Introducción

La contingencia sanitaria por COVID-19 alrededor del mundo ha causado grandes estragos en materia económica y resulta, particularmente, indispensable profundizar un poco más en el impacto del sector informal en la tasa de ganancia salarial de los individuos que cuentan con Educación Superior (ES) durante la pandemia. El trabajo informal ha sido objeto de estudio de innumerables investigaciones y es un tema actual en materia de políticas públicas¹. El concepto fue acuñado por ^{Hart (1973)} definiendo al sector informal como aquel trabajo por cuenta propia que no es susceptible de ser registrado por la autoridad fiscal. Esta definición fue popularizada por parte de la Organización Internacional del Trabajo (^{OIT, 1972}) que lo empleó en su estudio sobre las actividades económicas y de empleo en Kenia para denominar aquellas actividades económicas a pequeña escala y no registradas por la autoridad fiscal en un contexto de condiciones de vulnerabilidad, inseguridad y exclusión que afectaban en ese entonces a la población de Kenia.

En lo que respecta a México, Cuadro 9 del Anexo, se observa que en la Encuesta Nacional de Ocupación y Empleo (Nueva Edición) (ENOE-N)², al cuarto trimestre de 2020, se registraron un total de 53.33 millones de personas como Población Económicamente Activa (PEA) ocupada. De este total, 29.65 millones (55.59%) tuvieron una condición de informalidad en el empleo y los restantes 23.69 millones (44.41%) una condición de formalidad³. Para contextualizar el nivel de vulnerabilidad a la que está sujeta la PEA ocupada informal en México, basta con mencionar que en el periodo de referencia el 60.8% de esta población no cuenta con seguridad social, es decir, no tiene garantizado el acceso a servicios de salud y pensiones por invalidez y cesantía. Además, su ingreso promedio mensual asciende a $3,502.69 pesos; mientras que el de un trabajador formal llega a alcanzar en promedio los $6,104.88 pesos, prácticamente el doble. Aunado a lo anterior y considerando el valor de las Líneas de Pobreza por Ingresos (LPI), estimadas por el Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL), se tiene que el valor promedio mensual en 2020 de la canasta alimentaria fue de $3,235.76, lo que representa para el trabajador informal poco margen de maniobra ante alguna eventualidad por COVID-19 al no contar con un mayor ingreso corriente. De esta forma, un evento por la contingencia sanitaria de un trabajador informal o de un miembro familiar podría, incluso, aumentar la probabilidad de que éste pase a la población en situación de pobreza.

De acuerdo con ^{Arceo-Gómez et al., (2022)}, en México, los individuos que reciben los salarios más bajos tienen una probabilidad cinco veces mayor de morir que el personal mejor pagado en el país. De esta manera, una posible eventualidad por COVID-19 podría acelerar la transición hacia la pobreza moderada o extrema de la población vulnerable. En esta misma línea (Cuadro 10 del Anexo) se observan las estimaciones de pobreza multidimensional 2020, publicados por el CONEVAL (2021), resaltan que de un total de 126.7 millones de mexicanos, 55.65 millones (43.91%) viven en situación de pobreza⁴, de las cuales 44.86 millones (35.40%) eran pobres moderados y 10.79 millones (8.52%) se encontraban en situación de pobreza extrema. Cabe destacar, que el tamaño de hogar promedio de los hogares en situación de pobreza⁵ fue de 4.37 miembros (superior al promedio nacional equivalente a 3.55). Adicionalmente, también se encontró los indicadores de carencia social, caracterizados por el rezago educativo, carencia por acceso a los servicios de salud, carencia por acceso a la seguridad social, carencia por calidad y espacios de la vivienda, carencia por acceso a los servicios básicos en la vivienda, así como la carencia por acceso a la alimentación nutritiva y de calidad, se tiene que la mayor cantidad de población afectada por estas carencias es aquella en situación de pobreza. En lo referente al bienestar económico, medido por la línea de pobreza extrema por ingresos⁶ y línea de pobreza por ingresos⁷, se destaca que muchas personas tienen un ingreso por debajo de estas líneas se concentren en el ámbito urbano. En lo que sigue el presente trabajo se referirá a la línea de pobreza en el área urbana.

Tomando en cuenta que existen brechas de desigualdad en la distribución del ingreso laboral y que el estudio del capital humano es un elemento clave para explicar en gran medida aquellos componentes que impiden el desarrollo social de los individuos, en México, existen diversos estudios que analizan los rendimientos de la educación superior, a saber: ^{Austria-Carlos et al., (2018)}, ^{Austria-Carlos y Venegas-Martínez (2011)}, ^{Barceinas (2001)}, ^{Bracho y Zamudio (1994)}, ^{Zamudio (1995)}, ^{Carnoy (1967)}, ^{Del Razo (2003)}, ^{López-Acevedo (2004)}, ^{Ordaz (2007)}, ^{Rodriguez-Arias et al., (2020)} y ^{Rojas et al., (2000)}, ^{Sarimaña (2002)}. Evidentemente, falta una actualización para el periodo de pandemia 2020 en donde se cerraron un gran número de actividades económicas, lo cual condujo a una disminución en los empleos formales y, por ende, a un aumento significativo en el trabajo informal, siendo ahora la pregunta de investigación si este incremento del trabajo informal tuvo un efecto negativo en la tasa de ganancia salarial de los individuos que cuentan con ES durante la contingencia sanitaria. De tal suerte que no sólo los individuos con ES que habían perdido un empleo tuvieron un efecto negativo severo, sino también para aquellos que mantenían su empleo formal su tasa de ganancia salarial se deterioró por el incremento en el trabajo informal.

Más precisamente, el objetivo principal de este estudio es estimar el impacto del empleo informal en los rendimientos de la ES en México en 2020 teniendo como marco teórico el enfoque de ^{Mincer (1974) 8}. Es importante mencionar aquí los trabajos pioneros de ^{Schultz (1961) 9} y ^{Becker (1962)}, ^{1964) 10}, y más recientemente las investigaciones de ^{Kuka et al., (2020)}, ^{Patrinos y Psacharopoulos (2020)} y ^{Somani (2021)} sobre los rendimientos de inversión en capital humano. Así pues, la hipótesis del presente trabajo de investigación es que el empleo informal tuvo un efecto negativo en los rendimientos de la educación superior en México en 2020 en el marco de la contingencia sanitaria por COVID-19.

La investigación se encuentra organizada de la siguiente manera: en la primera sección se presenta una breve revisión sobre la literatura; en la segunda se describe el método de estimación para obtener los parámetros ATE, MTE, TT y LATE; en la tercera sección se detalla la naturaleza de los datos, así como los procedimientos para su tratamiento; en la cuarta sección se presentan los resultados empíricos y su discusión; y por último, se presentan las conclusiones y limitaciones de este estudio.

I. Breve revisión de la literatura

Alrededor del mundo existe un importante número de estudios sobre los rendimientos de la educación, entre los que se pueden destacar: ^{Somani (2021)}, ^{Patrinos y Psacharopoulos (2020)}, ^{Kuka et al., (2020)}, ^{Moffitt (2007)}, ^{San Segundo y Valiente (2003)}, ^{Harmon et al., (2003)}, ^{Carneiro et al., (2003)}, ^{Arrazola et al., (2003)}, ^{Psacharopoulos y Patrinos (2002)}, , ^{Carneiro et al., (2001)}, ^{Card (2000)}, , ^{Asplund y Pereira (1999)}, ^{Cohn y Addison (1998)}, ^{Altonji y Dunn (1996)}, ^{Harmon y Walter (1995)}, ^{Alba-Ramírez y San Segundo (1995)}, ^{Altonji (1993)}, ^{Psacharopoulos (1993)}, ^{Ashenfelter y Krueger (1994)}, ^{McMahon (1991)} y ^{Harmon et al., (2001)}, ^{Hansen (1963)}, entre muchos otros.

En lo que sigue se explica en detalle de dónde parte el modelo que será utilizado en este trabajo y se destacan las investigaciones y extensiones que se han realizado bajo el llamado enfoque minceriano. En lo que respecta a los métodos de estimación de los rendimientos a la educación, ^{Card (1999)} presenta un análisis de medición de los rendimientos de la educación que sostiene que el estimador de MCO, resultado de una ecuación salarial de ^{Mincer (1974)}, tiene dos sesgos, uno imputado a la correlación entre la escolaridad y la pendiente de la función de ingresos y el otro asociado con las habilidades las personas, cuyo efecto es capturado en el intercepto de la regresión y se correlaciona con la escolaridad. Para enmendar esta dificultad, se empleará en la presente investigación el proceso bietápico de ^{Heckman et al., (2000)} y ⁽²⁰⁰¹⁾ que trata con el problema de sesgo relacionados con la autoselección, así como los trabajos recientes de ^{Mogstad et al., (2020)} que incorpora múltiples variables instrumentales que pueden ser independientes o no y el de ^{Pinamang-Acheampong et al., (2022)}) que trata sobre la heterogeneidad no observada.

El problema de sesgo por autoselección surge cuando los individuos de la muestra no se eligen con la misma probabilidad, en cuyo caso una mayor muestra podría ofrecer mejores estimaciones. Si esto no se cumple, entonces sólo es posible describir características de la muestra, pero no de la población. A diferencia del diseño experimental, donde el grupo de control se conforma por personas que se postulan voluntariamente, si estas son elegibles para recibir un programa o tratamiento y son asignadas de manera aleatoria a ambos grupos se evita el problema de sesgo por autoselección¹¹. Si la asignación no es aleatoria en la integración de ambos grupos del diseño experimental, no es posible asegurar la equivalencia inicial de los grupos de tratamiento y de control, lo que acarrea el problema de sesgo por autoselección y, por ende, problemas de validez tanto interna¹² como externa¹³ del diseño (^{Campbell y Stanley, 1973}).

II. Método de estimación

En esta investigación se utilizará el método cuasi-experimental¹⁴, en donde, a través de las diferencias salariales de los grupos de tratamiento y de control¹⁵, previamente construidos, será posible estimar los rendimientos de la ES y de manera particular medir el impacto del empleo informal sobre éstos últimos. La ventaja en este método es que se garantiza la obtención de parámetros insesgados, toda vez que es posible aislar las características observables en ambos grupos y determinar en qué medida son atribuibles las diferencias entre el nivel educativo (tratamiento) y los ingresos salariales (resultado).

Para la obtención de los rendimientos de la ES, se estiman los cuatro efectos propuestos en ^{Heckman, Tobiasy Vytlacil (2000} y ²⁰⁰¹⁾ para la corrección del sesgo por autoselección y la heterogeneidad¹⁶: 1) efecto promedio del tratamiento (ATE), 2) efecto marginal del tratamiento (MTE), 3) efecto del tratamiento sobre los tratados (TT) y 4) efecto promedio del tratamiento local (LATE).

Para la estimación de los cuatro parámetros, el supuesto más importante es que un individuo solo puede obtener un resultado (salario por hora) con y sin un programa de ES, es decir solo puede pertenecer a uno y sólo a uno de los dos grupos. Sea Y₁ la ecuación para el grupo tratamiento (con programa de ES) y Y₀ la ecuación para el grupo de control (sin programa de ES), por lo que sólo una de estas dos variables se observa para cada individuo. Para evaluar el efecto del programa de ES se obtiene la diferencia de Y₁ - Y₀ con base en el siguiente conjunto de ecuaciones:

donde

Es importante destacar que las ecuaciones 1 a 3 serán resueltas en dos etapas (proceso bietápico), siendo la primera de ellas la relacionada con la implementación del modelo probit (ecuación 1) y la segunda relacionada con las regresiones mincerianas (ecuaciones 2 y 3). Considerando lo anterior, la ecuación 1 mide la probabilidad de que los individuos, en la muestra, decidan o no llevar a cabo un programa de ES en función de un conjunto de variables observables contenidas en la matriz Z; en donde, de forma natural, aparece una restricción de exclusión para el conjunto de variables contenidas en X, lo que implica que el mecanismo de elección deberá incluir al menos una variable en Z que no se encuentre en la matriz X.¹⁷ Adicionalmente, la primera etapa es especialmente importante porque permite capturar el efecto del sesgo por autoselección presente en la muestra a través de la variable auxiliar λ. Adicionalmente, las variables dependientes, en las ecuaciones 2 y 3, representan el logaritmo natural del salario por hora con y sin el programa de ES, respectivamente y dependen también de un conjunto de variables¹⁸ contenidas en la matriz X.

Dados los 4 efectos anteriormente citados, a continuación, se explican brevemente sus alcances, destacando su papel en la evaluación del efecto de los programas en poblaciones de interés.

El ATE mide el rendimiento esperado de la intervención cuando un individuo es elegido aleatoriamente dentro de la población elegible dado un conjunto de variables observables contenidas en X = x. Para su estimación se emplea la siguiente ecuación:

Este parámetro resulta útil cuando se busca decidir si un programa/intervención debe ser eliminada o reducida. Con la estimación, se demuestra que es posible ampliar el programa a toda la población que cumplen determinadas características, ya que generalmente un importante número de individuos se encuentran en el límite dispuestos a incorporarse a un programa de ES.

El MTE estima el rendimiento esperado de la intervención para aquellos individuos que se encuentran en el límite de participar en un programa dado un conjunto de variables observables contenidas en X = x y otras variables no observables (subyacentes) contenidas en U_D = u_D. Este parámetro es especialmente útil porque permite demostrar si existen ciertos factores inobservables que influyen en las preferencias de los individuos (de ahí el signo negativo) que les impiden recibir el programa, impidiendo con ello acceder a mayores rendimientos. La estimación de este parámetro es:

donde ρ0 y ρ1 son los coeficientes de correlación, los cuales guardan cierta dependencia con los valores de u_D.¹⁹.

El efecto TT, estima el rendimiento esperado de la intervención para aquellos individuos que efectivamente recibieron la intervención de forma voluntaria. En este caso, el rendimiento esperado está dado por (D = 1), en función de un conjunto de variables observables contenidas en X = x y Z = z. La estimación de este parámetro se encuentra definido en la siguiente ecuación:

donde ϕzθ representa la función de densidad de una variable aleatoria normal estándar y Φ(zθ) representa la función de distribución acumulada. Este parámetro es relevante en el sentido de que demuestra que la intervención registra el impacto esperado (mayor que cero) sobre los ingresos de los individuos que decidieron llevar a cabo el programa de forma voluntaria²⁰, pero menor respecto a la población considerada en el ATE.

El LATE permite medir el rendimiento esperado de la intervención como resultado de cambios en los valores de las variables contenidas en (Z_k). Los cambios o variaciones marginales están definidos de Zθ=zθ a Zθ=z'θ siempre y cuando zθ<z'θ, siendo z y z’ iguales en todo, excepto en el k-ésimo elemento. La estimación de este parámetro se encuentra definido en la siguiente ecuación:

Este parámetro permite simular los efectos esperados (efectos locales) de la intervención, producto de variaciones en las variables que suelen ser determinantes en la decisión de que los individuos lleven a cabo o no el programa. Estos resultados son comparados con los obtenidos en el ATE²¹.

En la sección tres se presentan los resultados obtenidos, después de haber estimado los cuatro parámetros, derivado del proceso en dos etapas.

III. Naturaleza de los datos

A continuación, se muestran las características de la muestra empleada. Para la estimación de los rendimientos de la ES se utilizó información contenida en la Encuesta Nacional de Ingresos y Gastos de los Hogares (^{ENIGH, 2020}), la cual contiene información sobre diferentes características socioeconómicas de los individuos objeto de estudio. Dado que la encuesta no incluye toda la información necesaria sobre las características socioeconómicas de los individuos y que son necesarias en esta investigación, fue necesario construirla a partir de ciertos elementos que si se consideran en dicha encuesta; por ejemplo, no existe la variable relacionada con el empleo informal, salario por hora, experiencia, entre algunas otras que suelen determinar la elección de los individuos a adoptar o no un programa de ES. La construcción de la muestra se realizó tomando en cuenta las siguientes consideraciones:

Con base en los supuestos anteriores, se llegó a una muestra de 12,376 individuos, empleando las siguientes variables para estimar el rendimiento del programa de ES:

Con base en los supuestos y las variables consideradas, a continuación, se muestran las estimaciones de los rendimientos de la ES mediante los cuatro parámetros anteriormente definidos.

IV. Estadísticas descriptivas y resultados de la estimación

A continuación, se presentan las estadísticas descriptivas y las estimaciones obtenidas a partir de las ecuaciones (1)-(3). En la Gráfica 1 se muestra la composición de la muestra empleada por grupos de edad, en la cual se observa que el 48.3% del total de los hijos, que aún viven con sus padres, se concentró en el rango de edad de 22 a 26 años de edad. En este contexto, es importante destacar que en el grupo de tratamiento el ingreso promedio asociado fue al principio menor al resto de los demás grupos, el cual se incrementaba gradualmente conforme se incrementa la edad³² y comienza a reducirse conforme logran rebasar la barrera del rango de edad que va de 62 a 65 años de edad. Los individuos en este rango son más propensos a presentar carencias sociales o algún tipo de vulnerabilidad ya sea social o de ingresos, incluso a llegar a presentar algún tipo de situación de pobreza.

Fuente: Elaboración propia con datos de la ^{ENIGH 2020}.

Gráfica 1 Distribución de individuos por grupo de edad y quintiles 

En Cuadro 1 muestra las estadísticas descriptivas para los grupos de tratamiento y de control, respectivamente. Destaca, por ejemplo, la existencia de diferencias en los promedios salariales entre los grupos, en donde el ingreso es mayor en aquellos individuos que pertenecen al grupo de tratamiento. Se encontró, también, que este grupo cuenta con un menor tamaño del hogar promedio y en donde la escolaridad promedio de los padres es mayor en comparación al grupo de control. Otro hecho importante relacionado con el empleo informal es que el grupo de control cuenta con una proporción mayor de individuos en condiciones laborales de informalidad, mientras que en el grupo de tratamiento dicha proporción representa poco menos de la mitad. Por otra parte, es importante denotar que en el grupo de control el total de años asociados a la experiencia es mucho mayor en comparación con el grupo de tratamiento y en lo único que son similares ambos grupos es en la edad promedio. En conclusión, el Cuadro 1 logra demostrar la existencia de la heterogeneidad en la información relacionada con las características socioeconómicas de los individuos que conforman al grupo de tratamiento y de control, por lo que ésta deberá ser considerada en las estimaciones para evitar obtener estimadores sesgados.

Una vez identificada la heterogeneidad³³ en la muestra empleada, para estimar los rendimientos de la ES sobre los salarios de los hijos, es necesario corregir el sesgo por autoselección mediante el proceso bietápico mencionado anteriormente.

Con base en la información contenida en el cuadro anterior, en el Cuadro 2 se muestran los resultados de la estimación del modelo Probit, en donde las variables empleadas como mecanismo de elección³⁴ son el empleo informal, el ingreso del jefe de familia, y el tamaño del hogar. Tomando en cuenta estos resultados, el modelo econométrico demuestra que los hijos tendrán una mayor probabilidad de llevar a cabo un programa de ES en la medida que sus padres cuenten con un mayor nivel de ingresos salariales y mayor nivel educativo; mientras tanto, la probabilidad se reducirá en la medida que el tamaño promedio de los hogares se incremente y además las actividades laborales de los hijos estén vinculadas estrictamente al mercado informal. Con respecto de la experiencia en el mercado laboral de este grupo de individuos, bajo el enfoque de la primera (experiencia) y segunda derivada (experiencia al cuadrado), se encontró que en la medida que la experiencia se incremente en el tiempo, la probabilidad de adoptar el programa será cada vez menor, mientras tanto, el valor positivo de la experiencia al cuadrado denota que después de cierta edad, la probabilidad de adoptar un programa de ES puede incrementarse marginalmente.

Una vez estimado el probit y habiendo demostrando que las variables contenidas Z determinan la probabilidad de éxito del programa, se procede a estimar la variable auxiliar λ, la cual tiene como objetivo medir el efecto del sesgo por autoselección en el que se incurre al estimar las ecuaciones salariales mincerianas de las ecuaciones 2 y 3. Antes de realizar la estimación de las ecuaciones antes mencionadas, es primordial primero demostrar el efecto de la variable λ en una regresión minceriana que incluya, al mismo tiempo, al grupo de tratamiento y de control. Los resultados de dicha regresión se muestran en el Cuadro 3. En este cuadro destaca la significancia estadística del parámetro asociado a la variable λ en donde, es posible concluir que la heterogeneidad y la autoselección influyen en la diferencia salarial entre ambos grupos, que de no haber sido considerada los resultados de la regresión estarían sesgados.

Una vez demostrado el efecto de la variable λ, corresponde ahora la estimación de las ecuaciones 1 y 2, cuyos resultados se muestran en el Cuadro 4. Para obtener dichos resultados, fue indispensable estimar 2 regresiones de forma independiente, a las cuales les fue incorporado sus respectivos valores de la variable auxiliar λ para así controlar el efecto del sesgo por autoselección. Las ecuaciones salariales miden el efecto que tiene las variables independientes consideradas sobre los ingresos salariales de los hijos. En ambas estimaciones fue posible demostrar que la variable auxiliar es estadísticamente significativa, por lo que existe evidencia suficiente para soportar que, de no controlarse la heterogeneidad y la autoselección, los estimadores por MCO estarían sesgados.

Para obtener los rendimientos de la ES en México, se calculan los efectos de los cuatro parámetros de interés: ATE, TT, MTE y LATE. El Cuadro 5 muestra los efectos esperados del tratamiento para el grupo de individuos tomados en cuenta en la muestra. El cuadro muestra que el ATE por un año³⁵ adicional de ES es aproximadamente del 6.09% para individuos que son tomados de forma aleatoria de la muestra. Por otra parte, el rendimiento por año adicional para un individuo que efectivamente recibió el tratamiento (TT) fue de 2.09%. Estos resultados demuestran que la implementación de un programa de ES trae consigo rendimientos positivos y en promedio más altos respecto a aquellos individuos que cuentan con un menor nivel educativo. Mientras tanto, el signo negativo del MTE demuestra que los individuos cuentan con externalidades contenidas en u _D que inciden sobre sus preferencias, impidiendo con ello no recibir el tratamiento y registrando con ello rendimientos menores. Como se demostrará más adelante, en el caso de los individuos con empleo informal, tanto en el grupo de tratamiento y de control, es deseable identificar aquellas externalidades, además de las evidentes barreras de acceso del mercado laboral mexicano, que impiden a este grupo de personas poder adoptar un programa de ES que abra la posibilidad de acceder a un mayor ingreso a lo largo de su ciclo de vida productivo.

En el Cuadro 6 se muestran los rendimientos esperados del programa como resultado de los cambios marginales (generalmente un incremento equivalente a una unidad) implementados en las variables contenidas en Z _k (número de años de educación de los padres, en el tamaño del hogar y en el empleo informal). Para simular los efectos locales en estas variables, resulta necesario tomar como base el valor del parámetro ATE. Derivado de lo anterior, en el Cuadro 6 se logra demostrar que, si la educación de la madre se incrementara marginalmente, además de aumentar la probabilidad de que el hijo decida participar en el programa de ES, también se incrementan los rendimientos del salario del hijo en 0.29 puntos porcentuales más, pasando de 6.09% del ATE a 6.38% en el efecto local.

Lo mismo sucede cuando se incrementa marginalmente la educación del padre, permitiendo que el hijo logre obtener un mayor rendimiento en 0.15 puntos porcentuales más, pasando de 6.09% del ATE a 6.24% en el efecto local. En lo que respecta al efecto relacionado con el tamaño del hogar, se encontró que en la medida que el número de miembros en el hogar se incremente, se impactará negativamente (0.53 puntos porcentuales menos) en los rendimientos de la ES, pasando de 6.09% del ATE a 5.56% en el efecto local. Finalmente, dada la relación inversa entre empleo informal y la probabilidad de adoptar el programa de ES, se encontró que, ante un incremento marginal en el empleo informal, los rendimientos de la ES se reducen de forma importante en 1.83 puntos porcentuales menos, pasando de 6.09% del ATE a 4.26% en el efecto local.

Para comprobar la robustez (validez interna y externa) de las estimaciones obtenidas en los apartados anteriores, el Cuadro 7 y el Cuadro 8 (Anexo) muestran el rendimiento de la ES a partir de una submuestra, la cual no toma en cuenta a la población de mujeres.

Los resultados en los cuadros anteriores demuestran que cuando se emplea una muestra más pequeña, los rendimientos también tienden a ser menores y viceversa. La implicación más importante en este sentido es que no cambia el sentido de las estimaciones.

Conclusiones

Uno de los resultados más importantes en esta investigación fue haber demostrado que, ante un incremento marginal en el empleo informal, los rendimientos de la ES se reducen en forma importante en 1.83 puntos porcentuales menos, pasando de 6.09% del ATE a 4.26% en el efecto local, siendo el impacto con el valor más alto dentro de los efectos locales de interés. Por esta razón y en vista de que también se demostró que la ES acarrea rendimientos positivos y en promedio más altos en comparación a aquellos individuos con menor nivel educativo, se sugiere la creación de políticas públicas encaminadas a reducir las brechas de desigualdad en materia laboral tales como el salario, prestaciones, así aquellas asociadas a las barreras de acceso al mercado laboral. De igual forma, dichas políticas públicas deberán estar encaminadas a promover la asignación de apoyos directos (como un seguro de desempleo) que incentiven la participación de un mayor número de mujeres en el ámbito educativo y/o de capacitación.

Otro de los resultados de interés fue el relacionado con el parámetro ATE, en donde se logró encontrar que el rendimiento promedio por año adicional de ES fue de 6.09% para un individuo tomado aleatoriamente de la muestra. También se encontró que el rendimiento esperado por año adicional para un individuo que efectivamente recibió el tratamiento (TT) fue de 2.09%. Ambos resultados, además de registrar un rendimiento mayor que cero, también muestran que es factible ampliar el programa a ciertos sectores de la población que cuenten con ciertas características socioeconómicas, impactando con ello su bienestar económico.

En este tipo de estudios es interesante demostrar la existencia de fenómenos subyacentes que pudieran impedir a un cierto grupo de individuos adherirse y formar parte de un programa. Para esto, fue posible estimar el parámetro MTE, registrando un valor equivalente al -0.457%. Este resultado permite concluir la existencia de externalidades, las cuales impactaron las preferencias de los individuos, reduciendo con ello la probabilidad de participar en el programa (no participan), cuya principal implicación es la obtención de menores rendimientos de la ES y con ellos gozar de un menor bienestar económico.

Por último, con respecto de los resultados de las estimaciones del LATE³⁶, al simular los impactos esperados (efectos locales del programa), producto de variaciones en las variables de interés, se logró demostrar que, si el nivel educativo de la madre se incrementaba marginalmente, los hijos, además de tener mayor probabilidad de participar en un programa de ES, también se lograba incrementar el rendimiento de la ES en 0.29 puntos porcentuales, cambiando de 6.09% del ATE a 6.38% en el efecto local. Algo similar sucedió cuando se incrementaba el nivel educativo del padre, ya que el rendimiento de la ES aumentó en 0.15 puntos porcentuales, cambiando de 6.09% del ATE a 6.24% en el efecto local. Finalmente, en lo que respecta al efecto relacionado con el tamaño del hogar, se encontró que en la medida que el número de miembros en el hogar se incremente, se impactará negativamente (0.53 puntos porcentuales menos) en los rendimientos de la ES, cambiando de 6.09% del ATE a 5.56% en el efecto local.