Como se manifestó anteriormente, al no ser construidos aleatoriamente tanto los grupos de tratamiento como de control, existe un sesgo de selección en la decisión de participar, siendo necesario aplicar controles estadísticos. Esto implica analizar que la variable de tratamiento no está correlacionada con el término de error de la ecuación de
la variable de resultado (endogeneidad), garantizando que se han omitido variables ob- servables capaces de explicar la diferencia ente el grupo de tratamiento y comparación.
En efecto, en el Apéndice No. 8, se aprecia los Resultados del Análisis de Correla- ción entre la variable binaria (programa dual) sobre el resto de las variables explicativas definidas en la investigación, observando que tienen correlaciones muy pequeñas. Por lo tanto, esto garantiza que en efecto las muestras seleccionadas para el programa dual y tradicional no están siendo afectadas por algunas otras características exógenas, garantizado el efecto exclusivo del programa sobre el impacto total. Además, se analizó multicolinealidad, dando como resultado un Factor de la Inflación de la Varianza - VIF = 1.49
Así mismo, una de las metodologías que permite abordar el problema de sesgo de selección y la inferencia causal usando diseños cuasi experimentales, y que se aplica cada vez más en la comunidad de evaluación de políticas, programas o proyectos,
es el método de estimador de emparejamiento (matching) que incluye el Propensity
Score Matching, mediante un modelo de regresión probit. Según se aprecia en la Tabla
No.35, el modelo se muestra significativo en su conjunto, tanto en el análisis de las variables salario y el tiempo que se toma el egresado en insertarse en el mercado
laboral. Los respectivos ajustes de los datos son normales y significativos, con un
Pseudo igual a 0.463 para las dos variables.
De esta manera, los resultados indican que aproximadamente el 46.3% de la variabilidad de la variable en mención, puede ser explicada por las variables incluidas en el modelo, como se estima en los Apéndices No 9 y No. 13. Resultado del PSM: salidas de Stata variable salario y tiempo inserción laboral.
También se observa en la Tabla No. 35, que los signos de las variables planteadas son los esperados para los análisis. Por otro lado, se aprecia que sólo 3 de 16 variables, resultan ser estadísticamente significativas a un nivel del 1%, 5% y 10%, entre las que se encuentra las notas de graduación, género femenino y el título de bachiller en cien- cias exactas. Asimismo, se aprecia la probabilidad o propensión de que un egresado participe en el programa dual mediante características observables (variables explica- tivas). En este caso la probabilidad de que un egresado participe en el programa dual es menor si es mujer, con un bachillerato en ciencias exactas y de participación alta cuando el egresado tiene mejores notas.
De acuerdo a Méndez, Hernández & Carreño (2011) Uyaguari Sisalima & Matute Cárdenas (2014), y Caliendo & Kopeinig (2005), y Dehejia, H. Wahba (2016) en la estimación del propensity score se puede llegar a incluir variables con bajo poder explicativo, esto para lograr la mayor calidad en el emparejamiento entre grupos de tratamiento y grupos de comparación, que se busca que sean lo más semejantes posi- ble. Sin embargo, el bajo poder explicativo del modelo también podría ser atribuido a la presencia de factores no observables relevantes que afecten la decisión de participar en el programa.
Tabla 35. Resultado de la Estimación Propensity Score. Variable: Salario y Tiempo de Inserción Laboral
Variable dependiente Programa DHLA = 1
Variables explicativas / características Coeficiente Std. Error
Nota graduación 0.225 *** 0.025
Género es femenino =1 -0.579 ** 0.233
Estado civil casado = 1 0.226 0.22
Experiencia (años) -0.022 0.064
Bachiller Ciencias Sociales = 1 0.457 0.875 Bachiller Ciencias Exactas = 1 -0.497 * 0.29 Bachiller Ciencias Técnicas = 1 0.637 0.444
Tipo vivienda media agua = 1 0.103 0.828
Tipo vivienda casa o villa = 1 0.173 0.74
Vive en la zona rural = 1 -0.43 0.284
Proviene de la provincia del Azuay = 1 0.279 0.488 Proviene de la provincia del Cañar = 1 -0.462 0.752 Proviene de la provincia de El Oro = 1 1.181 0.759 Proviene de cualquier otra provincia = 1 0.855 1.499 Trabaja sector de servicios = 1 0.031 0.25 Trabaja sector comercial = 1 -0.313 0.298
Constante -19.03 *** 2.269
Number of obs 318
LR chi2(16) 185.35
Prob > chi2 0
Pseudo R2 0.463
Nota *** Sign: 1%; ** Sign: 5%; * Sign: 10%
Nota: Regresión Probit. La variable dependiente equivale a 1 si el individuo está en el programa DHLA y 0 en el caso contrario. Los coeficientes representan la contribución de cada variable explica- tiva/característica a la probabilidad de que un individuo este en el programa DHLA.
Fuente: Elaboración propia en base a EIEMDUC y EIEMTUC
Por otro lado, la validez del PSM depende de que se disponga de una región consi- derable de soporte común en la distribución de las puntuaciones de propensión de las observaciones. En los Gráficos 52 y 53, se muestra que la región común, tanto de la variable salario como del tiempo de inserción laboral de los egresados, se encuentra localizada entre 0,00024 y 0,99990. En este rango, se han conformado 5 bloques, lo que asegura que la media de las puntuaciones de propensión no es diferente entre los grupos de tratamiento y de comparación para cada uno de los bloques, definiendo un emparejamiento aceptable y apropiado.
Además, se puede observar que tanto el grupo de tratamiento (DHLA) y el grupo de control (Tradicional), están en una misma área de soporte común (lo que se inda- gaba). Esto permite realizar un emparejamiento adecuado de acuerdo con los bloques conformados.
Gráfico 52. Histograma de Puntuación de la Propensión Estimada
Fuente: Elaboración propia en base a EIEMDUC y EIEMTUC Gráfico 53. Densidades Estimadas sobre la Puntuación de Propensión
Fuente: Elaboración propia en base a EIEMDUC y EIEMTUC
De acuerdo con la metodología del PSM, en los Apéndices No. 10, 11, 12, 14, 15 y 16 se presentan los resultados del Efecto Medio del Tratamientosobre los Tratados
(ATT) de las dos variables de interés: salario y el tiempo de inserción laboral, que,
de acuerdo con la investigación, es el efecto promedio de participar en el Programa DHLA sobre estas variables. Es decir, se busca comprobar que la diferencia de los re- sultados (salario y tiempo de inserción laboral de los egresados) son estadísticamente diferentes. Para el efecto, se han utilizado tres técnicas de emparejamiento basados en el propensity score, como son el Vecino más cercano, Radius matching y el Kernel matching; los resultados de cada método y análisis de cada variable de impacto se presenta en las Tablas 36 y 37.
Tabla 36. Resultados de las Estimaciones ATT Variable Salario
Algoritmo TratamientoN. ControlN. (Efecto Medio de Tratamiento)ATT
Vecino más cercano 103 36 380.757*** (84.536) Radius Matching 103 172 342.600*** (47.306) Kernel Matching 103 172 374.406*** (51.955)
Nota: *** Sign: 1%; ** Sign: 5%
Fuente: Elaboración propia en base a EIEMDUC y EIEMTUC
En la Tabla No.36, se aprecia un ATT positivo y estadísticamente significativo al 1% en los tres métodos, lo que lleva a deducir que existe un impacto significativo sobre los salarios de los egresados de la DHLA.
El método del vecino más cercano registra el mayor impacto, lo que indica que los que recibieron el programa DHLA mejoran sus salarios en promedio de $ 380.75 USD más, con respecto a los que no recibieron el programa DHLA. Esto representa un impac- to del 54% más con respecto al salario promedio de los egresados de la Tradicional ($ 700 USD). Así mismo, con el método Kernel matching, se registra un impacto del 53.4% más con respecto al salario promedio de los egresados de la Tradicional ($ 700 USD). Es decir, mejoran en $ 374.40 USD los salarios promedios de quienes acogieron el pro- grama DHLA. Por último, el método Radius matching muestra que los que recibieron el programa DHLA también mejoran sus salarios promedio en $342.60 USD. Es decir, el impacto es inferior al 49% más con respecto al salario promedio de los egresados de la Tradicional ($700 USD), y también en comparación con los dos métodos anteriores.
En lo que respecta a la variable tiempo de inserción laboral, en la Tabla No. 37 se tiene que el ATT de los tres algoritmos son negativos y estadísticamente significativos al 1% y 5%, respectivamente.
Tabla 37. Resultados de las Estimaciones ATT Variable Tiempo Inserción Laboral
Algoritmo TratamientoN. ControlN. (Efecto Medio de Tratamiento)ATT
Vecino más cercano 103 36 -2.223 ** (1.162) Radius Matching 103 172 -2.021 *** (0.506) Kernel Matching 103 172 -1.829 *** (0.545)
Nota: *** Sign: 1%; ** Sign: 5%
Si se analiza el método de Kernel Matching, éste presenta un impacto mayor con respeto a los dos anteriores, lo cual significa que a los que recibieron el programa DHLA les toma en promedio 1 mes 24 días insertarse en el mercado laboral luego de egresar de la universidad en referencia al promedio de los que no recibieron el progra- ma (4 meses). Por otro lado, en los algoritmos como el Vecino más cercano y Radius matching, se aprecia en el ATT que el impacto es menor. Es decir, a los que recibieron el programa DHLA les toma en promedio de 2 meses a 2 meses 6 días insertarse en el mercado laboral, casi la mitad de tiempo con respecto al promedio de los que no recibieron el programa (4 meses).