Probit y Tobit

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE CIENCIAS MATEMTICAS

E.A.P. DE. ESTADSTICA

Modelos Probit y Tobit aplicados al estudio de la oferta
laboral de los trabajadores secundarios en el Per
Resumen

MONOGRAFA
Para optar el Ttulo de Licenciado en Estadstica

AUTOR

Edgard Abanto Millones

LIMA PER
2003

RESUMEN

Para estimar los parmetros en modelos con variable dependiente discreta se
utiliza los modelos probabilsticos tales como el Logit y el Probit. Por otro lado,
las variables continuas tienen en muchos casos distribuciones censuradas, es
decir, una variable que tiene una distribucin continua y otra discreta. En este
caso, no es adecuado utilizar el modelo de regresin lineal estimado por mnimos
cuadrados ordinarios, ya que proporciona estimaciones sesgadas. El modelo
Tobit es una extensin del modelo Probit y fue desarrollado en 1958 por James
Tobit.

La ilustracin se presenta a travs del anlisis de la oferta laboral de los
trabajadores secundarios en el Per y sern utilizados para analizar los principales
factores que inciden en la decisin de los trabajadores secundarios de participar
en el mercado laboral y con qu intensidad lo hacen.

PALABRAS CLAVES: Oferta laboral de los trabajadores secundarios, Modelos
Probit y Tobit, Test de Wald, Encuesta Nacional de Hogares.

ABSTRACT

Parameter predition in models with dependent discreet variable has use the
models probabilistics: Logit and Probit. Furthermore, the continuous variables
have censored distributions in many cases, that is, a variable has a continuous and
another discreet distribution. In this case, is not adapted to use the model of
linear regresin, ordinary least square, since the estimates are unbiased. The Tobit
model is a extension of the model Probit and was developed in the year 1958 for
James Tobit.

The illustration of these models comes through the analysis of the labor offer of
the secondary workers in the Peru and will be used in order to analyze the main
factors that rebound in the decision of the secondary workers of participating in
the labor market and with what intensity makes him.

KEY WORDS: Labor offer of the secondary workers, Probit and Tobit
models, Test of Wald, National Survey of Homes.



Introduccin

MONOGRAFA

AUTOR


LIMA PER
2003

INTRODUCCIN

La medicin de los fenmenos econmicos es una parte importante de la
investigacin social, su desarrollo tiene como base la aplicacin de modelos
estadsticos conocidos generalmente como modelos economtricos, de tal
manera que se pueda aprovechar de la mejor manera los datos que se tiene a
disposicin.

En la investigacin econmica, la estadstica toma un papel muy importante, en
una primera etapa define la recoleccin, procesamiento y presentacin de las
cifras econmicas, las cuales constituyen materia prima para un trabajo de
investigacin ms complejo. Luego con la aplicacin de mtodos estadsticos se
pueden plantear hiptesis y ser verificadas.

Estos resultados por ser utilizados para fines de control o de poltica, por lo
tanto, se hace necesario un conocimiento y aplicacin de mtodos apropiados ya
que un inadecuado uso podra generar conclusiones erradas.

Un fenmeno econmico de inters es el comportamiento de los trabajadores
secundarios en el mercado laboral, en ese sentido el presente trabajo muestra los
mtodos que son utilizados para analizar los principales factores que inciden en la
decisin de los trabajadores secundarios de participar en el mercado laboral y con
qu intensidad lo hacen.

Hablamos de los modelos Probit y Tobit, el primero permite obtener la
cuantificacin del aporte de los factores significativos a un modelo de variables
dependientes dicotmicas. Mientras que con el modelo Tobit vamos a conocer la
contribucin de las caractersticas familiares e individuales sobre las horas
trabajadas a la semana por el trabajador secundario. La caracterstica principal de
este modelo es que considera la parte de la variable independiente que no
presentan datos como efecto de alguna censura.

El trabajo se encuentra constituido por cinco captulos, en el primero se
presentan los objetivos, antecedentes y justificacin de la investigacin; en el
segundo, tercer y cuarto captulo se muestra el desarrollo terico de los modelos
de Respuesta discreta binaria, el modelo Probit y Tobit, respectivamente, de tal
manera que tengamos un conocimiento terico de los modelos adecuados para el
desarrollo del problema.

Finalmente, en el captulo cinco se muestra la aplicacin de los modelos
estudiados sobre la oferta laboral secundaria en el Per, en base a los resultados
de la Encuesta Nacional de Hogares del ao 2001 a nivel del Per Urbano.



Captulo 1. Planteamiento del problema

MONOGRAFA

AUTOR


LIMA PER
2003

CAPTULO I

PLANTEAMIENTO DEL PROBLEMA

1.1 ANTECEDENTES

La decisin de participar en el mercado laboral es un tema que recibe mucha
atencin en la economa laboral y ha sido analizado bajo dos enfoques. El
primero considera que la decisin de participar es una accin individual. De esta
manera, el anlisis se basa en las oportunidades que presenta la persona, mientras
que el segundo enfoque, toma en cuenta las caractersticas del grupo familiar al
que pertenece. Entre las variables con mayor importancia al momento de decidir
su participacin es la situacin laboral y los ingresos del jefe del hogar donde
corresponde.

Para la presente investigacin se considera que la decisin de participar es
adoptada tomando en cuenta las caractersticas individuales y familiares del
individuo. Para ello se han clasificado a los trabajadores en: principales y
secundarios. Donde el trabajador principal es el jefe de hogar y los secundarios
concentra a los cnyuges, hijos dependientes y personas mayores de 65 aos no
jefes de hogar. La decisin de participar del jefe de hogar, es estable debido a su
rol dentro del hogar. En el caso de los cnyuges la decisin de trabajar o no,
depende del valor de su produccin domstica en relacin con el potencial
ingreso en el mercado laboral. Por otro lado, los hijos enfrentan tres opciones:
participar en el mercado laboral, estudiar y ocio. Para estos, la decisin
depende de las alternativas de empleo y de los retornos futuros de la educacin.
As tambin las personas mayores de 65 aos, que les corresponde un descanso
por su trabajo realizado, tambin afrontan la decisin de seguir activos en el
mercado laboral.

Sin embargo, la variacin de la oferta laboral del trabajador secundario depende,
en muchos casos, del dinamismo de la economa y de las restricciones de liquidez
de la familia, as una reduccin en los niveles de ingresos del hogar, debido al
cambio en la condicin del jefe de hogar, obliga al cnyuge o dems trabajadores
secundarios a buscar trabajo o incrementar sus horas trabajadas.

Investigaciones sobre el tema han sido elaborados en diferentes pases de la
regin, Jorge Paz elabor el documento Oferta laboral de reserva en la Argentina
-Una mirada sobre el efecto del trabajador adicional, 2000- asimismo, en Uruguay
Ximena Garca de Soria elabor el documento Oferta laboral de las mujeres
1997. En el Per existen algunos estudios referentes al tema desarrollados por el
Ministerio de Trabajo en el que aborda la participacin del trabajador secundario
segn sus caractersticas familiares, individuales y el tipo de ocupacin del jefe de
hogar (formal o informal).

Por lo expuesto anteriormente, es necesario mostrar la formulacin terica que
viene tras el desarrollo de estas investigaciones. La decisin de participar o no en
el mercado de trabajo puede ser explicado bajo un modelo de Eleccin Discreta
Binario que nos permite analizar el efecto de la situacin laboral de los jefes de
hogar, entre otras variables, sobre la decisin de los trabajadores secundarios de
participar en el mercado laboral.

Por el tipo de caractersticas que se pretende analizar, se muestran dos clases de
modelos: uno para la decisin dicotmica (participar o no); otro, para el nmero
de horas dedicadas al trabajo. En el primer caso se tiene una variable discreta
binaria que identifica a los trabajadores secundarios que se encuentran en la
fuerza laboral. Se plantea tambin que la decisin de participar en alguna
actividad econmica remunerada, depende de un conjunto de variables
explicativas, reunidas en una matriz X. Para analizar los determinantes de la
probabilidad de estar en la fuerza laboral, se utilizar un modelo Probit.

Por su parte, la modelacin de la intensidad de la participacin se realizar
usando como variable dependiente las horas semanales dedicadas por el
trabajador secundario y dado que slo se conoce el valor de las horas de trabajo
de aquellos individuos que participan en la actividad remunerada, se ajustar a un
modelo Tobit para variables censuradas.

La aplicacin de estos mtodos son utilizados con mucha frecuencia en el rea
econmica, sin embargo, otras reas, tales como la medicina y la investigacin
social, tambin hacen uso de estas herramientas.

1.2 OBJETIVOS

OBJETIVOS GENERALES
Analizar que factores influyen en la decisin de participar del trabajador
secundario en el mercado laboral, asimismo determinar las variables que influyen
para que el trabajador secundario incremente su oferta laboral (horas semanales
de trabajo).

OBJETIVOS ESPECFICOS

- Determinar si la situacin econmica y laboral (desempleo, empleado con
ingresos menores a S/ . 1643.0 nuevos soles y empleado con ingresos de
S/ .1643.0 nuevos soles o ms) del jefe de hogar promueve la participacin en el
mercado laboral de la fuerza de trabajo secundario.

- Conocer si la situacin ocupacional (desempleo, empleado con ingresos
menores a S/ . 1643.0 nuevos soles y empleado con ingresos de S/ .1643.0 nuevos
soles o ms) del jefe de hogar promueve un mayor esfuerzo semanal, en trminos
de horas dedicadas al trabajo, por parte de los trabajadores secundarios.

- Mostrar la utilidad que tienen los modelos Probit y Tobit en el desarrollo de
estas investigaciones.

1.3 DEFINICIONES UTILIZADAS EN EL DESARROLLO DE LA
INVESTIGACIN

1. Hogar. Es aquel que se encuentra constituido por un conjunto de personas,
sean o no parientes, que viven dentro de la unidad de vivienda, comparten las
comidas principales y atienden en comn otras necesidades vitales. Para el
presente trabajo no se considera hogar al constituido por una sola persona.

2. Jefe del hogar. Se define jefe de hogar a la persona considerada as por los
miembros del hogar siempre y cuando tengan residencia habitual en la unidad de
vivienda. En los casos de difcil decisin se tiene en cuenta los siguientes
criterios:
-Quien es sostn econmico del hogar y/ o
-Quien es responsable del hogar

3. Miembros del hogar. Se considera como miembros del hogar a todas
aquellas personas que tienen como lugar de residencia habitual la unidad de
vivienda y comparten los alimentos (olla comn).

4. Preceptor ingresos. Es el miembro del hogar que durante el periodo de
referencia, ha percibido algn ingreso.

5. Poblacin en edad de trabajar. Es el conjunto de personas que estn aptas
en cuanto a edad para el ejercicio de funciones productivas. En el Per, se
considera a toda la poblacin de 14 aos y ms como poblacin en edad activa o
poblacin en edad de trabajar (PET).

6. Poblacin econmicamente activa (PEA). Son todas las personas en edad
de trabajar que en la semana de referencia se encontraban trabajando (ocupados)
o buscando activamente un trabajo (desocupados).

7. Poblacin no econmicamente activa (inactivos). Son todas las personas
que pertenecen a la poblacin en edad de trabajar que en la semana de referencia
no han trabajado ni buscado trabajo y no desean trabajar. Dentro de este grupo
se encuentran las amas de casa, los estudiantes, los rentistas y los jubilados, que
no se encontraban trabajando ni buscando trabajo.

8. PEA ocupada. Es el conjunto de la PEA que trabaja en una actividad
econmica, sea o no en forma remunerada en el periodo de referencia.

9. PEA subempleada. Son los trabajadores cuya ocupacin no es adecuada
cuantitativa y cualitativa, respecto a determinadas normas. En el caso del Per se
considera dos grupos de subempleo por horas y por ingresos.

- Subempleo por horas (visible): Es aquel que labora menos de 35 horas a la
semana, desea trabajar horas adicionales y esta en disposicin de hacerlo.

- Subempleo por ingresos (invisible): Es aquel que labora 35 a ms horas
semanales, pero su ingreso mnimo de referencia
1
.

10. PEA adecuadamente empleada. Esta conformada por dos grupos de
trabajadores:

- Aquellos que laboran 35 horas o mas a la semana y reciben ingresos por
encima del ingresos mnimo referencial, y
- Aquellos que laboran menos de 35 horas semanales y no desean trabajar ms
horas.

11. PEA desocupada. Se considera en esta categora a las personas de 14 aos y
ms que en el perodo de referencia no tenan trabajo, buscaron activamente
trabajo durante la semana de referencia y no lo encontraron.

12. Horas semanales por trabajo. Comprende el total de horas normales por
semanas trabajadas en todas sus ocupaciones (ocupacin principal y secundaria).

1
Ingreso Mnimo referencial: Es aquel que se obtiene al dividir el costo de la Canasta Mnima de Consumo
(elaborada en base a los requerimientos mnimos nutricionales en caloras y protenas) entre un nmero
promedio de preceptores del hogar. Se asume que existen 2 perceptores de ingresos por hogar.

1.4 JUSTIFICACIN DEL ESTUDIO

La importancia del presente trabajo radica en mostrar que una investigacin
social se fundamenta en conocimientos de tcnicas estadsticas. Los mtodos
aqu desarrollados permitirn medir los factores que influyen en la decisin de
participacin de la fuerza laboral secundaria.

El conocimiento terico de las metodologas es importante ya que el correcto
uso de ellas, nos ayudan a obtener resultados que sern utilizados por los agentes
econmicos para el desarrollo de polticas de empleo. Asimismo, los resultados
del estudio nos permitir explicar el cambio en los patrones de la participacin
laboral por sexo, lo cual es un determinante de la evolucin temporal de la tasa
de actividad.



Captulo 2. Modelos de respuesta discreta binaria

MONOGRAFA

AUTOR


LIMA PER
2003

CAPTULO II

MODELOS DE RESPUESTA DISCRETA BINARIA

2.1INTRODUCCIN

Puede ocurrir que al estudiar algn fenmeno de inters la variable respuesta no
es continua, sino discreta (por ejemplo: la condicin laboral de individuo, un
paciente cura de una enfermedad o no, un cliente realiza la compra o no, etc.) en
estos casos la forma como se plantee y desarrolle el modelo es diferente al
planteado en casos donde la variable respuesta es continua. Estos modelos se les
conoce como Modelos de Eleccin Discreta o Modelos de Respuesta Discreta.
Un Modelo de Eleccin Discreta intenta explicar una eleccin o resultado
discreto. Hay dos tipos bsicos de variables discretas, y cada uno requiere de
diferentes modelos estadsticos.

Dicotmicas, binarias o variables dummy. Estas toman valores 1 o 0
dependiendo de la ocurrencia del evento. Para nuestro problema estamos
interesados en la decisin de un trabajador secundario para participar en el
mercado laboral en algn perodo de referencia, digamos una semana. Podemos
definir entonces la variable dummy yde la siguiente manera:

'
0
1
i
y

, Si la persona i decide participar
, Si la persona i no decide participar
Variables politmicas. Estas toman ms de dos posibles valores. Pueden ser
ordinales (Primero-Segundo-Tercero) o nominales (Azul, verde, rojo).

Vemos que en ninguno de estos contextos parece posible utilizar un anlisis de
regresin simple clsico. Sin embargo, en todos ellos es posible construir
modelos que enlazan la decisin o resultado con un conjunto de valores, con la
misma filosofa que en el anlisis de regresin.

2.2 EL MODELO DE PROBABILIDAD LINEAL Y SUS PROBLEMAS

Segn lo anterior resulta conveniente agrupar los modelos en dos grandes clases,
binomial y multinomial, dependiendo si el resultado es la eleccin entre dos
alternativas o entre ms.

En el caso de la eleccin de participar o no en el mercado de trabajo cada
individuo tiene la probabilidad p de estar en una de las dos categoras, y 1-p
de encontrarse en la otra categora complementaria. Entonces la probabilidad de
que Z de los N individuos participen del mercado laboral es:

z n z
p p
z
N
z Z P

,
_
) 1 ( ) ( , (2.1)

donde z= 0,1,2,3,....N.
Por ello, se hace necesaria la utilizacin de modelos que expliquen esta variable,
en ese sentido comenzamos por definir la relacin de la variable dependiente y
las variables regresoras.

Consideremos el caso de una variable dependiente binaria, y , la cual viene
explicada por un conjunto de predictores x
1
,x
2
, ..., x
k
.

Observemos que, por ser y una variable con distribucin binomial ) P , 1 ( B y ,
donde siempre se cumplir que:

[ ] ) 1 ( ) 1 ( . 1 ) 0 ( . 0 / + y P y P y P x y E (2.2)

Por otra parte, podemos pensar en utilizar un modelo de regresin lineal
mltiple para explicar el comportamiento de la variable y , esto es.:

x .. x x y
k k 2 2 1 1 0
+ + + + + = (2.3)

Bajo el supuesto habitual de que E[] = 0, y suponiendo conocidos los valores
que toman las variables explicativas (observaciones), tendremos que:

[ ]
k k 2 2 1 1 0
x .. x x x | y E + + + + = (2.4)

Igualando las expresiones obtenidas para E[y / x] (2.2) y (2.4), se tiene el llamado
modelo de probabilidad lineal

+ + + + y x .. x ) 1 y ( P
k k 2 2 1 0
(2.5)

Observar que esta expresin nos viene a decir que podemos expresar la variable
dependiente binaria y como la probabilidad de "xito" ms un trmino de
perturbacin, es decir:

[ ] x / y E ) 1 y ( P y + = + = = (2.6)

Sin embargo, este modelo inicial no ser preciso para explicar el comportamiento
de variables dependientes binarias, pues presenta varios problemas:

1. El trmino de perturbacin ) x ... x x ( y
k k 2 2 1 1 0
+ + + + = - ya no ser
una variable aleatoria continua (como ocurra en el Modelo de Regresin Lineal
Mltiple -MRLM), sino que ser una variable aleatoria discreta puesto que,
conocidos los valores de las variables explicativas, slo puede tomar dos
valores determinados. Por tanto, ya no se distribuir de forma normal uno de
los supuestos bsicos del MRLM. Si bien este supuesto no resulta estrictamente
necesario para aplicar Mnimos Cuadrados Ordinarios (MCO), s es fundamental
a la hora de realizar cualquier tipo de inferencia posterior sobre el modelo
(intervalos de confianza para los parmetros estimados, contrastes de hiptesis,
etc.).

2. El trmino de perturbacin no cumple la hiptesis de homocedasticidad (la
varianza de dicho trmino no es constante). Debido a este problema, los
estimadores MCO no sern eficientes, por lo que resultar necesario recurrir a la
estimacin por Mnimos Cuadrados Generalizados (MCG).

3. Como la variable dependiente y slo puede tomar los valores 0 y 1, si
representamos grficamente la nube de puntos formada por los pares de
observaciones de y con una de las variables explicativas x, obtendremos puntos
situados sobre las rectas y = 1 e y = 0.

Al estimar los parmetros del modelo de probabilidad lineal, estaremos ajustando
una recta a la nube de puntos definida por los valores de y . El uso de dicha recta
para predecir nuevos valores de y , valores de P(y = 1) = y - , a partir de
valores dados de x puede proporcionar valores mayores que 1 o menores que 0
(lo cual est en contradiccin con la definicin de probabilidad).

Grafico N 1
Modelo de Probabilidad Lineal con un variable independiente

4. Finalmente, la expresin
k k 2 2 1 1 0
x .. x x ) 1 y ( P + + + + = = nos dice que la
probabilidad del suceso "xito" viene determinada por una combinacin lineal de
variables explicativas. De ello se deduce que el efecto marginal esta dado por
i
i
x
y P

) 1 (
K
i
,..., 3 , 2

En otras palabras, la variacin en P(y = 1) causada por cambios en alguna de las
variables explicativas es constante (por tanto, independiente del valor actual de
dicha variable explicativa), lo cual es una hiptesis muy poco realista.

0
1
2
18 20 22 24 26 28 30
Xi
Yi P(Y=1)
Y=Bo+B1X
Ahora usaremos la notacin ) / 1 ( x y P , para indicar que la dependencia es con
respecto a los valores que toma las variables explicativas x
1
,x
2
, ...,x
k
.

Entonces la variable y tiene:
) / 1 ( ) ( x y P y E
)) / 1 ( 1 )( / 1 ( ) ( x y P x y P y V
Asimismo :
x x y P ' ) / 1 (

Entonces cmo debera ser la funcin P( y =1/ x)?, para algunos valores
extremos de x deber ser prximo a 0 y para otros valores extremos deber ser
prximo a 1, y para los otros valores deber tomar valores intermedios. Las
funciones que cumplen esto son las Distribuciones de Probabilidad Acumulada.

La ventaja de usar este tipo de funciones es doble, por un lado se soluciona el
problema de acotamiento de la probabilidad y por otro lado las probabilidades no
se estiman mediante una funcin lineal. Esto ltimo es adecuado cuando el
modelo presenta diversas variables explicativas, y no todas se ajustan de manera
lineal.

El modelo se formula mediante la relacin no lineal del tipo:
) x ' ( F ) x / 1 y ( P = =
siendo F una funcin de distribucin acumulada.
Utilizando esta solucin, tres son los modelos ms estudiados:

Modelo uniforme. Toma como F la distribucin uniforme,

'
>
<

1 x ' si 1
1 x ' 0 si x '
0 x ' si 0
) x ' ( F ) x / 1 y ( P

Este modelo no proporciona buenos resultados y es poco utilizado.

Modelo probit. Toma como F la distribucin normal,

x x
dt t dt t x F x y P
' '
2
) ( )
2
1
exp(
2
1
) ' ( ) / 1 (

La funcin de distribucin normal estndar se representa como (.) .

Modelo logit. Toma como F la distribucin logstica,

) ' exp( 1
1
) ' exp( 1
) ' exp(
) ' ( ) 1 (
x x
x
x F y P

+



Captulo 3. Modelo Probit

MONOGRAFA

AUTOR


LIMA PER
2003

CAPTULO III

MODELO PROBIT

3.1INTRODUCCIN

En el captulo anterior se mostr el modelo de probabilidad lineal, que es una
aplicacin sencilla del modelo de regresin lineal mltiple a una variable
dependiente binaria. La cualidad discreta de y no significa en s que los modelos
lineales sean inadecuados, pero como vimos, el modelo de probabilidad lineal
tiene ciertos inconvenientes. Las dos desventajas ms importantes que presenta
son que las probabilidades ajustadas pueden ser menores a cero o mayores que
uno y que el efecto marginal de cualquier variable explicativa es constante. Sin
embargo, se present de manera general algunos modelos tales como el Logit y el
Probit, que salvan las deficiencias del Modelo de Probabilidad Lineal (MPL), la
desventaja es que la interpretacin de sus resultados no es tan sencilla.

3.2 FORMULACIN DEL MODELO PROBIT

En el MPL, suponemos que la probabilidad de respuesta es lineal en el conjunto
de parmetros ; para evitar las limitaciones del MPL, se considera una clase
especial de modelos de respuesta binaria de la forma:

P(y =1| x)= F(
0
+
1
x
1
+
2
x
2
+...+
n
x
n
)=F (x) (3.1)

Donde F es una funcin que asume valores que se hallan estrictamente entre
cero y uno 0<F(x)<1, para todos los nmero reales. Esto asegura que todas las
probabilidades de respuestas estimadas se hallen estrictamente entre cero y uno.

En este captulo se analizar el modelo Probit el cual ser la base para el
problema planteado al inicio de trabajo. Donde F es la funcin de distribucin
acumulada normal estndar, que se expresa como una integral:

= = = =
x x
dt t dt t x F y P
' '
2
) ( )
2
1
exp(
2
1
) ' ( ) 1 (

(3.2)
y
) 2 exp( ) 2 ( ) (
2 2 1
t t =

La funcin F en (3.2) es creciente. F(t) 0 cuando t - y F(t) 1 cuando
t . La funcin Probit se presenta en la grfica N 2.

Grfico N 2
Funcin Probit

= = = =
x x
dt t dt t X F y P
' '
2
) ( )
2
1
exp(
2
1
) ' ( ) 1 (

3.2.1Modelo de Variables Latentes

Los Modelos de Respuesta Binaria (MRB) pueden ser desarrollados usando una
variable latente la cual satisface las suposiciones del modelo lineal clsico. En los
MRB se supone que hay una variable no observada y * que toma valores
continuos tal que para aquellos valores mayores a un valor a, y = 1 y para
aquellas valores de y * menores que a, y =0 . En otras palabras los MRB
aparecen con frecuencia como modelos con funcin ndice la cual es el resultado
de una eleccin discreta en base a una regresin subyacente.

Siguiendo con nuestro problema planteado en el captulo I, es decir, la decisin
del trabajador secundario de participar en el mercado laboral, el individuo hace
un clculo entre la cantidad de consumo y ocio que pueden comprar dadas las
restricciones impuestas por el ingreso familiar disponible, el ingreso no laboral y
laboral, y con el beneficio que podra generar otra decisin. Puesto que la
cantidad de consumo evidentemente no es observable, ajustamos la diferencia
entre el consumo y el beneficio de otra decisin con una variable no observable
y* que cumple

y* = x + (3.3)

Supongamos que la distribucin del error es normal con media cero y varianza
uno.

No observamos el beneficio neto de decidir participar en la oferta laboral, slo si
sta se hace o no. Por lo tanto, nuestra observacin es

y =1 si y * > a
y =0 si y * a

Con esta formulacin, x recibe el nombre de funcin ndice, donde a es el
umbral o punto de corte.

La conexin entre la variable latente y * y la observada y es mostrada en la
figura N 3 para el modelo 3.3 . En la figura y * esta en el eje vertical, con un
umbral =0 indicado por la lnea horizontal punteada. La distribucin de y *
muestra una curva acampanada, cuando y * es mayor que , indicado por la
regin sombreada, se observa y =1.

Como vemos el modelo no puede ser estimado con MCO, por ello usamos la
estimacin por Mxima Verosimilitud que requiere conocer la distribucin de los
errores. Para el modelo Probit asumimos que el error sigue una distribucin
normal con media 0 y varianza 1, la hiptesis de que el umbral es cero puede
facilitar los clculos, sin embargo puede tomar cualquier valor.

Grfico N 3
La distribucin de y* dado x en la Distribucin de Respuesta Binaria

La probabilidad del suceso y=1 es:

Prob ( y = 1) = Prob ( y * > 0)
= Prob (x + > 0)
= Prob ( > - x )

Si la distribucin es simtrica, como la distribucin normal,
Prob ( y = 1) =Prob ( y * > 0)
= Prob ( < x )
= F (x)

De este modo se obtiene un modelo estructural para la probabilidad.

3.3 ESTIMACIN DE MXIMA VEROSIMILITUD DEL MODELO
PROBIT

Todos los modelos de eleccin binaria, excepto el modelo de probabilidad lineal,
se estiman habitualmente por el mtodo de Mxima VerosimilItud. Cada
observacin se considera como realizacin individual de una variable aleatoria
con distribucin Bernoulli (es decir binomial con n=1). La probabilidad conjunta,
o funcin de verosimilitud, de un modelo con probabilidad de xito F(x) y
observaciones independientes es

= =
= = = =
1 0
2 2 1 1
) ' ( ) ) ' ( 1 ( ) ,..., , ( Pr
i i
y y
n n
x F x F y Y y Y y Y ob (3.4)
Podemos re escribir esta frmula como

[ ] [ ]
i
y 1
n
0 i
i
y
) x ' ( F 1 ) x ' ( F L

=
= (3.5)

Esta es la funcin de verosimilitud para una muestra de n observaciones.
Tomando logaritmos obtenemos:

[ ]
+ = )) ' ( 1 ln( ) 1 ( ) ' ( ln ln

i i i i
x F y x F y L (3.6)

Las condiciones de primer orden del problema de maximizacin requieren que

0
)) ' ( 1 (
) ' (
) 1 (
) ' (
) ' ( ln
1
=
+ =
=
x
x F
x f
yi
x F
x f
y
L
n
i
i
(3.7)

A menos que se utilice el modelo de probabilidad lineal, las ecuaciones
contenidas en (3.7) sern no lineales y habrn de resolverse con mtodos
numricos. Para los MRB, los estimadores de mximo verosimilitud son
obtenidos igualando la primera derivada (o gradiente) a 0 y haciendo uso del
lgebra. Sin embargo, en los modelos no lineales es raramente posible encontrar
la solucin usando lgebra. En consecuencia, se usa los mtodos numricos para
encontrar estimadores que maximicen la funcin de verosimilitud. Los mtodos
numricos empiezan con un supuesto de los valores e iterando para mejorar la
suposicin.

Uno de los mtodos ms utilizados es el conocido mtodo del tanteo. El mtodo
de tanteo (Scoring) usa la informacin de la matriz de informacin, las
estimaciones Probit se obtienen como resultado de varias etapas:

f
f f f
l
I
+ =

+
) (
1
1
(3.8)
donde los subndices indican el nmero de iteraciones necesarias para hallar la
solucin. El proceso se detiene cuando la diferencia entre
1 + f
y
f
se acerca lo
suficiente a cero.

) (
f
I
es una estimacin de la matriz de informacin de Fisher (matriz cuadrada
y simtrica del negativo de las derivadas de segundo orden del logaritmo de la
funcin de verosimilitud, por lo que la mxima verosimilitud logartmica es
globalmente cncava
2
) evaluada en el ltimo supuesto.

2
Mtodos de Econometra. J. Johnston. 1997. Una de las caractersticas del modelo probit (o logit) es que las
funciones mximo de verosimilitud son globalmente cncavas. As pues, no resulta necesario que el programa
de optimizacin se preocupe por la discriminacin entre mximos locales y mximos globales. Se trata de
encontrar aquellos valores de los parmetros que maximizan el logaritmo de la funcin de verosimilitud que
sern, a su vez, los mximos locales y globales.

=
2
)
'
L ln
( E ) ( I

- (3.9)

Esta matriz es definida negativa sea cual sea el valor de .

Superado el problema de la naturaleza no lineal de la maximizacin, en
condiciones optimas los estimadores MV son consistentes, asintticamente
normales y eficientes. Adems de estimar los parmetros , los mtodos
numricos proporcionan estimaciones de la matriz de la covarianza asinttica
Cov (), que es usada para estimar los test estadsticos. La teora de mxima
verosimilitud muestra que la matriz varianza covarianza asinttica es, menos la
inversa de la matriz que se utilice para estimar el Hessiano esperado. Lo ms
habitual es utilizar el Hessiano observado, puesto que ste es el que se utiliza,
generalmente, en las iteraciones.

Cov () = ) (
1
f
I
,
donde:

=
1
2
1 - -

- )
'
L ln
( E ) ( I
f (3.10)

Con los estimadores calculados, podemos considerar la interpretacin del
Modelo de Respuesta Binaria .

3.3.1Interpretacin del cambio parcial en P(y=1/ x)

Los s pueden ser usados para calcular el cambio parcial en la probabilidad de
un evento.
Dado
Prob ( y = 1/ x) = F (x) (3.11)

Donde F es la funcin de distribucin acumulada de la distribucin normal.
La funcin de densidad es indicado como . El cambio parcial en la
probabilidad, tambin llamado efecto marginal, es calculado tomando la derivada
parcial de la ecuacin (3.11) con respecto a x
k
.

k
k k k
x f
x
x
x d
x dF
x
x F
x
x y P

) ' (
'
'
) ' ( ) ' ( ) / 1 (
=
=

para el modelo probit

k
k
x
x
x y P
) ' (
) / 1 (
=
=
(3.12)

El efecto marginal es la pendiente de la curva de probabilidad referente a x
k
,
manteniendo a todas las otras variables constantes. El signo del efecto marginal
es determinado por
k
ya que (x) es siempre positiva. La magnitud del cambio
depende de la magnitud de
k
y del valor de x.

3.4 PRUEBA DE HIPTESIS PARA LOS PARMETROS ESTIMADOS

En los modelos lineales se utilizan generalmente las pruebas t, F y Ji cuadrado
para probar diversidad de hiptesis, pero como nos encontramos en un mundo
menos cmodo, es decir el de los modelos no lineales donde se necesitan otros
mtodos para probar hiptesis con los que se puedan evaluar estos modelos.

De manera general se puede mencionar las conocidas pruebas de verosimilitud y
de Wald que permite lograr este propsito. Lo interesante de observar es que
asintoticamente (muestras grandes) las dos pruebas son equivalentes en cuanto a
que la estadstica de prueba asociada con cada una de estas pruebas sigue la
distribucin ji-cuadrado.

3.4.1El Test de Wald

Consideremos el contraste lineal de la forma:

R =r

donde es el vector de parmetros, R es la matriz de constantes, y r es un vector
de constantes. As, (R - r ) indicar hasta que punto los estimadores no
restringidos de Mxima Verosimilitud ajustan la hiptesis nula. Cuando el vector
se acerque a cero la hiptesis nula tender a cumplirse; por otro lado los valores
grandes tendern a contradecirla.

La hiptesis Ho : R =r puede ser testada con el estadstico Wald:

W= [ ][ ] [ ] r R R r a RV r R

' )
( '
1
(3.13)

W esta distribuida como Ji cuadrada con grados de libertad igual al nmero de
contrastes (numero de filas de R). El estadstico de Wald esta compuesta de dos
componentes. Primero r R
que es la medida entre el estimador y el valor de la

hiptesis. Segundo el termino [ ]
1
' )

R r a RV refleja la variabilidad del estimador.

Cuando W es mayor que el valor crtico indicado a un nivel de significancia se
rechaza la hiptesis Ho.

3.4.2 Contraste de Bondad de Ajuste: Razn de Verosimilitud

Como medida de bondad de ajuste realizado, puede utilizarse el porcentaje de
individuos directamente el porcentaje de individuos que eligen la opcin predicha
por el modelo.

Alternativamente, como medida ms usual, puede utilizarse el ratio de
verosimilitud, definido como :

LR= - 2[ ],
1 L n L n
r

Siendo
r
L
yL
las funciones de verosimilitud logartmicas evaluadas en el estimador

restringido y no restringido, respectivamente. Un contraste que se realiza con
frecuencia, similar al contraste F de que todas las pendientes del modelo probit
son cero. En este contraste, por tanto, no hay ninguna restriccin para el trmino
contraste.

La idea bsica detrs de la prueba Razn de Verosimilitud es simple: si la(s)
restriccin(es) a priori son vlidas, las funciones restringidas y no restringidas no
deben ser diferentes, en cuyo caso LR debe ser cercano a cero. Pero si ese no es
el caso, las funciones divergirn. Puesto que para las muestras grandes sabemos
que LR sigue una distribucin ji-cuadrado, podemos averiguar si la divergencia es
estadsticamente significativa.

Las hiptesis son:

H
0
: El modelo ajustado es significativo

H
1
: El modelo ajustado no es significativo

Estadstico de prueba

LR ~ X
2
con n-k-1 grados de libertad

donde:
n: nmero de registros
K: nmero de variables

Decisin
si LR <
( )
2
1 k n ,
X

no rechazamos H
0
, el modelo ajustado es significativo.



Captulo 4. Modelo Tobit

MONOGRAFA

AUTOR


LIMA PER
2003

CAPTULO IV

MODELO TOBIT

4.1INTRODUCCIN

En los modelos de regresin lineal, todos los valores de las variables de la
muestra son conocidos. Sin embargo, podemos encontrarnos en el caso de que la
muestra esta limitada por truncamiento y por censura .

El truncamiento limita los datos excluyendo las observaciones que no presentan
valores en la variable dependiente. El truncamiento es una caracterstica
intrnseca de la distribucin de la variable objeto de estudio, de la cual se extraen
los datos de la muestra. Se produce cuando slo la parte de la distribucin de la
variable que se encuentra por encima (o por debajo) del denominado punto de
truncamiento contiene la informacin relevante que se desea estudiar.

Por otro lado, la censura ocurre cuando observamos los valores de la variable
independiente de la muestra, pero para algunos registros no se cuenta con
informacin de la variable dependiente no es una caracterstica intrnseca de la
distribucin de la variable objeto de estudio, sino que se produce por un defecto
de los datos de la muestra, que si no estuvieran censurados constituiran una
muestra representativa de la poblacin de inters no censurada.

4.2 FORMULACIN DEL MODELO TOBIT

En este captulo estudiaremos cmo hacer inferencias sobre caractersticas de la
poblacin a partir de una muestra extrada de una parte censurada de esa
poblacin, a travs del modelo Tobit. El cual es una extensin de un modelo
Probit y fue desarrollado en 1958 por James Tobit. Este mtodo establece un
probit que incorpora tanto informacin de la probabilidad del suceso de inters,
como los valores de la variable latente. Este ltimo componente es idntico a la
funcin de mxima verosimilitud implcita en una regresin por MCO si es que
todos los valores de la variable independiente se encuentran disponibles.

El modelo Tobit es una extensin del modelo Probit aunque se trata en realidad
de un modo de afrontar el problema de datos censurados. Para nuestro tema de
investigacin el problema es el siguiente: la oferta de trabajo remunerado medido
en horas semanales. En los trabajadores secundarios, esta variable adquiere
diversos valores. Para cierta fraccin significativa, la cantidad de horas laboradas
a la semana es cero, el cual es nuestro punto de censura.

Antes de desarrollar el modelo Tobit vamos a presentar con ms detalle el caso
de los datos o muestras censuradas.

4.2.1Datos Censurados

Definimos y * como la variable dependiente no censurada. Entonces la figura
4.A muestra la distribucin de y * , donde la altura de la curva indica la
frecuencia relativa de un valor dado de y * . Si no sabemos el valor de y *
cuando y * a, corresponde a la regin sombreada, entonces y * es una variable
latente que no puede ser observada sobre su rango. La figura 4.B es la variable
censurada y con censura en los casos agrupados en 0. La barra contiene los casos
de la regin sombreada en la figura A. Finalmente en C se grafica la variable
truncada y / y >a , en la cual se ha eliminado la regin sombreada de la figura A.

En una distribucin truncada, slo la parte de la distribucin que esta por encima
de y =a contiene informacin relevante para nuestros clculos. Para que la
funcin de densidad integre uno hemos de dividirla por la probabilidad de que
una observacin de la poblacin no truncada cae dentro del intervalo que nos
interesa.
) ( Pr / ) ( ) / ( a x ob x f a x x f > > 4.1

Grfico N 4
Variables Latentes, Censuradas y Truncadas

Puesto que prcticamente todos los trabajos que se han realizado sobre este tema
suponen normalidad de las distribuciones. Tambin supondremos que el punto
donde se censura las variables es el cero, aunque esto ltimo no es ms que una
normalizacin.

Cuando los datos estn censurados, la distribucin que siguen los datos de la
muestra es una mixtura entre una distribucin continua y otra discreta. En el
grfico se muestra un efecto de la censura.

Grafico N 5
Regresin sin Censura

Regresin con Censura

4.2.2 La distribucin Normal Censurada.

Para analizar esta distribucin, definimos una nueva variable aleatoria y ,
obtenida a partir de la original y *, mediante:
y =0 si y * 0
y =y * si y * > 0
Cuando y * ~ N(,
2
), la distribucin que sigue y es
P( y =a ) = P( y * a )= (a-/ )
P( y =y * ) = P( y *> a ) tiene la misma densidad de y *.

Esta distribucin es una mixtura entre una distribucin continua y otra discreta.
La probabilidad total es 1, como debe ser, pero en lugar de introducir un factor
de escala en la segunda parte, simplemente asignamos toda la probabilidad
contenida en la regin censurada al punto de corte.

Al igual que en el modelo Probit

y * = x + (4.2)

y * es la variable latente, ytoma el mximo entre (a, y *)

4.2.3 Momentos de la variable normal censurada

Sea y * ~ N(,
2
), definimos y =a si y * a, y = y * en caso contrario,
entonces:

E[y / x]= a + (1- ) (-) (4.3)

Var[y / x]=
2
(1-)[(1-) + (-)
2
] (4.4)

Siendo [(a- )/ ]= ()=P(y* a) =,
= / (1- ) y =
2
- .

Demostracin:
1. Para la media.

E[y / x] =P( y =a/ x) * E[y / y =a,x] + P( y >a/ x)*E[y / y *>a,x]
=P( y * a/ x) *a + P( y * > a/ x)*E[y * / y *>a,x] (4.5)

Para obtener
( )
, x a, y* * y > empleamos un resultado para variables aleatorias
distribuidas en forma normal: si z ~ Normal (0,1), entonces
( ) ( ) ( ) [ ] c 1 / c c z z > - para cualquier constante c

Pero de 4.2 tenemos:
( ) ( ) ( ) ( ) [ ], / ) u a / / u u a u x , a * y * y - ( - > + > + >
( ) ( ) )/ - (( / )/ - ( + = a u a u u (4.6)

porque, ( ) ( ) ( ) ( ) c c 1 , c c - - - y / u tiene una distribucin normal estndar
independiente de x.
Resumamos esto como:
( )
) / ) a u u x , a * y * y - ( + = > (4.7)

donde ( ) ( ) ( ) c / c c se denomina la razn inversa de Mills (se trata de la
proporcin entre funcin de densidad (fdp) y la funcin de probabilidad
acumulada (fda) de la normal estndar, cada una de las cuales se evalan en c.
Reemplazando 4.7 en 4.5

=((a- )/ ) *a + (1-((a- )/ ))*(+)
E[y / x]= a + (1- ) (-)

Para el caso concreto en que a sea igual a 0. la media se reduce a

E[y / a=0,x]= *(-), siendo = (/ )/ (/ ) (4.8)
=(-)

Cuando se censura la parte superior de la distribucin en lugar de la parte
inferior, lo nico que se hace es invertir los papeles y de 1- y redefinir .

2. Para la varianza, se utilizara la descomposicin de la varianza,

Var[y / x]= E[varianza condicional] +var[media condicional]

E[varianza condicional] = Var[y / y =a]+(1-)Var[y / y >a]
= 0+(1-)Var[y / y >a]
= (1-)
2
(1- ).

Var[media condicional] = [a-E[y / x]]
2
+(1-) {E[y / y >a]- E[y ]}
2

= {a- a -(1-) (+)}
2
+ (1- ){(+) - a
-(1- )(+)}
2

= {(1- )(a--)}
2
+ (1- ){(a--)}
2

En el segundo trmino se suprime un 1 al cuadrado. Sustituyendo el termino a-
por y agrupando trminos se obtiene

Var[media condicional] = {(1- )
2
+ (1- )
2
}
2
(-)
2

= (1- )
2
(-)
2

Finalmente, la suma de los dos trminos es

Var[y / x]=
2
(1-)[(1-) + (-)
2
]

4.2.4 El modelo de regresin censurada: Anlisis Tobit

La formulacin general del modelo Tobit suele darse en trminos de la variable
latente:

y
i
* = x
i
+
i
, donde ~ N(0,
2
)

y
i
=0 si y
i
* 0 (4.9)
y
i
=y * si y
i
* > 0

La funcin de verosimilitud del modelo Tobit resulta instructiva. La contribucin
a la verosimilitud de todas aquellas observaciones en que y
i
= 0, vendr dado
por P( y * 0), que es:

P( y = 0) = P(-x
i
i
) = 1- (x
i
/ ) (4.10)

Para cierta observacin y
i
* > 0, la contribucin a la verosimilitud es

,
_
,
_
> >
i
i i i
i i
x
x y x
y y y P
'
/ ) ' ( 1 '
) 0 * / * ( ) 0 * ( (4.11)
Uniendo ambas partes, obtenemos la funcin de verosimilitud

>
1
]
1

1
]
1
,
_

0 /
2
2
2
0 /
) ' (
2
1
exp
2
1 '
1
i i i i
y y
i i
y y
i
x y x
L
(4.12)

>
1
]
1

+
1
]
1
,
_

0 /
2
2
2
0 /
) ' (
2
1
2
1
ln
'
1 ln ln
i i i i
y y
i i
y y
i
x y x
L
(4.13)

La solucin de esta ecuacin es realizada a travs de mtodos numricos
mediante el uso de las computadoras modernas, en este caso los estimadores de
mxima verosimilitud para el modelo Tobit son tan fciles de obtener como los
de MCO de un modelo lineal.

4.2.5 Interpretacin de los resultados

Los resultados del modelo Tobit y de los MCO resultan a menudo similares. Esto
hace que sea tentador interpretar las
j
del mercado Tobit como si fueran

estimadores de una regresin lineal. Pero esto no es tan sencillo.

De la ecuacin (4.9), vemos que
j
mide el efecto parcial de
j
x en E( ) x y * , donde
y* es la variable latente. La variable que deseamos explicar es y, en virtud de que
es el resultado observado (como las horas trabajadas por los trabajadores
secundarios).

Si
j
x , es una variable continua, encontramos los efectos parciales por medio del
calculo. Primero,
( ) ( ) / x
dc
d
x / x , 0 y y
j j j
+ = > (4.14)
suponiendo que
j
no esta relacionada funcionalmente a otros regresores. Al
diferenciar ( ) ( ) ( ) c c c / y utilizar ( ) c dc d / y ( ) c c dc d / se demuestra
que ( ) ( ) [ ] [ ] c c c 1 dc / d + .

Por lo tanto,

( ) ( ) ( ) [ ] { } / / / 1 / , 0 x x x x x y y
j j
+ > (4.15)

Esto pone de manifiesto que el efecto parcial de
j
x en ( ) x y y , 0 > no lo
determina slo
j
.

El factor de ajuste lo da el trmino entre llaves,{}, y depende de una funcin
lineal
( )
. / ... x / x , x
k 1 1 0
+ + + = Se puede demostrar que el factor de ajuste se
encuentra estrictamente entre cero y uno. En la prctica se estima (4.15)
sustituyendo los sumadores EMV de
j
y . Como en el caso de los modelos
logit y probit, debemos sus valores para ,
j
x por lo comn el promedio u otro
valor interesante.

Si
1
x es una variable binaria, el efecto de inters se obtiene como la diferencia
ente ( ), , 0 x y y > con 1
1
x y . 0
1
x Los efectos parciales que comprenden otras
variables discretas se manejan de manera similar.

Podemos utilizar (4.14) para encontrar la derivada parcial de ( ) x y con respecto a
la
j
x continua. Estas derivadas dan cuenta del hecho de que la gente que
comienza en y= 0 podra elegir y>0 cuando
j
x cambia:

De 4.8 :

( ) ( )
( ) ( )
( )
j j j
x
x y y
x y x y y
x
x y
x
x y
>
> + >
>
, 0
0 , 0
0
(4.16)

En virtud de que ( ) ( ) / 0 x x >

( )
( ) ( )
/ /
0
x
x
y
j

>
(4.17)
y as estimamos cada trmino en (4.16) una vez que introducimos los estimadores
del EMV de
j
y y valores particulares de las x
j
..

Cabe destacar que cuando sustituimos (4.15) y (4.17) en (4.16) y se aplica el
hecho de que ( ) ( ) ( ) c c c para cualquier c, obtenemos

( )
( )
/ x
x y
1
j
=
x
(4.18)

La ecuacin (4.18) nos permite comparar en forma aproximadamente los
estimadores de MCO y los de Tobit. Los coeficientes de MCO son estimadores
directamente de
( )
j
x y x, ( )
x . Como este es solo un valor de la fda de la

normal estndar, siempre se halla entre cero y uno.
Ya que ( ) ( ), x 0 y / x > = la ecuacin (4.18) muestra que el factor de ajuste se
aproxima a uno cuando ( ) x 0 y > se aproxima a uno (en el caso externo en el que
0
i
> para toda i , Tobit y MCO generan estimadores idnticos).

4.3 PRUEBA DE HIPTESIS PARA LOS PARMETROS ESTIMADOS

Como en el caso del Modelo Probit, cada estimador del modelo Tobit viene con
un error estndar y stos se utilizan para determinar estadsticos de Wald para
cada
j
; la frmula matricial debido a su complejidad no se presenta en este

trabajo.

La prueba de restricciones de exclusin mltiple se realiza fcilmente con la
prueba de Wald o de la razn de verosimilitud, usadas de la misma forma que se
planteo en el captulo III.

4.4 AREAS DE APLICACIN

Esta tcnica no es muy utilizada, debido a la complejidad de los clculos, en la
actualidad algunos programas estadsticos y economtricos tales como
Econometrics Views y Stata, los tienen dentro de sus rutinas.

Entre las reas donde el desarrollo de este modelos ha sido utilizado con regular
frecuencia tenemos:
Economa:

- Compras de bienes duraderos que realiza una familia.
- Nmero de horas que trabaja una mujer que participa en el mercado
laboral .
- Gastos en vacaciones.

Sociologa:

- Nmero de relaciones extramatrimoniales.
- Nmero de detenciones tras haber salido de la crcel.

Medicina:

- Anlisis de las concentraciones de mercurio medidas en orina,
correspondientes al estudio sobre los efectos para la salud de las
emisiones de la incineradora de residuos slidos en la poblacin de Matar
(Barcelona).



Captulo 5. Aplicacin de los modelos Probit y Tobit en la oferta
laboral secundaria en el Per urbano

MONOGRAFA

AUTOR


LIMA PER
2003

CAPTULO V

APLICACIN DE LOS MODELOS PROBIT Y TOBIT EN LA
OFERTA LABORAL SECUNDARIA EN EL PER URBANO

5.1. MARCO TERICO

Uno de los principales problemas que tiene toda sociedad es conocer los factores
que influyen para que un individuo en formacin, ama de casa o jubilado opte
por ingresar al mercado laboral. Esta decisin de participar puede ser ajustada a
un modelo el cual considere no slo las variables individuales, sino tambin las
caractersticas familiares.

El aumento de la participacin en la fuerza de trabajo que acompaa a una
expansin econmica puede deberse al ingreso al mercado laboral de personas
que se mantenan inactivas durante la recesin o estancamiento y que vislumbran
un mejoramiento de su salario esperado o potencial. Si el flujo de oferta supera la
creacin de puestos de trabajo, puede haber un aumento del desempleo por el
denominado efecto del trabajador alentado (ETAL).

Puede ocurrir tambin que ante un aumento en los ingresos de los jefes de hogar
(ligado a una expansin de la economa), cierto grupo de trabajadores
secundarios que se encontraban ocupados regresen a la inactividad disminuyendo
la presin sobre la oferta de trabajo y, por consiguiente, haciendo disminuir el
volumen de desempleo.

En perodos de recesin puede ocurrir lo contrario: un grupo de personas
transitando hacia la inactividad por el efecto desaliento y otro grupo saliendo de
la inactividad en busca de ingresos que permitan mantener el nivel de consumo
del hogar. En este caso puede haber aumento del desempleo por el denominado
efecto del trabajador secundario (ETS).

Si bien este grupo incluye a las cnyuges, no se restringe a ellos. El problema
entonces consiste en definir esta categora terica, una interesante definicin de
trabajador secundario o de reserva considera como tal a todas las mujeres y a los
varones menores de 25 aos y aquellas personas mayores de 65 aos. El eje de
esta clasificacin es el conjunto de alternativas disponibles en cuanto al uso del
tiempo. A la tradicional decisin entre trabajo y ocio, las mujeres aaden el
trabajo domstico, los jvenes el estudio y la poblacin mayor, el retiro con algn
ingreso garantizado (jubilacin).

Por otro lado, si se tiene en cuenta que la formulacin de la hiptesis del
trabajador secundario gira en torno a las variaciones del ingreso familiar, resulta
claro plantear que una reduccin transitoria de dicho ingreso puede provenir de
otras fuentes adems del desempleo del jefe.

Ante la prdida del empleo, el jefe de hogar (varn o mujer) cuenta con otras
alternativas adems del desempleo. El empleo a tiempo parcial o el realizado
fuera del sector productivo estructurado, constituyen buenos ejemplos de tales
alternativas. Si la insercin ocupacional se orienta en esa direccin, es probable
que la reduccin del ingreso familiar tenga una duracin ms prolongada que la
provocada por un perodo de desempleo.

El ETS ser pequeo si se toma en cuenta el ciclo de vida, dado que la
disminucin del ingreso familiar que puede ser provocada por el desempleo del
principal aportante resulta despreciable si se la relaciona con el ingreso que
percibe a lo largo de toda la vida.

La reduccin transitoria del ingreso del principal aportante del hogar, aumentar
en primer lugar la oferta laboral de la esposa y con alto riesgo de desempleo a lo
largo de un gran perodo de tiempo y no justamente cuando el jefe est
desempleado.

En suma, son tres las principales razones por las que se puede esperar que la
contraccin de ingresos o desempleo del jefe provoque mayor trabajo de los
trabajadores secundarios:

a) Si el tiempo de ocio de jefes y esposas son sustitutos en la produccin
domstica. La cada en el ingreso laboral de uno de ellos provocada por el
desempleo, disminuir la cantidad de tiempo usado por la esposa y necesario para
generar un determinado nivel de mercancas hogareas.

b) Si hay restricciones de liquidez en la familia o compromisos de consumo fijo,
los cnyuges pueden no tener los recursos que le permitan nivelar el consumo
durante los perodos de desempleo del jefe de hogar, por lo que es probable que
las esposas y dems trabajadores secundarios trabajen ms durante dichos
perodos.

c) Incluso en los modelos de ciclos de vida con mercados de capitales
perfectamente competitivos, habr una respuesta del consumo de tiempo de
actividades no remuneradas tanto de los que pierden el empleo como de los que
lo recuperan, siempre y cuando los eventos lleven informacin acerca de las
perspectivas de vida.

Por ltimo, ya considerada la situacin de la fuerza de trabajo de reserva (no slo
las cnyuges) y la situacin laboral de los jefes de hogar (no slo el desempleo),
resulta importante destacar que la reaccin de los no jefes que interesan en este
trabajo, puede asumir al menos dos formas: a) Trnsitos entre estados (inactivo-
activo); y b) modificaciones en la intensidad de la participacin (horas ofrecidas).

Ms especficamente, en lo que sigue se analizar de qu manera los ingresos del
jefe de hogar y las caractersticas del hogar impacta en la decisin de los
trabajadores secundarios en lo que atae a su participacin en el mercado de
trabajo y a su oferta de esfuerzo.

Segn los resultados registrados por la Encuesta Nacional de Hogares en el ao
2001 y mostrados en el cuadro N 1 podemos ver que el nmero de trabajadores
secundarios de sexo femenino representan alrededor del 70 % del total.
Constituido en su mayora por cnyuges. Asimismo, la tasa de desempleo en un
trabajador secundario varn es mayor a la tasa de desempleo de su similar
femenino, esto debido a que las mujeres en muchos casos son amas de casa y no
participan del mercado laboral. Contrario a los varones que en su mayora se
encuentran trabajando o buscando trabajo.

Cuadro N1
Per Urbano: Distribucin de los trabajadores secundarios segn
condicin de actividad y sexo, 2001

Decisin de
participacin
Hombre Mujer Total
Ocupado 52.4 49.7 50.5
Desocupado 6.7 5.2 5.7
Inactivo 40.9 45.1 43.9
Total relativo 100.0 100.0 100.0
Total absoluto 1,666,221 3,907,588 5,573,809
9.5 10.1 Tasa de desempleo 11.4

Fuente: Convenio MTPE-INEI. Encuesta Nacional de Hogares, III trimestre 2001

5.2. METODOLOGA Y FUENTE DE DATOS.

Como se mencion al inicio el propsito de la investigacin es analizar la
decisin dicotmica de participar o no en el mercado laboral y medir las horas
ofrecidas al trabajo. Para analizar el primer caso se plantea la utilizacin del
modelo Probit, en base a un conjunto de variables las cuales sern detalladas
lneas abajo.

La formulacin del modelo Probit es la siguiente:

= = = =
x x
dt t dt t x F x y P
' '
2
) ( )
2
1
exp(
2
1
) ' ( ) / 1 (

,
donde:
P(y=1/ x): es la probabilidad de participar en el mercado laboral.
X : es la matriz de variables consideradas.
: el vector que contiene los parmetros a estimar.

En el caso de la modelacin de la intensidad de la participacin (horas de trabajo)
se ajustar a un modelo Tobit debido a que existe censura en la variable
dependiente.

La informacin utilizada proviene de la Encuesta Nacional de Hogares del III
trimestre del ao 2001 para el mbito urbano del pas y que es ejecutada por el
INEI en convenio con el Ministerio de Trabajo y Promocin del Empleo. De
esta encuesta se tomaron todas las personas mayores de 14 aos que son
trabajadores secundarios constituido por cnyuges, hijos dependientes y
pensionistas miembros del hogar.

La muestra tiene un factor de expansin, lo cual debe considerarse al momento
de obtener estadsticas descriptivas y ajustar a los modelos planteados

El factor de expansin representa el peso relativo de cada encuestado en la
configuracin real de la poblacin; por ejemplo, si se entrevistan a muchas
personas de un determinado lugar y esta cantidad esta cercana a la realidad
poblacional, entonces el factor de expansin para estas personas ser pequeo.

La informacin de la ENAHO del III trimestre del 2001 se encuentra disponible
en la pagina Web del INEI en la seccin Microdatos.

5.3. VARIABLES UTILIZADAS

5.3.1Variables dependientes

PROBIT

Particip. Participacin del trabajador secundario en el mercado laboral.
Codificacin :
1 : Si participa del mercado laboral (empleado o desempleado).
0 : No participa del mercado laboral (inactivo).
Escala nominal: dicotmica

TOBIT

R11h. Horas de trabajo semanales. (variable censurada).

5.3.2. Variables explicativas

Las variables que definen la matriz X y que se usan para explicar la oferta de
trabajo se dividieron en tres grupos: las denominadas principales por la
temtica abordada (jefe empleado con ingresos mayor a S/ . 1,643 nuevos soles.);
las que definen las caractersticas individuales de los trabajadores secundarios
(edad, educacin, etc.) y las que definen las caractersticas familiares del hogar
(ingreso familiar, tamao de la familia, etc).

a) Variable principal

1. nr6jef_3. Se la define como dummy que identifica a los trabajadores
secundarios cuyo jefe del hogar se encuentra ocupado con ingresos mayores a
S/ . 1,643 nuevos soles.
secundarios cuyo jefe del hogar se encuentra ocupado con ingresos menores a
S/ . 1,643 nuevos soles.
secundarios cuyo jefe del hogar se encuentra desempleado.

Lo que se intenta probar es que en un hogar encabezado por un jefe con ingresos
mayores a S/ .1,643.0 nuevos soles disminuye la probabilidad de participacin de
la fuerza de trabajo secundaria (esposa, hijos y otros familiares). Por ello se espera
que el coeficiente estimado para esta variable tenga signo negativo. Asimismo, su
presencia debera reducir las horas ofrecidas por el trabajador secundario al
mercado laboral.

b) Caractersticas individuales de los trabajadores secundarios

1. Edad. Edad en aos cumplidos del trabajador secundario.
Variable cuantitativa continua.
2. Edad2. Edad en aos elevada al cuadrada.

Manteniendo las dems variables constantes, se espera un comportamiento en
forma U invertida. Participacin baja en las edades marginales y alta en las
centrales, donde la baja participacin de los jvenes podra deberse a que este
grupo dedica su tiempo al estudio, mientras que la baja participacin de la
poblacin en las edades ms avanzadas se explicara por el retiro de la actividad
con ingreso garantizados (jubilacin). Para capturar este efecto se incluyen como
regresores el cuadrado.

3. A_o_estu. Aos de estudio del Trabajador secundario.
4. Estudia. Si el individuo estudia o no.
1 : Estudia.
0 : No estudia.
5. Hijo. Se la define como dummy que identifica a los trabajadores
secundarios que son hijos.
1 : Es hijo.
0 : Otros.
6. Cnyuge. Se la define como dummy que identifica a los trabajadores
secundarios que son cnyuges.
1 : Es cnyuge del jefe de hogar.
0 : Otros.
7. Hijo_est. Se la define como dummy que identifica a los trabajadores
secundarios hijos que estudian.
1 : Hijo del jefe de hogar que estudia.
0 : Otros.
8. Men5_esp. Se la define como dummy que identifica alos trabajadores
secundarios que son cnyuges con hijos menores de 5 aos.
1 : Cnyuge del jefe de hogar con hijos menores de 5 aos.
0 : Otros.
9. Men5_13. Se la define como dummy que identifica a los trabajadores
secundarios que son cnyuges con hijos entre 5 y 13 aos.
1 : Cnyuge del jefe de hogar con hijos entre 5 y 13 aos.
0 : Otros.

10. Ln_ingresos. Se define como el logaritmo de los ingresos de los
trabajadores por hora de labor. Esta variable tiene valores que no son conocidos,
por lo tanto, los datos faltantes son imputados utilizando la regresin de
Heckman. Slo se utiliza para explicar las horas ofrecidas al trabajo.

c) Caractersticas familiares

1. Edu_jefe. Aos de estudio del jefe de hogar
2. Tot_nl. Se refiere al ingreso no laboral percibido por la familia
3. Ylabres. Se refiere al ingreso laboral del resto de la familia. Sin considerar
al jefe de hogar.
4. Tamfam. Se refiere al nmero de miembros del hogar.
Variable cuantitativa discreta.
5. Jefe_hom. Se la define como dummy que identifica a los jefes de hogar
varones de los trabajadores secundarios.
1 : Hombre.
0 : Mujer.

5.4. ANLISIS DESCRIPTIVO

Una de las principales razones por las cuales el trabajador secundario participa en
el mercado laboral es la situacin laboral del jefe de hogar, as un hogar con un
jefe desempleado o subempleado genera una reduccin en los ingresos familiares
lo que obliga a los no jefes decidir su participacin o no, para poder mantener
niveles normales de consumo familiar. En el siguiente cuadro podemos ver que la
decisin de participacin es mayor en aquellos casos donde el jefe de hogar se
encuentra desempleado (59 %) y empleado con ingresos menores a S/ .1,643
nuevos soles (57 %). Analizando los resultados de la prueba Ji-cuadrado a partir
de las diferencias observadas y las esperadas bajo la hiptesis de independencia
entre la decisin del trabajador secundario de participar o no en el mercado
laboral y la condicin econmica-laboral del jefe de hogar se observa que el nivel
de significanca es menor a 0.05, luego, a un nivel de significancia del 5%, se
rechazar la hiptesis nula. Dado que las diferencias entre lo observado en la
muestra y lo esperado bajo la hiptesis nula son estadsticamente significativas,
no se puede aceptar que la decisin de participar o no del trabajador secundario
es independiente de la situacin laboral del jefe de hogar.

Cuadro N2
Distribucin de los trabajadores secundarios segn su participacin en el
mercado laboral y condicin del jefe de hogar (%)

Cuadro N3
desempleado
empleado con ing.
menores / igual a
S/.1643
empleado con ing.
mayores a S/.1643
Total
No participacin 40.9 42.8 54.7 43.9
Participacin 59.1 57.2 45.3 56.1
Total 100.0 100.0 100.0 100.0
Jefe de hogar
Decisin de
participacin
Chi-Square Tests
30223.623
a
2 .000
29969.557 2 .000
22265.579 1 .000
5573809
Pearson Chi-Square
Likelihood Ratio
Linear-by-Linear
Association
N of Valid Cases
Value df
Asymp. Sig.
(2-sided)
0 cells (.0%) have expected count less than 5. The
minimum expected count is 178824.8.
a.

Bajo la misma hiptesis de que la decisin de participar de la oferta laboral del
trabajador secundario depende de los recursos econmicos de la familia a la que
pertenece, otra variable considerada importante para explicar nuestro modelo es
el ingreso no laboral de la familia (TOTNL) que concentra ingresos que son
generados por el trabajo remunerado, y pueden ser ingresos por alquiler de casas,
pensin, etc.. En esta variable el promedio y la mediana del ingreso no laboral de
la familia es mayor en el grupo de la fuerza laboral secundaria que no deciden
participar de la oferta laboral. Luego procedemos a verificar la diferencia a travs
del Test de muestras independientes.

Los resultados de la prueba muestran que a un nivel de significancia del 5% la
diferencia entre lo observado de la muestra y lo esperado bajo la hiptesis nula es
estadsticamente significativa, por lo tanto, no se pueden aceptar que los niveles
promedio de ingresos no laborales de la familia son iguales en los grupos de
trabajadores secundarios que deciden o no participar en el mercado de trabajo.
Cuadro N4
Ingreso no laboral familiar segn decisin de participar en el mercado
laboral del trabajador secundario
TOTNL
2444261
0
265.07
10.00
729.52
8.696
137.855
3129548
0
161.09
4.33
483.91
10.884
274.503
Valid
Missing
N
Mean
Median
Std. Deviation
Skewness
Kurtosis
Valid
Missing
N
Mean
Median
Std. Deviation
Skewness
Kurtosis
no participa
participa

Independent Samples Test
78435.168 .000 201.653 5573807 .000 103.98 .52
192.231 4040195 .000 103.98 .54
Equal variances
assumed
Equal variances
not assumed
TOTNL
F Sig.
Levene's Test for
Equality of Variances
t df Sig. (2-tailed)
Mean
Difference
Std. Error
Difference
t-test for Equality of Means

Otra variable que influye en la decisin de ingresar en el mercado laboral es la
formacin de capital humano en los trabajadores secundarios, la estructura entre
la decisin de participar o no y si actualmente estudia o no, muestra que de
aquellos que no estudian, el 64.3% participan en el mercado de trabajo, a
diferencia de lo que ocurre con aquellos que estudian donde el 62.9% ha decidido
no participar del mercado laboral. La dependencia de estas variables es
significativa como lo podemos ver en los resultados de la prueba Chi-cuadrado
que concluye a un nivel de significancia del 5%, que las diferencias entre los
valores observados en la muestra y lo esperado bajo la hiptesis nula son
estadsticamente significativas, es decir, se rechaza la hiptesis: que la
probabilidad de la decisin de participar o no del trabajador secundario es
independiente de la situacin de formacin de capital humano del trabajador
secundario.
Cuadro N5
Distribucin de los trabajadores secundarios segn su participacin en el
mercado laboral y educacin del trabajador (%)
Cuadro N 6
Chi-Square Tests
352360.9
b
1 .000
352359.8 1 .000
352616.0 1 .000
. .
352360.9 1 .000
5573809
Pearson Chi-Square
Continuity Correction
a
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value df
Asymp. Sig.
(2-sided)
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
Computed only for a 2x2 table a.
0 cells (.0%) have expected count less than 5. The minimum expected count is
734914.6.
b.

Adems de la decisin de participar, debemos observar las horas de trabajo. En el
cuadro N7 podemos notar las diferencias entre las medias y medianas de las
horas de trabajo, segn condicin econmica-laboral del jefe de hogar. Se puede
notar que existe cierta diferencias en los grupo considerados.

La prueba de la mediana para contrastar la hiptesis nula de que las muestras
proceden de k subpoblaciones en las que la probabilidad de obtener un
resultado menor o igual que la mediana de la variable X sobre toda la poblacin,
es la misma en todas las subpoblaciones. Utilizando esta prueba el p-value
Decisin de
participacin
No estudia Estudia Total
No participacin 35.7 62.9 43.9
Participacin 64.3 37.1 56.1
Total 100.0 100.0 100.0
obtenido asociado al estadstico de contraste (p-value=0.00) es menor a 0.05,
luego a un nivel de significancia del 5% se rechaza la hiptesis nula.

Se puede aceptar que la probabilidad de obtener un valor de horas trabajadas a la
semana es menor o igual a la mediana es distinta en cada condicin econmica-
laboral del jefe de hogar.

Las horas ofrecidas por los trabajadores secundarios es menor en el grupo con un
jefe de hogar empleado con ingresos mayores de S/ . 1,643 nuevos soles.
Contrariamente a lo que ocurre en los hogares con jefe desempleados o
empleados con ingresos menores de S/ . 1,643 nuevos soles, donde las horas
ofrecidas al trabajo son mayores.

Cuadro N7
Horas de trabajo semanal (*) segn condicin econmica - laboral del jefe
de hogar
Statistics
Horas normales
208988
0
44.47
46.00
25.06
.171
-.762
2370786
0
41.80
42.00
23.76
.332
-.591
233798
0
41.80
40.00
21.13
.434
.104
Valid
Missing
N
Mean
Median
Std. Deviation
Skewness
Kurtosis
Valid
Missing
N
Mean
Median
Std. Deviation
Skewness
Kurtosis
Valid
Missing
N
Mean
Median
Std. Deviation
Skewness
Kurtosis
Desempleo
Empleados con ingresos
menores de 1643
Empleados con ingresos
mayores de 1643

(*) Slo considera a los trabajadores ocupados

5.5. ANLISIS DEL MODELO PROBIT.

Para el desarrollo del Modelo Probit se utilizara el sofware STATA, el cual
contiene diferentes mdulos para el desarrollo de diferentes tcnicas estadsticas.

Este anlisis se realiza distinguiendo el sexo del trabajador secundario, de tal
manera que se analiza dos ajustes para los hombres y las mujeres.

5.5.1AJUSTE DEL MODELO DE REGRESIN PROBIT

La estadstica Modelo Chi-Square toma valor igual a 4,311.2 para el grupo de los
hombres y 9,555.03 para el grupo de las mujeres que es igual a la diferencia entre
2 Log Likelihood que contiene slo a la constante y el modelo con las 16
variables explicativas. En este caso, las hiptesis estadsticas son:

H
0
:
1
= ..... =
16
= 0.
H
1
:
i
0 para por lo menos un i = 1,...,16.

En este caso el valor crtico es
2
(17)
(0.10) = 24.77 como se observa ambos
valores son mayores, por tanto se rechaza la hiptesis nula; entonces, los
coeficientes de las 16 variables explicativas del modelo son diferentes de cero.

Para evaluar el ajuste del modelo la hiptesis es:

H
0
: El modelo se ajusta perfectamente
H
1
: El modelo no se ajusta perfectamente

La estadstica se define como:
LR = - 2[ ],
1 L n L n
r

y distribuye como una
2
(n-p)
, donde p = k+1, se rechaza la hiptesis nula (H
0
)
para los grados de libertad mayores de 100, puede utilizarse la expresin
z= 1 m 2 x 2
2
- que sigue una distribucin normal estndar donde m son los
grados de libertad (n-p). Para este trabajo n-p es 4,190 para los hombres y 9,550
para las mujeres.

Los valores z para los hombres es 1.32 y 0.04 para las mujeres. Como se observa
los valores son menores que Z
(0.1)
= 1.987, por lo tanto no se rechaza la hiptesis
nula; entonces, el modelo se ajusta perfectamente.

5.5.2 PARMETROS ESTIMADOS DEL MODELO

Los parmetros del modelo son:

Cuadro N8

ESTADSTICO DE WALD

En cuanto a la prueba de hiptesis para coeficientes individuales, se efecta
mediante la estadstica de WALD.

Las hiptesis son las siguientes:

particip Coef. Wald Coef. Wald Coef. Wald
nr6jef_2 0.13 0.99 -0.12 2.06 -0.03 0.22
nr6jef_3 -0.10 0.30 -0.39 10.38 -0.29 7.41
edu_jefe -0.04 26.26 -0.02 6.70 -0.03 26.38
jefe_hom -0.06 0.43 -0.08 0.86 -0.08 1.78
ylabres 0.00 0.00 0.00 0.08 0.00 0.01
totnl 0.00 8.73 0.00 9.04 0.00 15.61
tamfam 0.03 4.13 -0.01 1.04 0.00 0.01
edad 0.20 76.50 0.13 127.31 0.14 211.37
edad2 0.00 83.61 0.00 133.74 0.00 226.49
a_o_estu 0.00 0.00 0.02 5.31 0.02 10.02
estudia -0.73 19.43 -0.24 4.73 -0.37 16.13
hijo -0.41 11.00 0.15 2.14 0.00 0.00
conyugue -1.18 9.47 -0.33 9.63 -0.62 42.00
hijo_est 0.07 0.15 -0.38 8.21 -0.31 8.52
men5_esp 0.80 3.67 -0.04 0.59 -0.05 1.14
men5_13 0.15 0.15 0.03 0.24 -0.02 0.09
_cons -1.68 24.10 -1.50 49.13 -1.38 56.15
Hombres Mujeres Completo
H
0
:
i
= 0
H
1
:
i

Esta estadstica se distribuye como una
2
(1)
si la variable explicativa es
cuantitativa y si la variable explicativa es de tipo categrica, se distribuye como
una
2
(C-1)
, donde C es igual al nmero de categoras que toma la variable; para
nuestro caso C=2, entonces
2
(C-1)
=
2
(2-1)
, =
2
(1)
.

El valor crtico, al 10% de nivel de significancia, es 2.706, por lo tanto se rechaza
la hiptesis nula si el valor de la estadstica WALD es mayor que el valor crtico
indicado.

Para efectuar la dcima, tomamos los valores que estn debajo de la columna
etiquetada como WALD

En ambos modelos, las variables no significativas son jefe de hogar varn
(Jefe_hom), ingreso laboral del resto de la familia (ylabres), trabajador secundario
que es cnyuge con hijos entre 5 y 13 aos.

Las variables: jefe de familia con ingresos superiores a S/ . 1,643 nuevos soles -
dcimo decil de ingresos-(nr6jef_3), aos de estudios del trabajador secundario
(a_o_estu), trabajador secundario estudiando (hijo_est), no son significativas en
el modelo ajustado para los varones.

Las variables: tamao de la familia (tamfam), trabajador secundario hijo del jefe
de hogar (hijo) y cnyuge con hijos menores de 5 aos (men5_esp) no son
significativas en el modelo ajustado para las mujeres.

AJUSTE DEL MODELO DE REGRESIN PROBIT RETIRANDO
LAS VARIABLES NO SIGNIFICATIVAS

En esta segunda corrida se procede a retirar las variable que no son significativas
en ambos modelos.

La estadstica Modelo Chi-Square toma valor igual a 4,249 para el grupo de los
hombres y 9,5584 para el grupo de las mujeres que es igual a la diferencia entre

H
0
:
1
= ..... =
13
= 0
H
1
:
i

2
(13)
valores son mayores, por tanto se rechaza la hiptesis nula; entonces, los
coeficientes de las 13 variables explicativas del modelo son diferentes de cero.

Para evaluar el ajuste del modelo la hiptesis es:

H
0
: El modelo se ajusta perfectamente
H
1
: El modelo no se ajusta perfectamente

La estadstica se define como:

LR = - 2[ ],
1 L n L n
r

y distribuye como un
2
(n-p)
, donde p = k+1, se rechaza la hiptesis nula (H
0
) para
los grados de libertad mayores de 100, puede utilizarse la expresin
z= 1 m 2 x 2
2
que sigue una distribucin normal estndar donde m son los
grados de libertad (n-p). Para este trabajo n-p es 4,193 para los hombres y 9,553
para las mujeres.

Los valores z para los hombres es 0.62 y -1.8 para las mujeres. Como se observa
los valores son menores que Z
(0.1)
= 1.987, por lo tanto no se rechaza la hiptesis
nula; entonces, el modelo se ajusta perfectamente.

PARMETROS ESTIMADOS DEL MODELO


Cuadro N9

particip Coef. Wald Coef. Wald Coef. Wald
nr6jef_2 0.1341 1.007 -0.123 2.032 -0.035 0.226
nr6jef_3 -0.1035 0.335 -0.383 11.109 -0.291 8.055
edu_jefe -0.0449 27.821 -0.018 7.137 -0.029 28.986
totnl -0.0002 8.713 0.000 8.899 0.000 15.369
tamfam 0.0294 3.822 -0.013 1.162 -0.001 0.024
edad 0.2009 76.855 0.132 131.647 0.140 216.234
edad2 -0.0025 84.225 -0.0016 139.805 -0.002 234.353
a_o_estu -0.0002 0.000 0.015 5.437 0.019 10.478
estudia -0.7305 19.690 -0.242 4.842 -0.369 15.916
hijo -0.4134 11.310 0.1406 1.9117 0.0011 0.000
conyugue -1.0725 10.970 -0.347 11.180 -0.645 51.573
hijo_est 0.0700 0.162 -0.379 8.431 -0.312 8.860
men5_esp 0.8330 4.100 -0.042 0.625 -0.051 0.998
_cons -1.7110 24.857 -1.566 58.671 -1.424 62.524

ESTADSTICO DE WALD

mediante la estadstica de WALD.


H
0
:
i
= 0.
H
1
:
i

2
(1)
cuantitativa y si la variable explicativa es de tipo categrica, se distribuye como
una
2
(C-1)
, donde C es igual al nmero de categoras que toma la variable; para
nuestro caso C=2, entonces
2
(C-1)
=
2
(2-1)
=
2
(1)
.

El valor crtico al 10% de nivel de significancia es 2.706, por lo tanto se rechaza
la hiptesis nula si el valor de la estadstica WALD es mayor que el valor crtico
indicado.

etiquetada como WALD

Las variables: jefe de familia con ingresos superiores a S/ . 1,643 nuevos soles -
dcimo decil de ingresos-( nr6jef_3), aos de estudios del trabajador secundario
(a_o_estu), trabajador secundario estudiando (hijo_est) no son significativas en el
modelo ajustado para los varones.

Las variables: tamao de la familia (tamfam) trabajador secundario hijo del jefe
de hogar (hijo) y cnyuge con hijos menores de 5 aos (men5_esp) no son
significativas en el modelo ajustado para las mujeres.

5.6 ANLISIS DE LOS RESULTADOS

El anlisis anterior nos permite tener indicios como las caractersticas familiares
influyen sobre la decisin de oferta laboral del trabajador secundario, los efectos
de cada variable puede ser apreciados en las Tablas N 9. Se muestran all los
coeficientes estimados para la funcin de participacin por sexo cuando la
variable independiente clave es la dicotmica "jefe del hogar con empleo y con
ingresos mayores a S/ . 1643 nuevos soles", el coeficiente de esta variable aparece
siempre con signo negativo para ambos sexos y considerando el modelo
completo.

Esto constituye evidencia a favor de la siguiente hiptesis: la participacin del
trabajador secundario es menor en los hogares en los que el ingreso del jefe de
hogar esta por encima de los S/ . 1643 nuevos soles.

La menor participacin del trabajador secundario bajo la variable anterior se
haba visto ya en la exploracin descriptiva, pero a diferencia de aqulla, se
aprecia ahora que el efecto se mantiene an controlando el conjunto de variables
explicativas de la participacin incluidas en el modelo.

Adems de lo antes dicho, puede verse que la probabilidad de participacin de la
fuerza laboral secundaria est relacionada inversamente con ser el cnyuge del
jefe de hogar y, siendo esposa, el tener a cargo hijos menores de 5 aos de edad,
el estar estudiando, pertenecer a un hogar con mayores ingresos, el ser mujer en
un hogar de mayor tamao familiar. Por el contrario, afectan positivamente la
probabilidad de participacin en la actividad econmica remunerada la edad, en
el caso de los varones adems el tamao de la familia, influye, el ser hijo y estar
estudiando (a la vez), y tener nios menores de 5 aos, por el contrario en las
mujeres el tener mayor aos de estudios y el ser hija del jefe.

EFECTOS MARGINALES

El cuadro N 10 proporciona informacin acerca de los efectos marginales en los
indicadores de oferta de trabajo, provocados por los ingresos del jefe de hogar,
como se aprecia un jefe de hogar con ingresos mayores a S/ . 1643 nuevos soles
reduce en 4 % la probabilidad de que el trabajador secundario varn decida
trabajar y 15% en el caso de las mujeres.

Por otro lado, la edad del trabajador secundario incrementa en 5% la
probabilidad de ingresar al mercado laboral, en el caso de los varones la
incidencia de esta caracterstica es mayor al de las mujeres.

En el caso de ser cnyuge hombre con hijos menores de 5 aos incrementa 25%
la probabilidad de participar en el mercado laboral, mientras que en el caso de las
mujeres la reduce en 1.6 %.

Cuadro N10
Efectos marginales de la funcin probit

particip Hombres Mujer Total
nr6jef_2* 0.05203 -0.04866 -0.01370
nr6jef_3* -0.04015 -0.15180 -0.11542
edu_jefe -0.01725 -0.00705 -0.01144
totnl -0.00007 -0.00005 -0.00005
tamfam 0.01126 -0.00523 -0.00057
edad 0.07710 0.05223 0.05509
edad2 -0.00095 -0.00062 -0.00067
a_o_estu -0.00007 0.00612 0.00755
estudia* -0.27505 -0.09622 -0.14585
hijo* -0.15147 0.05550 0.00043
conyugue* -0.39861 -0.13636 -0.25169
hijo_est* 0.02682 -0.15034 -0.12367
men5_esp* 0.25877 -0.01648 -0.02015
dF/dx
5.7 ANLISIS DE MODELO TOBIT

Para el desarrollo del Modelo Tobit se utilizar el sofware STATA, el cual
contiene diferentes mdulos para el desarrollo de este y otros modelos para
regresiones con datos censurados y truncados.

Ecuacin salarial
3
. Antes de analizar las horas de trabajo a la semana ofrecidas
por un trabajador secundario, se considera que slo se dispone de datos para
aquellos que trabajan. En estos casos se tiene una muestra no elegida
aleatoriamente. Por lo tanto, de la ecuacin salarial con dicha muestra no se
puede inferir el ingreso o costo de oportunidad para toda la poblacin. Esto es lo
que se conoce como sesgo de seleccin.

Heckman
1
propone un procedimiento en dos etapas para identificar y especificar
el sesgo de seleccin. En la primera etapa se estima la ecuacin de ingresos
mediante el modelo Probit y se obtienen las estimaciones que permiten construir
el ratio inverso de Mill que representa el sesgo de seleccin. En la segunda etapa
se estima la ecuacin por MCO incluyendo el ratio de inversa de Mills.

Una vez que estimamos los parmetros del modelo de regresin para los ingresos
se estiman los valores de la variable independiente ingresos la cual es utilizada
para explicar las horas de trabajo semanales.

3
Ver anexo N 2.
1
En 1976 J. Heckman, The Common Structure of Statistical Model of Truncation, Sample Selection, and
Limited Dependent Variables and a Simple Estimator for Such Models, Annals of Economics and Social
Measurement, propone un sencillo mtodo de dos pasos que soluciona estos problemas.
Horas de trabajo semanal. Calculado el salario que los individuos pueden
percibir de acuerdo a sus caractersticas procedemos estimar las horas semanales
mediante el modelo de datos censurados Tobit.

El anlisis anterior ha permitido conocer como influye el ingreso del jefe de
hogar en la decisin de participar los trabajadores secundarios. En la presente
seccin se analiza las horas de trabajo semanal ofrecidas por fuerza laboral
secundaria al trabajo remunerado.

En la tabla N12 se muestra los coeficientes estimados para la ecuacin de oferta
laboral cuando la variable dependiente es el nmero de horas semanales
trabajadas para el mercado por el trabajador secundario.

5.7.1AJUSTE DEL MODELO DE REGRESIN TOBIT

La estadstica Modelo Chi-Square toma valor igual a 1,114.39 para el grupo de los
hombres y 1,492.27 para el grupo de las mujeres que es igual a la diferencia entre

H
0
:
1
= ..... =
15
= 0
H
1
:
i
0 para por lo menos un i = 1,...,15

2
(15)
valores son mayores, por tanto se rechaza la hiptesis nula; entonces, por lo
menos un coeficientes de las 15 variables explicativas del modelo son diferentes
de cero.

ESTADSTICO DE WALD

mediante la estadstica Chi cuadrado.


H
0
:
i
= 0.
H
1
:
i
0 i = 1,...,15.

2
(1)
cuantitativa. El valor crtico al 10% de nivel de significancia es 2.706, por lo tanto
se rechaza la hiptesis nula si el valor de la estadstica WALD es mayor que el
valor crtico indicado.

etiquetada como WALD.


Cuadro N11

5.8 ANLISIS DE LOS RESULTADOS

Se estiman dos modelos para el trabajador secundario segn el sexo del
trabajador.

La variable salario imputado, que refleja el costo de oportunidad, es
estadsticamente significativa y presenta signo positivo, mientras mayor es el
ingreso que puede obtener un trabajador secundario estar dispuesto a trabajar
ms horas.

Coef. Wald Coef. Wald Coef. Wald
ln_ingresos 18.0 244,316.8 19.8 608,920.5 19.6 918,987.5
nr6jef_2 5.4 1,862.7 -2.5 770.0 0.0 0.0
nr6jef_3 2.0 150.1 -13.3 12,738.2 -9.0 8,684.4
edu_jefe -1.0 16,251.3 -1.1 25,081.9 -1.2 46,667.8
totnl 0.0 8,771.3 0.0 7,273.2 0.0 13,982.6
tamfam 0.8 3,589.9 -0.2 290.8 0.2 271.7
edad 4.0 33,313.2 2.5 33,119.2 2.7 59,486.9
edad2 0.0 36,414.8 0.0 40,495.9 0.0 71,198.5
a_o_estu -1.5 10,915.5 -1.2 24,780.4 -1.2 32,652.5
estudia -9.0 3,195.7 -5.5 1,326.0 -7.3 4,386.7
hijo -0.3 7.8 6.4 2,967.3 3.5 1,852.9
conyugue -11.4 1,489.3 -4.4 1,062.6 -10.1 9,593.0
hijo_est -10.6 3,937.9 -11.0 4,015.7 -12.0 9,337.7
men5_esp 4.8 176.3 -1.0 217.1 -1.0 245.3
_cons -51.4 21,146.5 -31.1 15,654.4 -33.4 27,501.3
Horas de
trabajo
Se observa tambin que el coeficiente de la variable jefe del hogar con empleo y
con ingresos mayor a S/ .1643 nuevos soles aparece con signo negativo y
significativo en el caso de las mujeres. Si se observan estos resultados con los
obtenidos para la participacin de la poblacin en la actividad econmica, se
deduce que un jefe de hogar con ingresos altos no slo retiene a los trabajadores
en la inactividad sino que tambin reduce la oferta de trabajo, medida en horas.

Asimismo, la variable edad influye de manera positiva a la decisin de trabajar
ms horas a la semana. El ser cnyuge con nios menores de 5 aos incide
incrementando las horas de trabajo semanal para los hombres, mientras que para
las mujeres reduce la decisin de trabajar ms.

EFECTOS MARGINALES

El siguiente cuadro proporciona informacin acerca de los efectos marginales de
las variables independientes sobre las horas ofrecidas al trabajo. El ingreso o
costo de oportunidad incide con mayor importancia, as por cada unidad en el
logaritmo de los ingresos el nmero de horas laboradas puede variar en 10 horas
para los hombres y para las mujeres. Por otro lado, un hogar con jefe de hogar
con ingresos por encima de los S/ . 1643.0 nuevos soles puede incrementar en los
varones una hora ofrecida al trabajo, mientras que se reduce 6 horas en el caso de
las mujeres.

La edad del trabajador secundario incrementa el nmero de horas ofrecidas al
trabajo aproximadamente 2 en el caso de los hombres y 1 en las mujeres. En el
caso de ser cnyuge hombre con hijos menores de 5 aos las horas ofrecidas al
trabajo se incrementan, aproximadamente, en 3 mientras que en las mujeres se
reduce casi media hora.

Cuadro N11
Efectos marginales de la funcin Tobit

particip Hombres Mujer Total
ln_ingresos 10.19578 10.0308 10.2473
nr6jef_2 2.95304 -1.2829 -0.0021
nr6jef_3 1.17053 -6.0494 -4.3680
edu_jefe -0.57639 -0.5655 -0.6054
totnl -0.00347 -0.0021 -0.0024
tamfam 0.47855 -0.1105 0.0829
edad 2.27582 1.2630 1.4332
edad2 -0.02756 -0.0157 -0.0178
a_o_estu -0.85154 -0.6279 -0.6248
estudia -5.06012 -2.6824 -3.7193
hijo -0.16722 3.3415 1.8134
conyugue -5.73809 -2.2262 -5.1872
hijo_est -5.91157 -5.2098 -5.9053
men5_esp 2.846781 -0.4844 -0.4940
dF/dx



Captulo 6. Conclusiones

MONOGRAFA

AUTOR


LIMA PER
2003

CAPTULO VI

CONCLUSIONES

1. El anlisis de Regresin Probit y Tobit son muy utilizado en el campo de la
investigacin social y nos brinda un mtodo excelente para poder tomar en
cuenta variables explicativas cuantitativas, categricas y corregir el problema
de muestras censuradas.

2. La Regresin Probit nos sirve para identificar los factores que explican la
decisin de participar en el mercado laboral del trabajador secundario.

3. Asimismo, el anlisis de Regresin Tobit permite ajustar las horas ofrecidas
al trabajo utilizando toda la muestra recogida, aprovechando mejor la
informacin.

4. En el presente trabajo se analizaron los factores que explican la oferta
laboral de los trabajadores secundarios y la intensidad con que lo hacen.

5. Se encontr que la concentracin de mujeres (70 % ) como trabajadores
secundarios es mayor que los varones, de las cuales la mayora es ama de
casa (52%).

6. De los resultados obtenidos podemos resumir que, efectivamente como se
plantea al principio, la condicin laboral y econmica del jefe de hogar
incide sobre la decisin de participar de los trabajadores secundarios,
asimismo reduce las horas ofrecidas al trabajo por ellos.

7. En el cuadro N 10 presentamos los efectos marginales de los indicadores
de oferta de trabajo, provocados por los ingresos del jefe de hogar, como se
aprecia un jefe de hogar con ingresos mayores a S/ . 1643 nuevos soles
reduce en 4 % la probabilidad de que el trabajador secundario varn decida
trabajar y 15% en el caso de las mujeres.

8. Por otro lado, la edad del trabajador secundario incrementa en 5% la
probabilidad de ingresar al mercado laboral, en el caso de los varones la
incidencia de esta caracterstica es mayor al de las mujeres.

9. En el caso de ser cnyuge hombre con hijos menores de 5 aos incrementa
25% la probabilidad de participar en el mercado laboral, mientras que en el
caso de las mujeres la reduce en 1.6 %.

10. Descartamos las variables: sexo del jefe de hogar, ingreso laboral del resto
de la familia y cnyuge con hijos entre 5 y 13 aos por no ser significativas
al modelo y por lo tanto no influyen en la decisin de participacin.

11. En el cuadro N 11 observamos los efectos marginales de las variables
independientes sobre las horas ofrecidas al trabajo. El ingreso o costo de
oportunidad incide con mayor importancia, as por cada unidad en el
logaritmo de los ingresos el nmero de horas laboradas puede variar en 10
horas para los hombres y para las mujeres.

12. Un hogar con jefe de hogar con ingresos por encima de los S/ . 1643.00
nuevos soles puede incrementar en los varones una hora ofrecida al trabajo,
mientras que se reduce 6 horas en el caso de las mujeres.

13. La edad del trabajador secundario incrementa el nmero de horas ofrecidas
al trabajo aproximadamente 2 en el caso de los hombres y 1 en las mujeres.
En el caso de ser cnyuge hombre con hijos menores de 5 aos las horas
ofrecidas al trabajo se incrementan, aproximadamente, en 3 mientras que en
las mujeres se reduce casi media hora.



Bibliografa

MONOGRAFA

AUTOR


LIMA PER
2003

BIBLIOGRAFA

1. Bleda, M.J., Tobas, A. (2002) Aplicacin de los Modelos de Regresin
Tobit en la Modelizacin de Variables Epidemiolgicas Censuradas.
Madrid. Departamento de Estadstica y Econometra. Universidad Carlos
III de Madrid.

2. Delgado, M. (2002). Modelos de Regresin Truncados y Censurados.
Madrid. Universidad Carlos III de Madrid.

3. Fernndez, F. (2002). Tcnicas de Anlisis Multivariadas. Universidad de
Cadiz Espaa.

4. Garcia de Soria, X. (1999). Oferta Laboral de las Mujeres. Un estudio
Emprico para Uruguay, Ao 1997.

5. Greene, W. (1999) Anlisis Economtrico. Prentice Hall. Espaa

6. Gujarati, D. N. (1997). Econometra. McGraw-Hill Interamericana. S.A.
Colombia.

7. INEI (2002). Los Modelos Logit y Probit en la Investigacin Social. El
caso de la Pobreza del Per en el ao 2001. INEI. Lima Per

8. Johnston , J. (2001). Mtodos de Econometra. Vinces Vives. Espaa.

9. Juez, P., Dez, F. J. (1997). Probabilidad y Estadstica en Medicina.
Aplicaciones en la Practica Clnica y en la Gestin Sanitaria. Diaz de
Santos. Madrid Espaa.

10. Mizala, A., Romaguera, P., Henriquez,P. (1998). Oferta Laboral y Seguro
de Desempleo: Estimaciones para la Economa Chilena. Serie Econmica
N 28. Universidad de Chile.

11. Norberto, V. A.. (1998) Medidas de Adecuacin del Modelo de Regresin
Logstica. Universidad Mayor de San Marcos. Lima Per.

12. Paz, J. A. (2001). Oferta Laboral de Reserva en la Argentina (Una nueva
mirada sobre el efecto del trabajador Adicional). Universidad Nacional de
Salta (UNSA) Argentina.

13. Scout, J. (1997) Regression Model for Categorical and Limited Dependent
Variables. Sage Publications. California-EEUU.

14. Wooldridge, J. M. (2000). Introductory Econometrics: A Modern
Approach. South Western College Publisshing. EEUU.



Anexos

MONOGRAFA

AUTOR


LIMA PER
2003

ANEXOS

A.1ECUACIN SALARIAL

El ingreso o costo de oportunidad de los trabajadores secundarios slo se conoce
para aquellos que se encuentran laborando. Por lo tanto, de la ecuacin salarial
con la muestra total no se puede inferir el costo de oportunidad para toda la
poblacin estudiada. Esto es lo que se conoce como sesgo de seleccin.

Heckman, propone un mtodo de dos pasos que soluciona estos problemas.
Dicho modelo de dos etapas que suele utilizarse en situaciones donde aparezca el
sesgo de seleccin. Heckman afirma que el problema de utilizar MCO para
estimar la ecuacin de regresin es que proporciona estimadores sesgados debido
a la presencia de una variable omitida, donde la cantidad (que se denomina razn
inversa de Mills).

) ( / ) ( X X =

es una variable omitida. Si dicha variable omitida se incluyera en la regresin
MCO, como en

Wi=Xi+ ) ( / ) ( X X

donde:

Wi: variable dependiente
Xi: Variables independientes

Las estimaciones resultaran consistentes, Heckman afirma que dicho modelo se
estima fcilmente mediante el siguiente estimador en dos etapas:

1. Realizar un modelo Probit sobre las variables X y obtener las
estimaciones que permiten construir la variable que representa el sesgo
de la seleccin.
2. Se estima la ecuacin de costo de oportunidad por MCO incluyendo como
regresor a , y se realiza la prueba de significacin de dicha variable. Si se
rechaza que su coeficiente es cero puede afirmarse que efectivamente
existe sesgo de seleccin.

A.1.1 ESTIMACIN DE LA VARIABLE COSTO DE OPORTUNIDAD.

La Estimacin de los datos de la variable ingresos por hora (Ln_ingresos) se
realizaron siguiendo la metodologa anterior. Las variables usadas son:

Variable dependiente.
1. Ln_ingresos. Logaritmo de los ingresos mensuales .

Variable explicativas.
1. Secundaria . Si el individuo tiene estudios hasta nivel secundario o
no.
1 : Nivel secundario.
0 : Otros.
2. Superior . Si el individuo tiene estudios nivel superior o no.
1 : Nivel superior.
0 : Otros.
6. Sexo. Se la define como dummy que identifica a los trabajadores
varones.
1 : Hombre.
0 : Mujer.
7. Independientes no formal. Se la define como dummy que identifica a
los trabajadores secundarios que laboran de manera informal.
1 : Trabajador informal.
0 : Otros.

3. Exp_lab2 . Se refiere a la experiencia laboral al cuadrado del trabajador.

4. Exp_lab . Se refiere a la experiencia laboral del trabajador.

5. Ratio de Mill . Representa el sesgo de la seleccin.

6. Lima_met. Se refiere si el trabajador reside en Lima Metropolitana.

Resultados:
ANOVA
b
549096.2 8 68637.027 76601.646 .000
a
2064224 2303756 .896
2613320 2303764
Regression
Residual
Total
Model
1
Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), LIMA_MET, recode de sexo, dumi superior o no, EXP_LAB2,
independiente no formal, dumi secundaria o no, RAT_MILL, EXPE_LAB
a.
Dependent Variable: Logaritmo natural del ingreso por hora b.

Calculados los parmetros de la ecuacin de regresin, se estimaron los valores
de la variable Y=Ln_ingresos (logaritmo de los ingresos por hora de los
trabajadores secundarios).
A.2. ENCUESTA NACIONAL DE HOGARES
CARACTERSTICAS DE LA ENCUESTA
1. TIPO DE ENCUESTA

La encuesta es de derecho, significa que, la poblacin en estudio est constituida
por todos los residentes habituales del hogar.

2.COBERTURA DE LA ENCUESTA

2.1Cobertura Geogrfica.- La Encuesta se realizar en el rea urbana del
territorio nacional. Se considera rea urbana a aquella conformada por centros
poblados con ms de 2 mil habitantes.

2.2 Cobertura Temporal.- La Encuesta se efectu durante los meses de Agosto
y Septiembre .
Coefficients
a
1.5214 .002 697.021 .000 1.517 1.526
.3545 .001 243.357 .000 .352 .357
.9660 .002 473.676 .000 .962 .970
-.4021 .002 -196.899 .000 -.406 -.398
-.4486 .001 -313.921 .000 -.451 -.446
-.0009 .000 -237.418 .000 -.001 -.001
.0423 .000 257. 489 .000 .042 .043
.4130 .003 161.784 .000 .408 .418
.3015 .001 234.845 .000 .299 .304
(Constant)
secundaria
superior
sexo
independiente no formal
EXP_LAB2
EXPE_LAB
RAT_MILL
LIMA_MET
Model
1
B
Std. Error
Unstandardized Coefficients
t
Sig. Lower Bound Upper Bound
95% Confidence Interval for B
Dependent Variable: Logaritmo natural del ingreso por hora a.

2.3 Cobertura Temtica.- La Cobertura Temtica de la investigacin
comprende:

-Caractersticas de los Miembros del Hogar
-Empleo e Ingreso:
Condicin de Actividad
Sindicalizacin
Ingresos
Trabajo Anterior
Trabajo Habitual

-Educacin y Calificacin para el trabajo
-Seguridad Social
-Migracin
-Uso de Computadora e Internet en el centro de trabajo

3. MTODO DE LA ENTREVISTA

Se emplear el mtodo de entrevista directa, con personal debidamente
capacitado y entrenado para tal fin y que visitar las viviendas seleccionadas
durante el periodo de recoleccin de informacin.

4. PERODOS DE REFERENCIA

Los periodos de referencia para las variables a investigarse en el III Trimestre son
los siguientes:

-Caractersticas de los Miembros del Hogar:
Da de la entrevista
Residencia habitual: ltimos 30 das
Semana pasada

-Empleo
Condicin de actividad: Semana pasada

-Bsqueda de Otro Empleo: Da de la entrevista

5. FINALIDAD Y OBJETIVOS
5.1 FINALIDAD

Suministrar informacin estadstica demogrfica, social y econmica
provenientemente de los hogares, que proporcionen una adecuada base
cuantitativa para el estudio de la realidad nacional, la formulacin y evaluacin de
los planes de desarrollo y la toma de decisiones.

5.2 OBJETIVOS GENERALES

1 Obtener informacin sobre la estructura y tendencias de cambio en la fuerza
laboral a travs de sus caractersticas socioeconmicas bsicas, tales como: los
niveles de empleo e ingreso, grupos y categoras ocupacionales, trabajo
habitual, migracin calificacin para el trabajo y otros datos referentes a la
disponibilidad y utilizacin de los recursos humanos en el pas.
2 Proveer informacin peridica, sistemtica y oportuna en los periodos
ntercensales.
3 Servir de fuente de informacin a instituciones publicas y privadas, as como;
a investigadores.
4 Permitir la comparabilidad con investigaciones similares, en relacin a las
variables investigadas.

5.3 OBJETIVOS ESPECFICOS

- Determinar la poblacin econmicamente activa (PEA), relacionada con sus
caractersticas en cuanto a sexo, edad, educacin, estado civil o conyugal,
concisin de actividad, migracin, ocupacin, categora de ocupacin, rama de
actividad econmica, etc.
- Determinar la PEA Ocupada relacionndola con sus caracterstica en cuanto a
sexo, edad, educacin, estado civil o conyugal, migracin, ocupacin,
categora de ocupacin, rama de actividad econmica, horas trabajadas, nivel
de ingreso percibido, etc.
- Determinar la Poblacin Desempleada relacionndola con sus caractersticas
en cuanto a sexo, edad, educacin, estado civil o conyugal, migracin, etc.
- Determinar la poblacin econmicamente inactiva, relacionndola con sus
caractersticas en cuanto a sexo, edad, educacin, trabajo anterior, estado civil,
migracin, etc.
- Determinar la tasa de desempleo y subempleo.
- Obtener indicadores del ingreso por trabajo.
- Obtener informacin sobre educacin y calificacin para el trabajo.
- Ingreso por trabajo:
o Ordinarios: Da, semana, quincena, mes anterior o 2 meses
anteriores.
o En Especie: ltimos 12 meses.
o Extraordinarios: ltimos 12 meses.
- Ingresos por Transferencias Corrientes: ltimos 6 meses.
- Ingresos por Rentas de la Propiedad: ltimos 12 meses.
- Otros Ingresos Extraordinarios: ltimos 12 meses.
- Trabajo Anterior para los desocupados e inactivos: Ultimo trabajo realizado.
- Trabajo Habitual para los ocupados, desocupados e inactivos: ltimos 12
meses.
- Ingreso por Actividad Agropecuaria: ltimos 12 meses.

6 DISEO MUESTRAL

6.1 Poblacin Bajo Estudio.- Comprende las viviendas particulares y sus
ocupantes del rea urbana del pas.

6.2 Marco Muestral.- El Marco Muestral est basado en la informacin
del Precenso de 1999 y el material cartogrfico respectivo. La informacin de este
marco ha sido actualizada a 2001 en los conglomerados seleccionados para la
muestra.

6.3 Unidades de Muestreo.- La unidad Primaria de Muestreo (UPM) es
el centro poblado urbano con 2 mil y ms habitantes.

La unidad Secundaria de Muestreo (USM) es el conglomerado que tiene en
promedio 80 viviendas particulares.

La unidad Terciaria de Muestreo (UTM) es la vivienda particular.

6.4 Tipo de Muestreo.- La muestra es probabilstica, estratificada y de
reas.

La seleccin de la muestra es sistemtica, proporcional al tamao en la primera
y segunda etapa de muestreo, y de seleccin sistemtica simple de una muestra
compacta en la tercera etapa.

El nivel de confianza de los resultados muestrales es del 95%.

6.5 Tamao Muestral.- El tamao de la muestra en le mbito nacional
urbano e de 10 395 viviendas, distribuidas en 725 conglomerados.

El nmero de viviendas a seleccionarse por conglomerados es igual a doce (12)
en el dominio de Lima Metropolitana y quince (15) en el resto de dominios
urbanos.

7. NIVELES DE INFERENCIA

Los resultados de la Encuesta tendrn los siguientes niveles de inferencia:

Nacional Urbano
Dominios Geogrficos:
- Costa Urbana
- Sierra Urbana
- Selva Urbana

Ciudades:
- rea Metropolitana de Lima y Callao
- Arequipa
- Chimbote
- Cajamarca
- Lambayeque
- Puno y Juliaca
- Pucallpa

De acuerdo al diseo muestral, se podr producir resultados para diferentes
arreglos de unidades y su nivel de desagregacin depender fundamentalmente de
la precisin con que se estime el dato, y sta del tamao de la muestra para cada
caso.

Probit y Tobit

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Probit y Tobit

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS MATEMTICAS

+ = )) ' ( 1 ln( ) 1 ( ) ' ( ln ln

que es la medida entre el estimador y el valor de la

las funciones de verosimilitud logartmicas evaluadas en el estimador

del mercado Tobit como si fueran

x . Como este es solo un valor de la fda de la

; la frmula matricial debido a su complejidad no se presenta en este

You might also like