Explorando qué cosas afectan la experiencia laboral de las personas
En el mundo del trabajo de hoy, que cambia rápidamente, es muy importante entender qué cosas hacen
que las personas tengan más o menos experiencia laboral. Este estudio intenta explorar esto usando
estadísticas.
Tener más experiencia laboral es clave tanto para el desarrollo profesional de las personas como para
las decisiones de contratación de las empresas. También ayuda a entender mejor cómo funciona el
mercado laboral. Por eso, en este estudio analizamos datos reales para identificar los factores que más
parecen afectar los años de experiencia laboral que tiene la gente.
Creemos que cosas como el salario, la experiencia previa y la edad probablemente afectan cuánta
experiencia se acumula en el trabajo. Usamos estadísticas avanzadas para estudiar cómo interactúan
estos factores entre sí y obtener una visión más completa.
La solidez de este análisis estadístico se basa en lo precisos que son los resultados y en el proceso
detallado que seguimos para mejorar el modelo una y otra vez. También elegimos variables específicas
para estudiar según lo que dice la investigación existente, para asegurarnos que el estudio tiene una
buena base teórica y resultados válidos.
El propósito no es sólo identificar qué cosas importan más para la experiencia laboral, sino también
proveer información útil para guiar decisiones de empresas y políticas gubernamentales sobre empleo.
Años de experiencia = β0 + β1⋅Salario + β2⋅Horas de trabajo + β3⋅Educación + β4⋅Experiencia + β5⋅Edad
+U
Donde:
Años de experiencia es la variable dependiente.
β0 es la intersección o término constante.
β1: Impacto del salario en los años de experiencia.
β2: Impacto de las horas de trabajo en los años de experiencia.
β3: Impacto de la educación en los años de experiencia.
β4: Impacto de la experiencia previa en los años de experiencia.
β5: Impacto de la edad en los años de experiencia.
Captura de STATA
Se procede a eliminar variables estadísticamente no significativas mediante el uso de hipótesis.
Hipótesis Nula (H0):
No hay relación significativa entre las variables independientes y el cociente intelectual (IQ).
Matemáticamente hablando.
Hipótesis Alterna (H1):
Al menos una de las variables independientes tiene un impacto significativo en el cociente intelectual
(IQ).
1. wage (Salario):
Coeficiente: 0.0012039
Significación: p=0.004
Interpretación: Existe una relación positiva significativa entre el salario y los años de
experiencia. Cada aumento de una unidad en el salario se asocia con un aumento de
0.0012 en los años de experiencia.
2. hours (Horas de trabajo):
Coeficiente: -0.0353509
Significación: p=0.108
Interpretación: Aunque el coeficiente es negativo, la relación no es estadísticamente
significativa (p>0.05). Por lo tanto, no hay evidencia suficiente para afirmar que las
horas de trabajo tienen un impacto significativo en los años de experiencia en este
modelo.
3. educ (Educación):
Coeficiente: 0.0238488
Significación: p=0.790
Interpretación: La relación entre la educación y los años de experiencia no es
significativa (p>0.05). No hay evidencia suficiente para afirmar que el nivel educativo
tiene un impacto significativo en los años de experiencia en este modelo.
4. exper (Experiencia previa):
Coeficiente: 0.1810189
Significación: p=0.000
Interpretación: Existe una relación positiva significativa entre la experiencia previa y los
años de experiencia. Cada aumento de una unidad en la experiencia previa se asocia con
un aumento de 0.181 en los años de experiencia.
5. age (Edad):
Coeficiente: 0.2933945
Significación: p=0.000
Interpretación: Existe una relación positiva significativa entre la edad y los años de
experiencia. Cada aumento de una unidad en la edad se asocia con un aumento de
0.293 en los años de experiencia.
6. _cons (Término constante):
Coeficiente: -4.486067
Significación: p=0.036
Interpretación: El término constante representa los años de experiencia cuando todas
las variables independientes son cero. En este caso, el valor de -4.486067 no tiene una
interpretación práctica directa, pero su significancia (p<0.05) indica que el modelo no se
ajusta a una línea que pase por el origen.
Conclusión:
Las variables significativamente correctas son el salario (wage), la experiencia previa (exper), y la
edad (age), ya que sus coeficientes son significativos (p<0.05).
Las horas de trabajo (hours) y la educación (educ) no son significativamente correctas en este
modelo, ya que sus coeficientes no son estadísticamente diferentes de cero (p>0.05).
El modelo final quedaría así:
Análisis Actualizado:
1. wage (Salario):
Coeficiente actualizado: 0.0012555
Significación: p=0.002
Interpretación: La relación entre el salario y los años de experiencia sigue siendo
positiva y significativa (p<0.05). Cada aumento de una unidad en el salario se asocia con
un aumento de 0.00126 en los años de experiencia.
2. exper (Experiencia previa):
Coeficiente actualizado: 0.1801195
Significación: p=0.000
Interpretación: La relación positiva y significativa entre la experiencia previa y los años
de experiencia se mantiene. Cada aumento de una unidad en la experiencia previa se
asocia con un aumento de 0.180 en los años de experiencia.
3. age (Edad):
Coeficiente actualizado: 0.2907236
Significación: p=0.000
Interpretación: La relación positiva y significativa entre la edad y los años de experiencia
también se mantiene. Cada aumento de una unidad en la edad se asocia con un
aumento de 0.291 en los años de experiencia.
4. _cons (Término constante):
Coeficiente actualizado: -5.668503
Significación: p=0.001
Interpretación: El término constante, que representa los años de experiencia cuando
todas las variables independientes son cero, sigue siendo significativo (�<0.05p<0.05).
Referencias Bibliográficas:
Gujarati, D. & Porter, D. (2010). Econometría. México: McGraw Hill. 5.ª edición.
Ochoa, O. (2023). Guía didáctica de Econometría Básica. Ediloja. UTPL.
Stock, J. & Watson, M. (2020). Introducción a la econometría. 4.ª edición. Pearson Education. Madrid.
Wooldridge, J. (2015). Introducción a la econometría. 5.ª edición. Cengage Learning. México.
http://fmwww.bc.edu/ec-p/data/wooldridge/datasets.list.html
