1. El documento analiza el efecto de los programas de capacitación como JTPA sobre los salarios. 2. JTPA tuvo un efecto positivo y estadísticamente significativo de casi un 30% sobre los ingresos acumulados. 3. Se propone un modelo de regresión log-linear para evaluar las diferencias en los efectos de la capacitación entre hombres y mujeres controlando por educación, raza y otras variables.

1. 1. Usaremos pondio para ponderar el ingreso principal
2. Pondih se usa para darle peso a las personas
3. Limitamos la muestra donde no se haya contestado la pregunta de salario
4.
Año 2022 – educ cualitativa

2. Podemos ver que las mujeres en un modelo log – line ganan 36.80% menos que un hombre
Al ser una variación tan gran podemos aplicar [100* e(Mujer)-1] para tener una aproximación mas
exacta la cual da -30.78608778. el salario de la mujer respecto al hombre ceteris paribus es menor
en un 30.78%.
Podemos ver que según el test t (variables individuales) tiene significancia en el modelo
La variable edad:
Edad de manera lineal (sin captar efectos decrecientes aplicando una variable cuadratica de la
misma) no es significativa estadisticamente con el test imdividual t
Las categorias del estado civil no es estadisticamenre significativa con el test individual t, esto se
puede deber a la multicolinealidad entre estas por lo que aplicaremos el test F para ver si son
relevantes para predecir el salario
Respecto a la educación para las variables universidad completa y universidad incompleta son
estadisticamente significativas con el test individual t
La constante nos reporta la ordenada al origen que representa el salario del hombre manteniendo
constante el resto de las variables de control

3. Al controlar educación como una variable continua
La mujer pasa a ganar un 32.76% menos que el hombre aplicando el calculo para una predicción
exacta [100* e(Mujer)-1], cuando evaluamos con educación como variable cualitativa el resultado
dio 2 puntos menos.
La variable edad pasa a ser significativa al 10%, pero aun no lo es al 5% y por el tampoco al 1%
También crece en un porciento su impacto sobre la variable ln(salario) , ya que pasa de tener un
5.75% a casi un 7% (6.91%)
La educación por otro lado muestra que a partir de tener 13 años de educación empieza a ser
significativa. Suponemos que esto es cuando se termina el 5to año de secundaria.
1 año en prescolar, 7 años de primaria y 5 años de secundaria.
Si bien después de tener 13 años de educación es significativa, vemos que al tener 19 años es
significativa al 1%, podemos suponer que eso es cuando obtiene un titulo de grado.
También podemos notar que tener titulo de grado y obtener un posgrado tiene el mismo impacto
sobre ln(salario) – comparado con respecto a la categoría base-
3

4. El rendimiento estimado para la educación para los hombres es de 22% y para las mujeres de un 32%
ya que la diferencia nos da un 10% (económicamente significativo). Esta diferencia del rendimiento
de educación entre ambos sexos no es significativa individualmente con el test T.
Respecto al coeficiente de mujer podemos ver que es mucho menor que la constante que es
representada por el intercepto de los hombres. Por lo que a simple vista previo a hacer el test F,
significa que a niveles de educación bajos la mujer gana mucho menos que un hombre, pero a
medida que los niveles de educación suben llega un momento en el cual dado el mismo nivel de
educación una mujer gana más que un hombre.
El intercepto correspondiente de las mujeres es mucho menor que el de los hombres, su coeficiente
es muy grande desde el punto de vista económico, pero su varianza es igual de grande, quizá porque
estamos controlando por la diferencia del rendimiento de educación entre mujeres y hombres .La
dummy de mujer esta altamente correlacionado con la interacción entre mujer y nivel educativo,
esto podría explicar que la dummy de mujer no sea significativo ni al 10% y que su desvio estándar
sea grande, pero no sabemos si explica el gran crecimiento de su coeficiente. Lo que podemos decir
es que es menos preciso como tal. Podemos hacer un comentario al respecto si corremos la
siguiente regresión:
Con esta reg podemos ver la diferencia de medias entre los grupos, suponiendo que se cumple el
supuesto de homocedasticidad es decir que la varianza entre hombres y mujeres es la misma.

5. Una mujer gana en promedio 27% menos que un hombre mensualmente y este coeficiente es
significativo. Podemos ver que este es menor a si se estima una regresión controlando por la
diferencia de educación. En este caso la diferencia entre salarios entre hombres y mujeres es de un
33% siendo también significativa y con un desvió estándar a un menor; esta es una estimación más
confiable que la anterior, pero aun así el coeficiente de la diferencia de salario son más próximos a
comparación de la regresión que incluye la diferencia del rendimiento de educación, ya que tanto el
coeficiente como los desvíos estándar se alejan de estos, el desvió estándar se cuadriplica.
Una de las hipótesis que podemos plantear
El test conjunto concluye que estas variables son estadísticamente muy significativas por lo que
podemos incluirlas en el modelo para predecir el salario. Podríamos explicar que mujernivel_ed en el
test individual no da significativo puede deberse a lo correlacionado que esta con la variable mujer,
la multicolinealidad le resta significancia al test t.
Otra hipótesis interesante es si el rendimiento de la educación es el mismo para hombres y mujeres ,
si esto es asi, el coeficiente de mujernivel_ed tendría que ser 0 por lo que la pendiente de ln(salario)
respecto a nivel_ed es el mismo para hombres y mujeres, es decir que la hipótesis plantea que
puede haber diferencia entre salarios, pero la diferencia será la misma en todos los niveles de
educación.

6. El estadístico F > 1.96 (dado que el estimador se distribuye de manera normal, podemos usar Z, con
un α= 0.05%) por lo que no se puede rechazar hipótesis, stata calcula valores-p para alternativas de
dos colas por lo que este valor P tendremos que dividirlo por dos y compararlo con nuestro nivel de
significancia.
aun así su nivel significancia es de 10%, Z < 2.35, por lo que RH0 a favor de H1= mujernivel_ed > 0.
Otro test que podríamos hacer es que los salarios promedio son idénticos para hombres y para
mujeres con un mismo nivel de educación tanto el coeficiente de mujer como el de mujernivel_ed
deberían ser 0:
Rechazamos hipótesis nula a favor de que el coeficiente de mujer no es igual a el coeficiente de
mujernivel_ed, siendo significativa con un 5%.
Concluimos que para el año 2022 la brecha salarial entre hombres y mujeres existe controlando por
nivel de educación, pero no estamos controlando por el tipo de trabajo que desempeñan, ni la
experiencia. Cuando los niveles educativos son bajos los trabajos entre hombres y mujeres difieren,
quizás los hombres pueden realizar trabajos que se requiera fuerza y son mejor pagos. Mientras que
vemos que cuando los niveles educativos aumentan existe una brecha salarial en la que el salario de
las mujeres en promedio son mayores. La brecha salarial existe, pero no se esta controlando por otra
variables que puedan afectar al salario.
4

7. Queremos ver la diferencia entre dos grupos que en un inicio podríamos pensar que siguen la misma
regresión lineal o difieren en las pendientes siguiendo modelos diferentes para el salario

8. Suponemos que el nivel de educación tiene la misma varianza en todos los niveles
educativos (supuesto de homocedasticidad).
reg salario mujer casado mujercasado nivel_ed mujeruniversidad_completa i.edad
en un modelo line-line:
la diferencia del salario mensual entre una mujer casada y un hombre casado es de -59193.64, una
mujer casada gana menos que un hombre casado, por lo que de base el intercepto de la regresión
del salario mensual de una mujer es menor que la intercepción de la del salario de un hombre
casado. Ambos estadísticamente significativos y económicamente significativos
La diferencia entre dos personas con titulo universitario que en lo único que difieren es en el sexo
podemos ver que el coeficiente de esta diferencia es positiva (11513), por lo que la pendiente de de
la regresión será mas empinada. Esta interacción entre la variable binaria dummy de mujer y
universidad completa
Vemos que el coeficiente del intercepto como la pendiente para el grupo de las mujeres difieren del
grupo de los hombres, por lo que el modelo es diferente para hombres y mujeres
EFECTO DE LA CAPACITACIÓN EN LOS SALARIOS
1)
Nivel - nivel
Jtpa-training tiene un efecto positivo sobre ingresos, es altamente significativo estadísticamente,
pero su error estándar es grande.

9. Modelo log-line
Al aplicar logaritmo sobre la variable dependiente ingresos acumulados tiene un efecto positivo
sobre la variable dependiente de casi un 27%, es estadísticamente significativo y económicamente
también. Podemos ver que el error estándar es mucho más chico esto puede deberse a las
propiedades del logaritmo ya que suele estrechar el rango de variabilidad, haciendo menos sensibles
a observaciones atípicas.
Para obtener una variación porcentual mas exacta aplicamos 100*(e^(.2681567)-1) dando como
resultado una variación del 30.75%
2)

10. Descripción del programa JTPA:
Este programa financia capacitaciones con un costo anual 1600 millones.
Se entregaron en 649 sitios ubicados en todo el país
Este servicio de capacitación incluía :
 Capacitación en el aula con habilidades ocupacionales, educación básica o ambas
 Capacitación en el trabajo y/o asistencia en la búsqueda de empleo
 Otros servicios que pudo haber incluido un empleo a prueba y/o combinación de los dos
primeros
JTPA ofreció servicio a través de colegios comunitarios, servicios estatales de empleo, organizaciones
comunitarias y agencia de capacitación del sector privado. Estos sitios no fueron una muestra
aleatoria, mas bien fueron elegidos por su diversidad, disposición y capacidad para implementar el
diseño experimental.
JTPA se ofreció en varios grupos diferentes. Los participantes generalmente se consideraban
elegibles para recibir capacitación si enfrentaban una o varias “barreras para el empleo”
Barreras para el empleo:
 Uso a largo plazo de la asistencia social
 Haber abandonado la escuela secundaria
 15 o mas semanas recientes de desempleo
 Dominio limitado de ingles
 Discapacidad física o mental

11.  Dominio de lectura por debajo del nivel de 7°
 Un registro de arresto
Modelo de regresión log – line propuesto:
reg learnings hombre jtpa_training hombrejtpa_training hsorged hombrehsorged black
hombreblack hispanic hombrehispanic married hombremarried wkless13 hombrewkless13 age2225
age2629 age3035 age3644 age4554
usamos en ln de earnings como variable dependiente ya que queremos ver el efecto de la
capacitación en esta variable. El uso del ln es apropiado en variables como ingresos.
Ya que queremos evaluar las diferencias entre hombres y mujeres en términos del efecto de la
capacitación incluiremos en el intercepto una variable dummy de hombre.
También buscamos las diferencias que puedan haber en las pendientes entre ambos grupos.
Incluiremos:
 jtpa_training ya que son las personas que hicieron la capacitación (suponemos que están
incluyendo a individuos que han concluido la capacitación y descartando a los que
empezaron, pero no culminaron)
 hombrejtpa_training interacción de variables dummy para ver la diferencia con el grupo
base respecto en base a la capacitaciones con todo las demás variables constantes.
 hsorged: Hubo una proporción baja de graduados de la secundaria que participo del
programa. Si bien se tiene el secundario terminado puede que exista alguna otra barrera :
más de 15 semanas sin empleo | haber culminado sus estudios en un país extranjero | tener
el titulo secundario y no leer bien en el idioma ingles | accidente que haya dejado a la
persona con alguna discapacidad o haber culminado el colegio secundario con una
dispacidad.
 Interacción de variables binarias entre hombres y hsorged para ver la diferencia de grupos.
 hispanic – representan un gran porcentaje de la población de EEUU – ya que una de las
barreras de empleo es el dominio limitado de ingles en conjunto también el nivel de lectura
en ingles.
 black - en el libro de Wooldrige mencionan [Explicación de los historiales de arrestos]
donde usan información sobre arrestos durante 1986. Un hombre negro tiene 17% más de
probabilidad de ser detenido. Ya que es una barrara
 Interacciones de variables binarias entre hombre y hispanic. La usaremos para ver la
diferencia con el grupo base mujer.
