Efectos de los ingresos no reportados en el nivel y tendencia de la pobreza laboral en México
Keywords:
Ingreso laboral, Ingreso no reportado, Imputación, Pobreza, DesigualdadAbstract
En México, en los últimos años, la proporción de trabajadores remunerados que no declara ingresos ha aumentado. Si la población que no declara ingresos es una muestra aleatoria o bien la composición de la misma no cambia, esto no afectaría la tendencia en el ingreso promedio de la población o en las mediciones de pobreza y desigualdad. Sin embargo, eso no se cumple para México, ya que la proporción con ingresos inválidos y educación superior era de 20% en 2005 y para 2012 era de 39%. En este artículo, se analiza la corrección de ingresos inválidos por medio de métodos de imputación. Se encuentra que el cálculo del ingreso es robusto para los diferentes métodos. Para 2012, se encuentra que el ingreso individual promedio con imputación es mayor en 4% que el reportado, y la desigualdad con imputación es 2.4% mayor que la observada. Asimismo, mientras que el ingreso familiar per cápita reportado en el periodo 2005-2012 ha caído cerca de 15% en términos reales, el ingreso familiar per cápita verdadero no muestra cambios sustanciales. La medición oficial de la pobreza laboral indica un crecimiento de la misma de 42% a 53%, en el periodo 2005-2012; pero la pobreza con ingresos imputados aumentó de 36% a 40%, un incremento mucho menor al observado. Los resultados sugieren la conveniencia de que las instituciones tomen en cuenta los ingresos no reportados, y que reporten estadísticas tanto con como sin corrección por esos ingresos.
Clasificación JEL: C10; D63; I30; I32; O54.
Downloads
References
Allison, P. D. (2001). Missing Data. Beverly Hills, California: Sage Publications.
Allison, P. D. (2012). Modern Methods for Missing Data. Disponible en internet http://www.amstat.org/sections/srms/webinarfiles/ModernMethodWebinarMay2012.pdf, último acceso 28 de junio de 2013.
Andridge, R. R. y Little, R. J. A. (2010), “A Review of Hot Deck Imputation for Survey Non-response”. National Institutes of Health, 78(1), 40-64.
Caliendo, M., y Kopeinig, S. (2008). “Some Practical Guidance for the Implementation of Propensity Score Matching”. Journal of Economic Surveys, 22(1), 31-72.
Cameron, A. C. y Trivedi, P. K. (2005). Microeconometrics Methods and Applications. New York: Cambridge University Press.
Chernick, M. R. (2008). Bootstrap methods: A guide for practitioners and researchers. Segunda edición, Hoboken, New Jersey: Wiley-Interscience.
CONEVAL (2010). “Tendencias Económicas y sociales de corto plazo y el Índice de la tendencia laboral de la pobreza (ITLP)”. Consejo Nacional de Evaluación de la Política de Desarrollo Social. México: Gobierno Federal. Disponible en: http://www.coneval.gob.mx/cmsconeval/rw/resource/coneval/med_pobreza/TendencialaboralpobrezaCONEVAL.pdf?view=true, último acceso diciembre 12, 2012.
CONEVAL (2012). “Tendencias Económicas y sociales de corto plazo. Resultados Nacionales. Noviembre 2012”. Consejo Nacional de Evaluación de la Política de Desarrollo Social. México: Gobierno Federal. Disponible en: http://web.coneval.gob.mx/Informes/ITLP/TERCER%20TRIMESTRE%202012/ITLP%20NACIONAL%20noviembre%202012.pdf, último acceso diciembre 12, 2012.
Di Nardo, J., Fortin, N. M. y Lemieux, T. (1996). “Labor market institutions and the distribution of wages, 1973-1992: A semiparametric approach”. Econometrica, 64(5), 1001-1044.
Durrant, G. B. (2005). “Imputation Methods for Handling Item-Nonresponse in the Social Sciences: A Methodological Review”. National Centre for Research Methods Working Paper Series.
ENIGH (2010). Encuesta Nacional de Ingreso-Gasto de los Hogares en México. Instituto Nacional de Estadística, Geografía e Informática (INEGI). México.
ENOE (2012). Encuesta Nacional de Ocupación y Empleo. Instituto Nacional de Estadística, Geografía e Informática (INEGI). México.
Haitovsky, Y. (1968). “Missing data in regression analysis”. Journal of the Royal Statistical Society, Series B, 30, 67-82.
Heckman, J. J. (1979). “Sample selection bias as a specification error”. Econometrica, 47(1), 153-161.
Humphries, M. (2012). Missing Data & how to deal: an overview of missing data. Disponible en: http://www.utexas.edu/cola/centers/prc/_files/cs/Missing-Data.pdf, último acceso 28 de junio de 2013.
INPC (2012). Índice Nacional de Precios al Consumidor. Banco de México. México.
Kennickell, A. B. (1998). “Multiple Imputation in the Survey of Consumer Finances”. Working Paper, Board of Governors of the Federal Reserve System. Washington, D.C.
Leuven, E. y Sianesi, B. (2012). PSMATCH2: Stata Module to perform full Mahalanobis and propensity score matching, common support graphing, and covariate imbalance testing. Disponible en: http://ideas.repec.org/c/boc/bocode/s432001.html, último acceso en diciembre 12, 2012.
Little, R. J. A. (1988). “Missing-data adjustments in large surveys”. Journal of Business and Economics and Statistics, 6(3), 287-296.
Little, R. J. A. y Rubin, D. B. (2002). Statistical Analysis with Missing Data. 2a edición. Wiley-Interscience,
Mander, A. y Clayton, D. (2007). HOTDECK: Stata Module to impute missing values using the hotdeck method. Disponible en: http://ideas.repec.org/c/boc/bocode/s366901.html, último acceso en diciembre 12, 2012.
Rodríguez-Oreggia, E. (2012). “Índice de la tendencia laboral de la pobreza. Consideraciones sobre adiciones al grupo de trabajadores con ingreso reportado”. Mimeo.
Rosenbaum, P. R., y Rubin, D. (1983). “The Central Role of the Propensity Score in Observational Studies for Causal Effects”. Biometrika, 70(1), 41-55.
Rubin, D. B. (1976). “Inference and missing data (with discussion)”. Biometrika, 63, 581-592.
Rubin, D. B. (1996). “Multiple Imputation After 18+ Years”. Journal of the American Statistical Association, 91(434), 473-489.
Rubin, D. B. (2004). Multiple Imputation for Nonresponse in Surveys. Wiley-Interscience.
Rubin, D. B., y Schenker, N. (1986). “Multiple imputation for interval estimation from simple random samples with ignorable non-response”. Journal of the American Statistical Association, 81(394), 366-374.
Rubin, D. B. y Thomas, N. (1986). “Matching Using Estimated Propensity Score: Relating Theory to Practice”. Biometrika, 52(1), 249-264.
Schafer, J. L. (1997). Analysis of Incomplete Multivariate Data. London, Champman and Hall.
West, S., Butani, S. y Witt, M. (1990) "Alternative Imputation Methods for Wage Data". Proceedings of the Section on Survey Research Methods, American Statistical Association, 254-259.
Zhang, P. (2003). “Multiple Imputation: Theory and Method”. International Statistics Review, 71(3), 582-592.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2013 Raymundo M. Campos Vázquez
This work is licensed under a Creative Commons Attribution 4.0 International License.
