Вы находитесь на странице: 1из 30
FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS TRABAJO DE

FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES

GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS

TRABAJO DE FIN DE GRADO

TÍTULO: Análisis de regresión múltiple con información cualitativa:

Diferencias salariales por razón de sexo

AUTORA: Miriam Garcimartín Marcos TUTORA: Margarita Sánchez García

CURSO ACADÉMICO: 2016 - 2017 CONVOCATORIA: Junio

Índice de contenidos

1. Introducción, objetivos y literatura previa

5

2. Obtención de los datos

7

 

2.1. Base de datos

7

2.2. Variables utilizadas

7

3. Metodología

 

10

4. Primera regresión: diferencias salariales por razón de sexo

12

 

4.1.

Interpretación de los coeficientes del modelo

15

Segunda regresión: diferencias salariales por razones de sexo y región 17

Segunda regresión: diferencias salariales por razones de sexo y región

17

5.1.

Interpretación de los coeficientes del modelo

18

6. Resultados empíricos

19

7. Conclusiones

 

25

8. Referencias bibliográficas

27

9. Anexo: Medias y desviaciones de las variables incluidas en la ecuación salarial

28

Palabras clave

Brecha salarial, igualdad de género, discriminación, regresión lineal y estimación por MCO.

Página2

Índice de figuras

Figura 1 - Contraste de normalidad de los residuos

13

Figura 2 - Valores atípicos

14

Figura 3 - Influencia de los valores atípicos

14

Figura 4 - Gráfico salario medio por nivel de estudios

20

Figura 5 - Gráfico salario medio por años de experiencia

20

Figura 6 - Gráfico salario medio por edad

21

Figura 7 - Gráfico salario medio por nivel de estudios en la región sur

22

Figura 8 - Gráfico salario medio por nivel de estudios en la Comunidad de Madrid

22

Figura 9 - Gráfico salario medio por años de experiencia en la región sur

23

Figura 10 - Gráfico salario medio por años de experiencia en la Comunidad de Madrid. 23

Figura 11 - Gráfico salario medio por edad en la región sur

24

Figura 12 - Gráfico salario medio por edad en la Comunidad de Madrid

24

Índice de tablas

Tabla 1 - Estimación por mínimos cuadrados ordinarios: Modelo 1

12

Tabla 2 - Estimación del Modelo 1 con corrección de heterocedasticidad

15

Tabla 3 - Estimación del Modelo 2 con corrección de heterocedasticidad

17

Tabla 4 - Medias y desviaciones de las variables del Modelo 1

28

Tabla 5 - Medias y desviaciones de las variables del Modelo 2

29

Página3

Resumen

El presente estudio trata de examinar la existencia de desigualdad salarial por razones de sexo en el mercado de trabajo español a partir de los microdatos emparejados empresa-trabajador de las olas 2010 y 2014 de la Encuesta de Estructura Salarial (EES).

Se trata de determinar de manera objetiva a través de un análisis empírico si las diferencias entre los salarios que perciben los hombres y los que perciben las mujeres están justificadas por factores de capital humano o en caso contrario existe discriminación salarial hacia las mujeres.

El análisis consiste en la estimación de los parámetros considerados en la ecuación salarial a través de métodos econométricos de regresión por mínimos cuadrados ordinarios (MCO) que permitan determinar la existencia y, en cuyo caso, el nivel de desigualdad salarial entre individuos de distinto sexo manteniendo los mismos niveles de educación, experiencia laboral y edad (ceteris paribus).

Un segundo nivel de análisis, como extensión al anterior, se basa en contrastar la presencia discriminación salarial entre hombres y mujeres en las dos regiones con mayor y menor renta per cápita del territorio español.

Abstract

This study attemps to examine the gender pay equity in the Spanish labour market based on microdata matched company/employee in the years 2010 and 2014 of the Wage Structure Survey (WSS).

An empirical analysis seeks to objectively determine whether the gender pay gap is justified by human capital factors or whether there is wage discrimination against women.

Using econometric methods of regression by ordinary least squares (OLS) an estimation of some of the parameters considered in the wage equation is made keeping constant the levels of education, work experience and age (ceteris paribus). Consequently, it is possible to determine the existence and level of wage inequality between persons of different gender.

There is also an extension of the previous analysis comparing wage equity according to the Spanish territory to which they belong. For this purpose, the two regions with the highest and lowest per capita income in Spain have been used.

Página4

1. Introducción, objetivos y literatura previa

La brecha salarial entre hombres y mujeres existe a pesar de que las mujeres obtienen mejores resultados académicos que los hombres en la escuela y la universidad. Por término medio, en 2012 1 , el 83% de las mujeres jóvenes de la UE cursaban al menos estudios de secundaria, frente al 77,6% de los hombres. Además, las mujeres representan el 60% de los graduados universitarios de la UE.

Las diferencias salariales entre hombres y mujeres es una realidad del mercado de trabajo español que nadie pone en duda. Muchos estudios han confirmado que el salario medio de los hombres es superior, en media, al que perciben las mujeres, y se han ocupado de medir el alcance de la diferencia entre ambos.

A lo largo de la historia de la literatura económica numerosos estudios han tratado de demostrar empíricamente la existencia de discriminación salarial que, definida por Sara de la Rica, “es la parte de la brecha salarial que no viene explicada por diferencias en los puestos de trabajo o en las características productivas entre dos grupos de trabajadores”. Entre los diferentes métodos aplicados destacan el método de regresión con variables ficticias por mínimos cuadrados ordinarios (MCO) que minimiza la suma de residuos al cuadrado (aplicado en este trabajo), el método de descomposición salarial de Oaxaca-Blinder que consiste en descomponer la diferencia entre las medias de los logaritmos de los salarios de hombres y mujeres, el método de regresión cuantílica, el método propuesto por Fields (2003), el método de Yun (2006) o el método de Machado y Mata.

Uno de los estudios tradicionalmente aplicado para justificar las diferencias salariales entre hombres y mujeres es la Teoría del Capital Humano propuesta por Schultz (1961). Se fundamenta en que los salarios están ligados a la productividad y ésta está directamente relacionada con la especialización (experiencia) y formación (nivel de estudios). Basándose en esta teoría, las diferencias salariales observadas entre individuos vendrían explicadas por las diferencias de factores de capital humano. La evidencia empírica, en cambio, indica claramente que, si bien los factores de capital

1 Datos extraídos de la publicación de la Comisión Europea del año 2014 citada en la bibliografía.

Página5

humano son relevantes para explicar las posibles diferencias entre salarios de hombres

y mujeres, no son suficientes y se podría afirmar que existe discriminación.

La hipótesis del trabajo es analizar si los factores de capital humano son o no indicadores determinantes para justificar las diferencias salariales observadas entre hombres y mujeres, así como cuantificar la diferencia salarial existente entre ambos sexos a igualdad de circunstancias, es decir, mismo nivel de estudios terminados, igual número de años de experiencia e igual edad y por tanto determinar si existe discriminación salarial por razones de sexo.

Un segundo análisis pretende contrastar la discriminación salarial entre hombres

y mujeres (en adelante modelo 2) y las posibles diferencias entre las regiones españolas con mayor y menor renta per cápita según datos de la Contabilidad Regional del INE

2016.

Página6

2. Obtención de los datos

2.1. Base de datos

La Encuesta Anual de Estructura Salarial (en adelante EES) es publicada por el INE con periodicidad cuatrienal de forma armonizada junto con todos los Estados miembros de la Unión Europea y tiene por objeto analizar la estructura y distribución de los salarios. Recoge datos de los salarios de forma individual en forma de cualidades o atributos específicos de cada trabajador y así como variables específicas de cada empresa y sector.

El ámbito poblacional de la EES está formado por todos los trabajadores por cuenta ajena incluidos en la Seguridad Social. Se excluyen los trabajadores del sector público adscritos al Régimen de Clases Pasivas del Estado.

Los microdatos utilizados en este estudio provienen de las olas 2010 - 2014 de la EES correspondientes a la última encuesta cuatrienal publicada.

La mayoría de los datos de la encuesta se refieren al mes de octubre del año de referencia (2014). La elección de dicho mes se realiza sobre la base de que sea un mes representativo del conjunto del año al considerarse “normal” en todos los países de la UE, en el sentido de que está poco afectado por variaciones estacionales o por pagos de vencimiento superior al mes, como las pagas de Navidad.

La totalidad de la muestra de la EES alcanza 209.436 individuos, de los cuales 172.517 están empleados a jornada completa y de ellos 172.467 han estado de alta en la Seguridad Social durante todo el mes de octubre del año de referencia de la encuesta

(2014).

2.2. Variables utilizadas

Los datos necesarios para el análisis son el salario bruto por hora, el sexo, la edad de los individuos, los años de antigüedad, el nivel de estudios completados y la región a nivel NUTS1 2 de la muestra restringida a los empleados que trabajan a tiempo completo

2 Nomenclatura de las unidades territoriales estadísticas establecida por Eurostat.

Página7

y que han estado de alta en la Seguridad Social durante todo el mes de octubre del año

de referencia de la encuesta.

La determinación del uso del salario bruto por hora en todo el análisis en lugar

de hacerlo sobre salarios mensuales o anuales, reside en el hecho de realizar una

comparativa homogénea ajustando los salarios por el tiempo efectivamente trabajado.

Se pretende evitar que, sobre todo en el caso de las mujeres, los salarios se vean

desvirtuados por las reducciones de jornadas, pues cerca del 70% de los empleos con

jornada a tiempo parcial corresponden a mujeres.

A la hora de determinar el salario bruto por hora ha sido necesario realizar algunos

cálculos previos siendo de la siguiente manera:

Salario bruto mensual del mes de octubre

Salario bruto por hora =

Horas trabajadas mensuales

Donde:

Ganancia salario bruto mensual del mes de octubre 3

= Salario base

+ Complementos salariales

+ Parte proporcional de las pagas extraordinarias

Horas trabajadas mensuales = se asume la jornada máxima que establece el

Estatuto de los Trabajadores (artículo 12.5 del Estatuto de los Trabajadores.

Cuarenta horas semanales de trabajo efectivo de promedio en cómputo anual,

siendo la jornada máxima promedio mensual de 166 horas).

Ambos modelos tienen como variable endógena el logaritmo neperiano del salario

bruto por hora “logWAGE”. Se toma el logaritmo como estrategia de transformación

matemática tendente a reducir la dispersión original de la serie, y con ello se evita la

aparición de heterocedasticidad.

3 Con el fin de simplificar el modelo no se están considerando los pagos por horas extraordinarias así como las horas extra realizadas en el mes.

Página8

Las variables exógenas se pueden clasificar en dos categorías:

- Variables relacionadas con el capital humano del trabajador

El nivel de estudios recoge estudios de primaria, estudios de secundaria, estudios de formación profesional de grado superior, diplomados universitarios y licenciados o superior.

Están representados por la variable “ESTU” que toma los valores: 1=Menos que primaria, 2=Educación primaria, 3=Primera etapa de educación secundaria, 4=Segunda etapa de educación secundaria, 5=Enseñanzas de formación profesional de grado superior y similares, 6=Diplomados universitarios y similares y 7=Licenciados y similares, y doctores universitarios.

La experiencia laboral, representada por la variable “ANOANTI”, recoge los años de antigüedad del individuo. También se incluye en el modelo su representación al cuadrado “ANOANTI^2”, que permite determinar el decrecimiento de la función, o dicho de otro modo, permite explicar que a medida que aumenten los años de experiencia, habrá un punto en el cual los ingresos comiencen a disminuir.

- Variables relacionadas con las características propias del trabajador

La variable “SEXO” permite identificar si el individuo es hombre o mujer.

La edad representa los años cumplidos del individuo. Esta variable “EDAD” está agrupada en intervalos de años y toma los valores: 1=menos 19 años, 2=de 20 a 29, 3=de 30 a 39, 4=de 40 a 49, 5=de 50 a 59 y 6=más de 59 años. Del mismo modo que en los años de experiencia laboral se incluye la variable “EDAD^2” para determinar el decrecimiento de la función.

Otra variable relacionada con las características del trabajador es la variable REGION”, que se incorpora en la ecuación del modelo 2 [2]. Esta variable determina si el individuo pertenece a la Comunidad de Madrid o a la región sur. Las regiones se establecen en función de los códigos de nomenclatura de las unidades territoriales estadísticas de nivel uno, siendo ES3 Comunidad de Madrid y la región sur ES6 que comprende las comunidades de Andalucía, Región de Murcia, Ciudad Autónoma de Ceuta y Ciudad Autónoma de Melilla.

Página9

3. Metodología

La técnica empleada se fundamenta en el Teorema de Gauss-Márkov a partir del

cual se determina la estimación por mínimos cuadrados ordinarios (MCO) de los

parámetros poblacionales en un modelo de regresión lineal.

El método aplicado en este trabajo consiste en estimar una ecuación de salarios

conjunta para hombres y mujeres [1], basada en la teoría del capital humano,

empleando una variable dicotómica o binaria SEXO, también llamada ficticia o

dummy, que recoja el sexo del individuo.

log WAGE i = β 0 + β 1 ESTU i + β 2 SEXO i + β 3 EDAD i + β 4 EDAD 2 i + β 5 ANOANTI i + β 6 ANOANTI 2 i + i

[1]

Si se define el individuo como mujer entonces la variable ficticia toma el valor 1

para las mujeres y 0 para los hombres. Se supone que el salario que percibe un

trabajador es un reflejo de su productividad y depende de características personales, de

capital humano, del puesto de trabajo que desempeña y de la empresa donde trabaja.

̂

El coeficiente que acompaña a la variable sexo, β 2 , es la diferencia entre el salario

por hora de una mujer y un hombre, ceteris paribus el resto de variables (y con el mismo

término de error).

Para realizar la estimación de la ecuación [1] se plantea como hipótesis nula la no

existencia de diferencias salariales y como hipótesis alternativa la existencia de

diferencias salariales:

H0: β 2 = 0 H1: β 2 0

̂

Por tanto si el coeficiente estimado de la variable dicotómica, β 2 , es distinto de

cero, entonces se rechaza la hipótesis nula y se acepta la hipótesis alternativa por lo que

se podría afirmar que existen diferencias entre los salarios percibidos por los hombres y

los salarios percibidos por las mujeres, si además el valor estimado del coeficiente es

menor que cero, β 2 <0, se puede decir hay evidencias de que existe discriminación

salarial en contra de las mujeres. Por tanto, para el mismo nivel de los demás factores

observados, las mujeres ganan menos en promedio que los hombres.

Página10

El modelo 2, se considera una extensión al descrito anteriormente, pero se restringe la muestra a la población de las comunidades seleccionadas e incorpora una nueva variable ficticia que permita identificar los individuos de las dos regiones elegidas. Así, la variable REGION, toma el valor 1 para los individuos que trabajan en la Comunidad de Madrid y toma el valor 0 para los individuos que trabajan en cada una de las comunidades que forman la región sur (especificadas en el apartado 2).

En esta segunda regresión se estima de nuevo una ecuación [2] de salarios conjunta para hombres y mujeres y para los individuos de ambas regiones.

log WAGE M = α 0 + α 1 ESTU i + α 2 SEXO i + α 3 EDAD i + α 4 EDAD 2 i + α 5 ANOANTI i + α 6 ANOANTI 2 i + α 7 REGION i i

[2]

Si el coeficiente estimado de la variable REGION, ̂ 7 , resulta significativo podremos afirmar que la región es un factor influyente en la determinación de salarios entre hombres y mujeres.

En el tratamiento previo de los datos se ha utilizado la herramienta Microsoft Excel, a través de la cual se han importado los microdatos de la EES e incorporado al programa econométrico Gretl para el análisis y estimación por MCO de las regresiones planteadas.

Página11

4. Primera regresión: diferencias salariales por razón de sexo

Los resultados de las estimaciones de la ecuación [1] se muestran en la tabla 1.

Modelo 1: MCO, usando las observaciones 1-172467 Variable dependiente: logWAGE

 

Coeficiente

Desv. Típica

Estadístico t

valor p

const

1.23581

0.0115626

106.8800

<0.0001

***

ESTU

0.133927

0.000541174

247.4744

<0.0001

***

SEXO

−0.211508

0.0019368

−109.2049

<0.0001

***

EDAD

0.244729

0.00624297

39.2007

<0.0001

***

EDAD2

−0.0245322

0.00080459

−30.4904

<0.0001

***

ANOANTI

0.0199354

0.000291651

68.3538

<0.0001

***

ANOANTI2

−0.000187305

8.39558e-06

−22.3100

<0.0001

***

Media de la vble. dep. Suma de cuad. residuos R-cuadrado F(6, 172460) Log-verosimilitud Criterio de Schwarz

2.472742

D.T. de la vble. dep. D.T. de la regresión R-cuadrado corregido Valor p (de F) Criterio de Akaike

0.484302

25370.10

0.383545

0.372828

0.372806

17086.70

0.000000

−79441.95

158897.9

158968.3

Crit. de Hannan-Quinn

158918.8

Tabla 1- Estimación por mínimos cuadrados ordinarios: Modelo 1

A la vista de los resultados de la Tabla 1 se observa que todas las variables

explicativas del modelo son significativas individualmente, a cualquier nivel de significación, incluso al 1%. Por tanto, se puede afirmar que el nivel de estudios, el sexo, la edad y los años de experiencia son factores que influyen en la composición salarial.

De manera conjunta, se observa que el p-valor correspondiente al estadístico F de contraste de significación global es cero, por lo que se rechaza la hipótesis nula de que los coeficientes del modelo sean iguales a cero excepto el término independiente, o dicho de otro modo se puede afirmar que el nivel de estudios, el sexo, la edad y los años de experiencia son factores que de forma conjunta intervienen en la determinación del salario del individuo.

Con el resultado del coeficiente de determinación R 2 se puede afirmar que las variaciones en el salario son explicadas en un 37,28% por las variaciones en la edad, el nivel de estudios, la antigüedad y el sexo del individuo.

A fin de comprobar si el modelo cumple los supuestos de normalidad de los

residuos, homocedasticidad y no colinealidad se realizan una serie de test.

Página12

Respecto al primer supuesto se aplica contraste de normalidad de residuos, tal y como ilustra en la Figura 1 se observa que, bajo la hipótesis nula de que los residuos siguen una distribución normal, se rechaza dicha hipótesis a cualquier nivel de significación dado que el valor obtenido (J-B: 2 2 = 13.498,6) para el estadístico es

2

mayor que el valor crítico tabulado ( 2,0,05

= 5,99).

1.2 uhat1 Estadístico para el contraste de normalidad: N(5.4277e-014,0.38355) Chi-cuadrado(2) = 13498.572 [0.0000] 1
1.2
uhat1
Estadístico para el contraste de normalidad:
N(5.4277e-014,0.38355)
Chi-cuadrado(2) = 13498.572 [0.0000]
1
0.8
0.6
0.4
0.2
0
-3
-2
-1
0
1
2
3
4

uhat1

Figura 1- Contraste de normalidad de los residuos

En modelos de regresión lineal múltiple con tamaños de muestras elevadas, como es el caso en el que nos encontramos, puede ser habitual que los residuos no sigan una distribución normal. Esto es debido, en ocasiones, a la influencia de valores atípicos que distorsionan los resultados (Figura 2). Dado que este escenario de normalidad de residuos es uno de los supuestos básicos del modelo de regresión lineal clásico y por tanto de obligado cumplimiento para considerar que el modelo está bien construido, se procede a comprobar la existencia de outliers o valores atípicos que puedan interferir en los resultados estimados (Figura 3).

Página13

Figura 2- Valores atípicos Figura 3- Influencia de los valores atípicos Una vez detectados los

Figura 2- Valores atípicos

Figura 2- Valores atípicos Figura 3- Influencia de los valores atípicos Una vez detectados los valores

Figura 3- Influencia de los valores atípicos

Una vez detectados los valores atípicos se reemplaza en ellos el valor del salario por el valor promedio y se vuelve a construir el modelo que arroja unos resultados similares a los anteriores coeficientes y sus desviaciones típicas mientras que las desviaciones en los coeficientes de asimetría y curtosis han disminuido y por tanto se ha corregido la situación de no normalidad de residuos.

El segundo test consiste en comprobar que el modelo es homocedástico. Se aplica contraste de White bajo la hipótesis nula de que no presenta heterocedasticidad. Los resultados devuelven un estadístico de contraste (LM) TR 2 = 4.840,91 y p-valor = 0, por lo que se rechaza la hipótesis nula y existen evidencias de heterocedasticidad a cualquier nivel de significación. Para solventar este problema se realiza de nuevo la estimación del modelo con corrección de heterocedasticidad (Tabla 2) que aplica coeficientes robustos.

Página14

Modelo 1: con corrección de heterocedasticidad, usando las observaciones 1-172467 Variable dependiente: logWAGE

 

Coeficiente

Desv. Típica

Estadístico t

valor p

const

1.3232

0.0108732

121.6938

<0.0001

***

ESTU

0.12669

0.000547557

231.3727

<0.0001

***

SEXO

−0.209478

0.00184044

−113.8195

<0.0001

***

EDAD

0.225575

0.00592984

38.0406

<0.0001

***

EDAD2

−0.0234698

0.000771782

−30.4098

<0.0001

***

ANOANTI

0.0191404

0.000279969

68.3662

<0.0001

***

ANOANTI2

−0.000159477

8.15064e-06

−19.5662

<0.0001

***

Estadísticos basados en los datos ponderados:

Suma de cuad. residuos R-cuadrado F(6, 172460) Log-verosimilitud Criterio de Schwarz

685161.7

D.T. de la regresión R-cuadrado corregido Valor p (de F) Criterio de Akaike Crit. de Hannan-Quinn

1.993207

0.357750

0.357728

16010.80

0.000000

−363674.8

727363.6

727434.0

727384.4

Estadísticos basados en los datos originales:

Media de la vble. dep. Suma de cuad. residuos

2.472615

D.T. de la vble. dep.

0.483624

25311.84

D.T. de la regresión

0.383105

Tabla 2- Estimación del Modelo 1 con corrección de heterocedasticidad

El tercer test aplicado, consiste en examinar la inexistencia de colinealidad, es

decir, averiguar si las variables explicativas del modelo son linealmente independientes

entre sí. Para ello se utiliza el criterio de factores de inflación de varianza (VIF).

VIF (j) =

1

(1−R

2

(j)

)

El resultado es que todos los valores VIF son inferiores a 10, y por tanto

linealmente independientes entre sí, salvo los regresores que aparecen elevados al

cuadrado, que lógicamente depende linealmente de sus predecesores.

4.1. Interpretación de los coeficientes del modelo

Una vez corregidos los inconvenientes detectados en el modelo podemos determinar que la

ecuación salarial para las mujeres [3], empleando dos decimales, es la siguiente:

log WAGE M = 1,32 + 0,13ESTU i − 0,21SEXO i + 0,23EDAD i − 0,02EDAD 2 i + 0,02ANOANTI i − 0,01ANOANTI 2 i + u i

Dado que el coeficiente estimado que acompaña a la variable SEXO,

2

̂ , tiene signo

[ 3 ]

negativo se puede afirmar que la variable SEXO para las mujeres afecta negativamente

al salario, pero la pregunta es ¿cuál es la diferencia?

Página15

Al estar representada la variable dependiente de forma logarítmica, la

interpretación de los coeficientes del modelo la determina el resultado estimado x 100

y expresada en tanto por ciento, de tal modo que ante un aumento de una unidad en

̂

cualquiera de las variables del modelo el salario varía en × 100%.

Según este planteamiento, al aumentar la variable SEXO en una unidad el salario

disminuiría en un 21%. Dado que la variable SEXO es una variable binaria y sólo toma el

valor cero o uno, en el hipotético caso de que un hombre pasase a ser mujer percibiría

un salario un 21% inferior al que percibiría si fuera hombre, por tanto el salario para las

mujeres es un 21% inferior al de los hombres.

El resto de los coeficientes 4 tienen signo positivo por lo que una mujer percibiría

un mayor salario en los siguientes supuestos:

- Caso de aumentar un nivel de estudios terminados percibiría un 13% más de

salario.

- Caso de cumplir un año más de experiencia percibiría un 2% más de salario.

- Caso de aumentar la edad y pasar al siguiente intervalo (la variable edad está

agrupada en intervalos de diez años) percibiría un 23% más de salario.

4 Nótese que el valor estimado de los coeficientes que acompañan a las variables al cuadrado tienen signo negativo debido al decrecimiento de la función.

Página16

Segunda regresión: diferencias salariales por razones de sexo y región Ahora la muestra se reduce

Segunda regresión: diferencias salariales por razones de sexo y región

Ahora la muestra se reduce al subconjunto de individuos que pertenecen a las regiones especificadas en el apartado 2.

Se estima la ecuación [2] por MCO y se realizan los test necesarios para determinar que el modelo cumple los supuestos de normalidad de los residuos, homocedasticidad y no colinealidad. Al ser este modelo 2 una extensión del modelo 1 se dan las mismas particularidades. El procedimiento aplicado para subsanar la no normalidad de los residuos y la presencia de heterocedasticidad es el mismo.

La regresión estimada con corrección de heterocedasticidad (Tabla 3) determina que las variables del modelo son significativas a prácticamente cualquier nivel de significación.

Modelo 2: con corrección de heterocedasticidad, usando las observaciones 1-50632 Variable dependiente: logWAGE

 

Coeficiente

Desv. Típica

Estadístico t

valor p

const

1.16263

0.0208077

55.8750

<0.0001

***

ESTU

0.133937

0.00100951

132.6746

<0.0001

***

SEXO

−0.206541

0.00353398

−58.4443

<0.0001

***

EDAD

0.266812

0.0114884

23.2244

<0.0001

***

EDAD2

−0.0274571

0.00151398

−18.1357

<0.0001

***

ANOANTI

0.0230841

0.000547448

42.1668

<0.0001

***

ANOANTI2

−0.000267393

1.61949e-05

−16.5110

<0.0001

***

NUTS1

0.0615868

0.00349153

17.6389

<0.0001

***

Estadísticos basados en los datos ponderados:

Suma de cuad. residuos R-cuadrado F(7, 50624) Log-verosimilitud Criterio de Schwarz

198922.7

D.T. de la regresión R-cuadrado corregido Valor p (de F) Criterio de Akaike Crit. de Hannan-Quinn

1.982275

0.383943

0.383857

4507.167

0.000000

−106484.4

212984.8

213055.5

213006.9

Estadísticos basados en los datos originales:

Media de la vble. dep. Suma de cuad. residuos

2.512126

D.T. de la vble. dep.

0.518431

8260.755

D.T. de la regresión

0.403954

Tabla 3- Estimación del Modelo 2 con corrección de heterocedasticidad

El p-valor correspondiente al estadístico de contraste de significación global es cero, con lo que se puede afirmar que el nivel de estudios, el sexo, la edad, los años de experiencia y la región donde trabaja el individuo son factores que de forma conjunta intervienen en la determinación del salario del individuo.

Página17

Las variaciones en el salario son explicadas en un 38,39% por las variaciones en las variables del modelo (R 2 = 0,383943). Este coeficiente de determinación es algo más elevado en esta regresión que en la anterior, así si comparamos ambos modelos se puede afirmar que está mejor construido el modelo 2. Otra justificación que determina que el modelo 2 es más representativo la dan los criterios de Akaike y Schawarz 5 al arrojar valores muy inferiores a los del modelo 1.

5.1. Interpretación de los coeficientes del modelo

La representación de la ecuación salarial, en virtud del modelo 2, para las mujeres de la Comunidad de Madrid [4], empleando dos decimales, es la siguiente:

log WAGE M = 1,16 + 0,13ESTU i − 0,21SEXO i + 0,27EDAD i − 0,03EDAD 2 i + 0,02ANOANTI i + 0ANOANTI 2 i

+ 0,06REGION i i

[4]

Y sus interpretaciones se enumeran a continuación:

- El salario percibido por las mujeres es un 21% inferior de media al de los hombres que trabajan en la Comunidad de Madrid.

- Las mujeres que trabajan en la Comunidad de Madrid ganan de media un 6% más que las mujeres que trabajan en alguna de las comunidades que componen la región sur de este estudio.

- En caso de aumentar un nivel los estudios terminados una mujer que trabaja en la Comunidad de Madrid percibiría un 13% más de salario.

- En caso de aumentar un año la experiencia laboral una mujer que trabaja en la Comunidad de Madrid percibiría un 2% más de salario.

- En caso de aumentar la edad al siguiente tramo (intervalos de 10 años) una mujer que trabaja en la Comunidad de Madrid percibiría un 27% más de salario.

5 Los criterios de Akaike y Schawarz son utilizados para comparar modelos con la misma variable endógena.

Página18

6. Resultados empíricos

Se ha seleccionado una muestra de dos individuos con las mismas características, uno de ellos hombre y la otra mujer con el fin de establecer una comparativa que determine a priori si existen diferencias salariales entre ambos. A la hora de seleccionar las muestras se tratado de hacerlo de la forma más objetiva posible escogido los datos con mayor representatividad de nivel de estudios, experiencia y edad. Una vez determinados se selecciona el valor de la variable endógena que más se aproxime a su media muestral en cada uno de los dos grupos (hombres y mujeres).

En función de estas premisas el perfil del individuo sería de entre 30 y 39 años de edad, con una experiencia de entre 6 y 15 años y con un nivel de estudios terminados de segunda etapa de educación secundaria.

Corolario:

- Si el sujeto es hombre percibe un salario de 12,71 euros brutos hora que extrapolando 6 al año completo serían 23.200 euros.

- Si el sujeto es mujer percibe un salario de 9,55 euros brutos hora que anualizados serían 17.438 euros, casi una cuarta parte menos que el hombre.

Ahora se trata de descender a una comparativa por cada uno de los niveles de análisis expresados gráficamente.

6 Calculado en función de 1.826 horas de jornada máxima en cómputo anual establecidas en el Estatuto de los Trabajadores.

Página19

Modelo 1

En el salario medio por nivel de estudios (Figura 4) no sólo se aprecian diferencias si no que la brecha es mayor en el colectivo de individuos con la titulación más alta. La tendencia logarítmica también indica un mayor distanciamiento entre el salario de ambos sexos. Se constata que una mayor educación de las mujeres no es capaz de reducir la brecha salarial.

Salario medio por nivel de estudios

25

20 R² = 0,709 15 10 -22,3% -24,4% -23,1% -23,7% -17,4% 5 -21,4% -20,6% 0
20
R² = 0,709
15
10
-22,3%
-24,4%
-23,1%
-23,7%
-17,4%
5
-21,4%
-20,6%
0
Menos que
Educación
Primera etapa
Segunda
Enseñanzas
Diplomados
Licenciados y
primaria
primaria
de educación
etapa de
de formación
universitarios
similares, y
primaria
educación
profesional
doctores
secundaria
universitarios
Hombres
Mujeres
Logarítmica (Mujeres)
FUENTE: elaboración propia
salario bruto hora en euros

Figura 4- Gráfico salario medio por nivel de estudios

En el caso de la experiencia laboral (Figura 5) la curva de salarios de ambos sexos sigue una tendencia más o menos lineal y creciente a medida que aumentan los años de experiencia, aunque si bien es cierto la brecha aumenta sobre todo en las mujeres que se sitúan en los tramos de entre 26 y 35 años y de entre 36 y 45 años de experiencia.

Salario medio por experiencia

25

20 R² = 0,8553 15 -14,3% -17,5% -22,2% -15,6% 10 -16,1% -10,4% 5 salario bruto
20
R² = 0,8553
15
-14,3%
-17,5%
-22,2%
-15,6%
10
-16,1%
-10,4%
5
salario bruto hora en euros

0

Hasta 5 años

Entre 6 y 15 años

Entre 16 y 25 años

Entre 26 y 35 años

Entre 36 y 45 años

Más de 45 años

FUENTE: elaboración propia

HombresMujeres Logarítmica (Mujeres)

Hombres Mujeres Logarítmica (Mujeres)

Mujeres

Logarítmica (Mujeres)

Figura 5- Gráfico salario medio por años de experiencia

Página20

El salario medio por edad (Figura 6), aunque no es un factor de capital humano está totalmente ligado a los años de experiencia que sí es un indicador de capital humano. La brecha tiende a disminuir en los colectivos de menor edad, hasta 39 años, pero aumenta y tiende a divergir de la curva salarial de los hombres en edades de 40 años en adelante.

20

Salario medio por edad

R² = 0,9645 15 -19,5% -25,3% -13,8% 10 -10,5% -7,1% 5 -15,3% salario bruto hora
R² = 0,9645
15
-19,5%
-25,3%
-13,8%
10
-10,5%
-7,1%
5
-15,3%
salario bruto hora en euros

0

Menos de 19 años

De 20 a 29 años

De 30 a 39 años De 40 a 49 años

De 50 a 59 años

Más de 59 años

FUENTE: elaboración propia

Hombres Mujeres Logarítmica (Mujeres)

Hombres

Hombres Mujeres Logarítmica (Mujeres)

Mujeres

Logarítmica (Mujeres)

Figura 6- Gráfico salario medio por edad

Página21

Modelo 2

Al hacer una comparativa del salario medio por nivel de estudios entre la región sur y la Comunidad de Madrid (Figuras 7 y 8) se observa que la brecha salarial entre hombres y mujeres de las comunidades de la región sur es menor que la brecha salarial en la Comunidades Madrid, es decir los salarios de los trabajadores de la región sur están mejor distribuidos entre hombres y mujeres.

Salario medio por nivel de estudios en la región sur

25 20 R² = 0,7372 15 10 -19,2% -24,0% -23,1% -23,7% 5 -16,6% -20,0% -19,2%
25
20
R² = 0,7372
15
10
-19,2%
-24,0%
-23,1%
-23,7%
5
-16,6%
-20,0%
-19,2%
0
Menos que
Educación
Primera etapa
Segunda
Enseñanzas
Diplomados
Licenciados y
primaria
primaria
de educación
etapa de
de formación
universitarios
similares, y
primaria
educación
profesional
doctores
secundaria
universitarios
Hombres
Mujeres
Logarítmica (Mujeres)
FUENTE: elaboración propia
salario bruto hora en euros

Figura 7- Gráfico salario medio por nivel de estudios en la región sur

Salario medio por nivel de estudios en la Comunidad de Madrid 30 25 R² =
Salario medio por nivel de estudios en la Comunidad de
Madrid
30
25
R² = 0,762
20
15
10
-25,4%
-28,2%
-18,2%
5
-22,2%
-17,3%
-22,4%
0
-24,4%
Menos que
Educación
Primera etapa
Segunda
Enseñanzas
Diplomados
Licenciados y
primaria
primaria
de educación
etapa de
de formación
universitarios
similares, y
primaria
educación
profesional
doctores
secundaria
universitarios
Hombres
Mujeres
Logarítmica (Mujeres)
FUENTE: elaboración propia
salario bruto hora en euros

Figura 8- Gráfico salario medio por nivel de estudios en la Comunidad de Madrid

Página22

Nuevamente, la brecha salarial por sexos y por años de experiencia (Figuras 9 y 10) es inferior en las comunidades que componen la región sur. La curva salarial de las mujeres de la Figura 10 presenta unos datos atípicos para mujeres con más de 45 años de experiencia.

Salario medio por años de experiencia en la región sur

20 15 R² = 0,8602 -16,7% -11,6% -22,5% 10 -13,9% -9,5% 5 salario bruto hora
20
15
R² = 0,8602
-16,7%
-11,6%
-22,5%
10
-13,9%
-9,5%
5
salario bruto hora en euros

0

Hasta 5 años Hombres
Hasta 5 años
Hombres

Entre 6 y 15 años

Entre 16 y 25 años

Entre 26 y 35 años

Mujeres

Logarítmica (Mujeres)

Entre 36 y 45 años

Más de 45 años

FUENTE: elaboración propia

Figura 9- Gráfico salario medio por años de experiencia en la región sur

Salario medio por años de experiencia en la Comunidad de Madrid 25 20 R² =
Salario medio por años de experiencia en la Comunidad de
Madrid
25
20
R² = 0,004
15
-19,4%
-22,3%
-20,8%
-28,5%
10
-16,7%
-60,0%
5
salario bruto hora en euros

0

Hasta 5 años Hombres
Hasta 5 años
Hombres

Entre 6 y 15 años

Mujeres

Entre 16 y 25 años

Entre 26 y 35 años

Logarítmica (Mujeres)

Entre 36 y 45 años

Más de 45 años

FUENTE: elaboración propia

Figura 10- Gráfico salario medio por años de experiencia en la Comunidad de Madrid

Página23

En cuanto al salario medio por edad (Figuras 11 y 12) es destacable que en ambas regiones el salario de las mujeres tiende a divergir del salario de los hombres a medida que avanzan de edad.

Salario medio por edad en la región sur

20 15 R² = 0,9384 -22,1% 10 -17,3% -10,6% -8,4% -9,4% 5 -1,8% 0 Menos
20
15
R² = 0,9384
-22,1%
10
-17,3%
-10,6%
-8,4%
-9,4%
5
-1,8%
0
Menos de 19
años
De 20 a 29 años De 30 a 39 años De 40 a 49 años De 50 a 59 años Más de 59 años
Hombres
Mujeres
Logarítmica
(Mujeres)
FUENTE: elaboración propia
salario bruto hora en euros

Figura 11- Gráfico salario medio por edad en la región sur

Salario medio por edad en la Comunidad de Madrid

25 20 R² = 0,9163 15 -18,6% -27,9% -31,5% 10 -14,2% -9,2% 5 -60,0% 0
25
20
R² = 0,9163
15
-18,6%
-27,9%
-31,5%
10
-14,2%
-9,2%
5
-60,0%
0
salario bruto hora en euros

Menos de 19 años

De 20 a 29 años De 30 a 39 años De 40 a 49 años De 50 a 59 años Más de 59 años

FUENTE: elaboración propia

Hombres Mujeres Logarítmica (Mujeres)

Hombres

Hombres Mujeres Logarítmica (Mujeres)

Mujeres

Logarítmica (Mujeres)

Figura 12- Gráfico salario medio por edad en la Comunidad de Madrid

Página24

7. Conclusiones

El objetivo principal de este trabajo es determinar si los factores de capital humano son o no indicadores determinantes para justificar las diferencias salariales observadas entre hombres y mujeres en el mercado de trabajo español. El método utilizado ha sido la estimación de una regresión lineal múltiple con variables cualitativas a través del modelo econométrico de mínimos cuadrados ordinarios. Recurriendo a los datos de la Encuesta de Estructura salarial (2010-2014), se determina que el salario de las mujeres es un 21% inferior al de los hombres a igualdad de factores propios de capital humano (nivel de estudios y experiencia laboral) y de características propias del trabajador (edad y ámbito geográfico del puesto de trabajo).

Los resultados indican el siguiente corolario:

La brecha salarial no es atribuible a características observadas propias de factores de capital humano y por tanto no son el principal determinante para justificar tales diferencias.

Una brecha salarial inexplicada por causas objetivas pone de manifiesto el hecho de la existencia de discriminación salarial entre hombres y mujeres. Entran en juego otros factores como papel el socio cultural y estereotipos tradicionales.

Aunque si bien es cierto, muchos autores justifican las diferencias salariales entre hombres y mujeres por causas de segregación ocupacional, es decir el hecho de que existan ocupaciones “feminizadas” o “masculinizadas” y de que tiendan a estar mejor remuneradas las segundas. Sería interesante realizar un análisis de las diferencias salariales entre hombres y mujeres desagregando por ocupaciones.

Otro propósito de este trabajo es evidenciar si la comunidad autónoma en la que se ubica el puesto de trabajo del individuo es causa observable para determinar los salarios y se ha podido constatar, al menos en las dos regiones analizadas, que existen tales diferencias, siendo de media un 6% mayor el salario percibido por las mujeres empleadas en la Comunidad de Madrid que el percibido por las mujeres empleadas en cada una de las comunidades que componen la región sur. Estas diferencias geográficas podrían estar justificadas por causas relacionadas con la actividad económica que

Página25

desarrolle la empresa y que tengan un mayor peso en un sector determinado, distinguiendo así entre regiones más industrializadas, regiones que desarrollen principalmente actividades encaminadas al sector servicios o en las que predomine el sector agrario.

Para concluir, cabe destacar que, a pesar de la existencia de brecha salarial entre hombres y mujeres, es reseñable que combatirla es uno de los objetivos prioritarios de la Unión Europea, tal y como recoge la publicación de la Comisión Europea del año 2014 sobre «Cómo combatir la brecha salarial entre hombres y mujeres en la Unión Europea».

Página26

8. Referencias bibliográficas

JEFFREY M. WOOLDRIDGE (2010): «Introducción a la econometría: Un enfoque moderno, 4ª. Ed.»

DE LA RICA Y UGIDOS (1995): «¿Son las diferencias en capital humano determinantes de las diferencias salariales observadas entre hombres y mujeres?», Universidad del País Vasco

INSTITUTO DE LA MUJER (2007): «Diferencia y discriminación salarial por razón de sexo», Ministerio de Trabajo y asuntos sociales

SIMÓN

H.

(2009):

«La

desigualdad

salarial

en

España:

Una

perspectiva

internacional y temporal», Universidad de Alicante - IEB

MARIA LUISA MOLTO: «Estudio empírico de la discriminación de la mujer en el mercado de trabajo académico», Universidad de Valencia

ALÁEZ Y ULLIBARRI (1999): «Discriminación salarial por sexo en la Comunidad

Autónoma

un Ekonomiaz, Revista Vasca de Economía

Vasca:

análisis

del

sector

privado

y

sus

diferencias

con

España»,

J.M. ARRANZ Y C. GARCÍA-SERRANO (2012): «Diferencias salariales, características del puesto de trabajo y cualificación: un análisis para el período 2005-2010», Universidad de Alcalá

L. ESCOT MANGAS, J.A. FERNÁNDEZ CORNEJO, A. HERRÁEZ GONZÁLEZ, M. INFESTAS MADERUELO Y T. MARTÍNEZ DUBLA (2014): «Discriminación salarial de género en el mercado laboral español: Un análisis comparativo por CC.AA.»

OFICINA DE PUBLICACIONES DE LA UNIÓN EUROPEA (2014): «Cómo combatir la brecha salarial entre hombres y mujeres en la Unión Europea», Comisión Europea

Página27

9. Anexo: Medias y desviaciones de las variables incluidas en la ecuación salarial

Modelo 1

VARIABLE

HOMBRES

Media

Desv. Típica

MUJERES

Media

Desv. Típica

Salario Bruto anual (*)

26.267,2

20.053,0

22.240,8

13.252,5

Salario Bruto por hora

14,4

11,0

12,2

7,3

Nivel de estudios terminados

 

Menos que primaria

9,9

4,2

7,9

3,1

Educación primaria

10,6

7,8

8,4

3,2

Primera etapa de educación primaria

11,1

5,3

9,2

4,1

Segunda etapa de educación secundaria

13,6

8,8

10,4

5,1

Enseñanzas de formación profesional

14,3

6,7

10,9

4,6

Diplomados universitarios

17,7

10,6

13,7

6,5

Licenciados y similares, y doctores universitarios

22,1

18,0

16,7

9,8

Edad (tramos)

Menos de 19 años

8,1

7,3

6,8

1,6

De 20 a 29 años

9,9

8,1

9,2

4,0

De 30 a 39 años

12,9

9,5

11,5

6,0

De 40 a 49 años

15,1

10,0

13,0

8,0

De 50 a 59 años

16,6

13,4

13,4

8,6

Más de 59

años

17,7

14,1

13,2

7,4

Años de experiencia laboral

 

Hasta 5 años

11,7

10,5

10,5

6,1

Entre 6 y 15 años

14,4

9,9

12,0

7,1

Entre 16 y 25 años

17,4

11,8

14,7

8,9

Entre 26 y 35 años

19,3

11,8

15,9

7,6

Entre 36 y 45 años

19,4

12,3

15,1

6,3

Más de 45 años

22,4

18,2

19,2

9,5

FUENTE: elaboración propia a partir de los datos de la EES

Tabla 4- Medias y desviaciones de las variables del Modelo 1

(*) Calculado a partir del salario bruto diario extrapolado al año en función de las horas anuales de trabajo efectivo en cómputo mensual establecidas en el artículo 12.5 del Estatuto de los Trabajadores y fijadas en 1.826 horas.

Página28

Modelo 2

VARIABLE

Región Sur

HOMBRES

Media

Desv. Típica

MUJERES

Media

Desv. Típica

Comunidad de Madrid

HOMBRES

Media

Desv. Típica

MUJERES

Media

Desv. Típica

Salario Bruto anual (*)

24.450,9

15.368,4

21.185,4

13.508,9

31.518,9

33.572,1

25.099,0

16.692,9

Salario Bruto por hora

13,4

8,4

11,6

7,4

17,3

18,4

13,7

9,1

Nivel de estudios terminados

Menos que primaria

9,8

3,4

7,9

2,0

9,5

4,9

7,2

3,7

Educación primaria

10,2

4,0

8,1

2,9

11,2

20,1

8,7

4,5

Primera etapa de educación primaria

10,8

4,7

9,0

3,5

11,5

6,0

9,5

4,1

Segunda etapa de educación secundaria

13,5

6,7

10,3

4,9

14,0

12,0

10,9

6,4

Enseñanzas de formación profesional

13,9

6,1

10,6

4,2

14,3

7,0

11,7

5,4

Diplomados universitarios

16,8

9,9

13,6

8,0

19,2

13,2

14,3

7,2

Licenciados y similares, y doctores universitarios

20,2

14,3

15,3

10,7

25,5

25,8

18,3

11,5

Edad (tramos)

Menos de 19 años

7,9

3,8

7,7

0,2

9,7

12,0

3,9

0,0

De 20 a 29 años

9,4

4,0

8,5

3,4

10,6

15,2

9,7

4,1

De 30 a 39 años

11,9

6,0

10,9

5,3

15,1

17,3

12,9

7,5

De 40 a 49 años

13,9

8,2

12,5

7,4

18,7

15,3

15,3

10,5

De 50 a 59 años

15,7

10,8

12,9

10,9

20,9

23,8

15,1

10,8

Más de 59 años

17,0

12,3

13,3

8,2

21,0

18,1

14,4

8,1

Años de experiencia laboral

Hasta 5 años

10,7

6,8

9,7

5,0

14,5

19,2

12,1

8,3

Entre 6 y 15 años

13,3

7,0

11,5

6,1

17,7

17,8

13,8

9,4

Entre 16 y 25 años

17,0

11,2

15,0

13,1

21,1

18,6

16,7

9,7

Entre 26 y 35 años

18,6

9,4

15,5

6,1

21,7

14,8

17,5

9,8

Entre 36 y 45 años

18,9

10,0

14,6

5,5

21,4

14,0

15,3

6,6

Más de 45 años

18,0

11,7

n.a.

n.a.

23,4

10,7

9,4

0,0

FUENTE: elaboración propia a partir de los datos de la EES

Tabla 5- Medias y desviaciones de las variables del Modelo 2

Página29

Tengo un sueño, un solo sueño, seguir soñando. Soñar con la libertad, soñar con la justicia, soñar con la igualdad y ojalá ya no tuviera necesidad de soñarlas

Martin Luther King, Jr., 1963

Página30