children and young people: A

technological matter?». Mimeo. Universitat Oberta de Catalunya. 2007.

26. Navarro, L. y Sánchez, M. «Gender differences in Internet Use». En Balboni, M.;

Rovira, S. y Vergara, S. «ICT in Latin America. A Micro Data Analysis», pp.95-118.

CEPAL-IDRC: Santiago, Chile. 2011.

27. Ono, H. y Zavodny, M. «Digital Inequality: A five country comparison using

microdata». Social Science Research, 36(1), 1135-55. 2007.

28. Pérez, C. «Technological Revolutionas and Financial Capital». Edward Elgar.

Cheltenham: UK. 2002.

29. Rice, R. y Katz, J. «Comparing internet and mobile phone usage: digital divides of

usage, adoption, and dropouts». Telecommunications Policy 27(8-9), pp.597-623.

2003.

30. Rodríguez, J. «Distribución salarial y educación en Lima Metropolitana».

Economía, 14(28), 307-344. 1991.

31. Rodríguez, E. «La ‘brecha digital’ en el Mercado de trabajo: El aprovechamiento de

la Internet como determinante de la desigualdad». Lima: CIES. 2008.

23

32. Sill, K. «Widening the Wage Gap: The Skill Premium and Technology». Business

Review, 4th Quarter, pp.25-32. 2002.

33. Saavedra, J. y Díaz, J. «Desigualdad del Ingreso y del gasto en el Perú antes y

después de las reformas estructurales». CEPAL- Series Reformas Económicas 34.

34. Woolridge, J. «Econometric Analysis of cross section an panel data».

Massachusetts: The MIT Press. 2002.

7. Anexos

Tabla A1 – Variables complementarias

Nombre variable


1. Ingreso Mensual Neto

itotalIng _ Ingreso mensual del trabajador “i”

2. Horas trabajadas en el mes

itotalHT _ Total de horas trabajadas en el mes por el trabajador “i”.

3. Con Estudios Superiores

iSupEduc _ Variable dicotómica que toma el valor de 1 sólo si el trabajador “i” tiene más estudios además de la secundaria completa.

¿Puede el uso de Internet aumentar las diferencias...

Documents

Transcript of ¿Puede el uso de Internet aumentar las diferencias...