Introducción

Para ^{Schultz (1961)} la mayor inversión en capital humano es aquella en la que los individuos aumentan sus capacidades en el sector productivo por medio de una mayor escolaridad. De esta manera la educación superior es una variable que permite explicar en gran medida el crecimiento y el desarrollo de las economías. Por otra parte, el ingreso asociado con la educación afecta de manera directa el bienestar económico (función de utilidad indirecta) de los individuos;¹ este ingreso permite explicar, en cierta medida, las condiciones asociadas con los diferentes estratos de pobreza prevalecientes en México como puede verificarse en ^{Alonzo (2004)} .

La principal contribución de esta investigación consiste en demostrar que la educación superior (ES) afecta positivamente el ingreso de los individuos. Además, se determina los factores observables e inobservables relacionados con el entorno familiar y económico que influyen en la decisión de los individuos de participar o no un programa de ES. Esta investigación permite además obtener la tasa de rendimientos de la ES en función de la intensidad con que dichos factores se presentan.

Con base en el modelo de capital humano de ^{Mincer (1974)} , el presente artículo pretende evaluar el efecto de la educación en los ingresos de los egresados a lo largo de su ciclo de vida. Este modelo proporciona la base teórica para el estudio de los salarios en función de variables que incrementan la productividad de los individuos. A partir de los trabajos de ^{Schultz (1961)} y ^{Becker (1962} y ^{1964) 2} se ha presentado un importante número de contribuciones en la estimación de rendimientos de la inversión en capital humano,³ cuyos resultados demuestran que la escolaridad de los individuos es un determinante fundamental de los ingresos.

Existe una gran cantidad de estudios que realizados en muchos países respecto a los rendimientos de la educación, entre los que se destacan: ^{Hansen (1963)} , ^{Hanoch (1967)} , ^{McMahon (1991)} , ^{Psacharopoulos (1993)} , ^{Ashenfelter y Krueger (1994)} , ^{Altonji (1993)} , ^{Altonji y Dunn (1996)}, ^{Harmon y Walker (1995)} , ^{Alba-Ramírez y San Segundo (1995)} , ^{Cohn y Addison (1998)} , ^{Card (1999)} , ^{Asplund y Pereira (1999)} , ^{Card (2000)}, ^{Harmon, Walker y Westergaard-Nielsen (2001)}, Walker y Westergaard-Nielsen (2001), ^{Carneiro, Heckman y Vytlacil (2001)} , ^{Psacharopoulos y Patrinos (2002)}, ^{San Segundo y Valiente (2003)}, ^{Harmon, Oosterbeek y Walker (2003)}, ^{Carneiro, Hansen y Heckman (2003)}, ^{Arrazola, De Hevia, Risueño y Sanz (2003)} , y ^{Moffitt (2007)} , entre otros. Para el caso de México existen varias estimaciones de los rendimientos de la educación, por ejemplo: ^{Carnoy (1967)} afirma que las distintas escolaridades explican de manera congruente las diferencias salariales entre los trabajadores mexicanos. Este autor obtiene rendimientos de 21% para la escolaridad de dos a cuatro años, 48.6% para cinco a seis años, 36% para siete a ocho años, 17.4% para nueve a 11 años, 15.8% para 12 a 13 años y, por último, 36.7% para 14 a 16 años.

Por otra parte, ^{Bracho y Zamudio (1994)} , empleando una ecuación minceriana y datos de la ENIGH (1989), calculan las tasas de rendimiento privadas a la educación en México para la población en general, distinguen por género, tipo de residencia y efectos generacionales. Estos autores estiman un rendimiento de 11.7% por cada año adicional de escolaridad. Asimismo, ^{Rojas, Angulo y Velásquez (2000)} , con una ecuación minceriana y datos de la ENIGH (1992), estiman la función de ingreso salarial y proyectan el ciclo de vida de acuerdo con el grado de escolaridad alcanzado por el individuo. Estos autores concluyen que la mayor escolaridad está asociada a mayores ingresos salariales, por lo que un universitario graduado percibe, en promedio, un salario 78% superior al de una persona sin escolaridad. ^{Barceinas (2001)} analiza la relación ingresos-educación en México mediante el cálculo de las tasas de rentabilidad de la educación a partir de la ENIGH (1994 y 1996). Barceinas emplea métodos como: i) el directo, ii) ecuación minceriana y iii) el método elaborado; en el caso de la ecuación minceriana encuentra un rendimiento que varía entre 13.7 y 15.2 por ciento.

Por su parte, ^{Sarimaña (2002)} , a partir de datos de la ENIGH (1998), estima los rendimientos de la escolaridad con el método de variables instrumentales (VI). Las estimaciones muestran que la tasa de rendimiento de la escolaridad aumenta una vez que se considera la educación como variable endógena. La tasa de rendimiento marginal promedio de la escolaridad estimada por este autor es de 13.2% con el método de VI y 11.04% con mínimos cuadrados ordinarios (MCO). ^{Del Razo (2003)} resalta que tanto para hombres como para mujeres la tasa de rendimiento de la educación es mayor para los profesionistas en comparación con otras ocupaciones que requieren una menor escolaridad; encuentra, por ejemplo, que en 1994 las mujeres ganan 25.32% menos que los hombres (0.2920 puntos logarítmicos), y para 2001 la brecha de ingresos se ha ampliado a 27.1% (0.3160 puntos logarítmicos) con escolaridad similar. ^{Rodríguez-Oreggia (2004)} calcula los rendimientos de la escolaridad en varias regiones empleando el método de dos etapas de Heckman y concluye que los rendimientos educativos aumentan al final del decenio de los ochenta, pero decrecen después del periodo 1993-1994. Este autor estima una tasa de rendimiento promedio a lo largo de ese periodo equivalente a 9.12 por ciento.

^{López-Acevedo (2004)} extiende el modelo de Mincer añadiendo variables tales como región, sector y status en el mercado de trabajo para calcular los rendimientos a la educación en México en el periodo 1988-2002 con base en la Encuesta Nacional de Empleo Urbano (ENEU). También mediante la metodología de quantile regression concluye que las diferencias educativas explican la mayor parte de la desigualdad en México. Para ese periodo, López-Acevedo muestra que la tasa de rendimiento de la educación terciaria pasa de un poco más de 6% en 1988 a 10% en 2002. ^{Ordaz (2007)} muestra la estrecha relación que se establece entre la escolaridad de la fuerza de trabajo y las mayores oportunidades de emplearse, así como a accesar a mayores ingresos. Este autor obtiene una tasa de rendimiento para la educación superior (licenciatura) equivalente a 9% aproximadamente en 2005.

Por otra parte, ^{Card (1999)} en su análisis de medición de los rendimientos de la educación sostiene que el estimador de MCO, resultado de una ecuación salarial "Minceriana", presenta dos sesgos importantes: el primero atribuido a la correlación entre la escolaridad y la pendiente de la función de ingresos y, el segundo, relacionado con las habilidades de los individuos cuyo efecto es capturado por el intercepto de la regresión y éste se correlaciona con la escolaridad. Este autor propone incorporar al modelo econométrico variables instrumentales⁴ para tratar parcialmente ambos sesgos. Sin embargo, en su trabajo este problema no se resuelve completamente. Para enmendar dicha limitación, esta investigación emplea el proceso bietápico sugerido por ^{Heckman, Tobias y Vytlacil (2000)} y (2001), el cual considera los problemas descritos y en particular los problemas de sesgo relacionados con la autoselección y la heterogeneidad de los individuos.

Aunado a lo anterior, de acuerdo con ^{Diez de Medina (1992)} , el problema de sesgo por autoselección es común en la evaluación del impacto de un programa. Este problema surge cuando la extracción de una muestra no se realiza con la misma probabilidad para todos sus elementos, ya sea por la forma de extracción de la muestra o por las características de los individuos estudiados, o ambas. En el muestreo aleatorio se cuenta siempre con la información de la probabilidad a priori de extracción de cada individuo en la muestra, por lo que de existir igual probabilidad, una mayor muestra brindará mejores estimaciones. Esto implica que si la muestra no es aleatoria, sólo es posible describir características de la muestra pero no de la población.⁵

^{Diez de Medina (1992)} considera que a diferencia del diseño experimental, en donde el grupo de control está conformado por individuos que se postulan voluntariamente, el diseño cuasi-experimental conforma un grupo de control con datos externos⁶ al programa. Dado que no existe ningún tipo de asignación aleatoria en la conformación de ambos grupos (control y tratamiento) en este diseño, no es posible asegurar la equivalencia inicial de los grupos, lo que trae como consecuencia de manera evidente el problema de sesgo por autoselección y la presencia de posibles problemas de validez tanto interna⁷ como externa⁸ del diseño empleado.

Para evaluar el impacto de los rendimientos de la ES en la presente investigación se empleó el método cuasi-experimental⁹ mediante un análisis comparativo entre el grupo de tratamiento y de control¹⁰, siendo posible aislar las características observables entre ambos grupos y evaluar en qué medida pueden atribuirse diferencias entre el nivel educativo (tratamiento) y los ingresos salariales (resultado) observados sin incurrir en problemas de sesgo. Bajo este contexto, en el análisis de impacto se estimó el escenario contrafactual simulando lo que habría ocurrido si el proyecto nunca se hubiera realizado; siendo necesario separar el efecto de las intervenciones de otros factores.¹¹

Al considerar lo anterior, la presencia de sesgo en la muestra empleada suele ser un obstáculo en la evaluación de impactos al no obtener resultados representativos de la población. En este contexto, la presente investigación estima cuatro parámetros de interés, a saber: 1) efecto del tratamiento sobre los tratados (TT, por sus siglas en inglés "Treatment on the Treated"), 2) efecto del tratamiento medio (ATE, por sus siglas en inglés "Average Treatment Effect"), 3) efecto marginal del tratamiento (MTE, por sus siglas en inglés "Marginal Treatment Effect") y 4) efecto del tratamiento medio local (LATE, por sus siglas en inglés, "Local Average Treatment Effect"); propuestos en ^{Heckman, Tobias y Vytlacil (2000)} y (2001)¹² para la correción del sesgo por autoselección. Para simplificar la notación, en lo sucesivo se hará mención a estos parámetros por sus siglas en inglés.

La bibliografía tradicional sobre evaluación del impacto de un programa aborda los rendimientos de la educación desde una perspectiva del rendimiento privado, capturando únicamente los beneficios que disfrutan los individuos como producto de la inversión realizada por ellos y/o su familia. Lo anterior se debe a que la ecuación salarial "^{Minceriana" (Mincer, 1974)} , estima rendimientos privados; siendo la forma tradicional de estimar la Tasa Interna de Rendimiento (TIR) de la inversión en educación. La principal limitación de este procedimiento consiste en dejar al margen la estimación de los rendimientos sociales asociados a los gastos (inversión) y otros factores externos que inciden de manera significativa en los rendimientos de la educación. Asumiendo las limitaciones del procedimiento, se estimaran los rendimientos privados de la educación de manera tradicional considerando únicamente los gastos (inversión) realizados por el individuo y/o su familia, sin considerar externalidades asociadas al sector público.

Este artículo se encuentra organizada de la siguiente manera. En la sección I se establece el modelo para la estimación de los rendimientos privados de la ES. En el transcurso de la sección II se describe la muestra empleada y el método de estimación. A través de la sección III se lleva a cabo un análisis estadístico de la muestra empleada. En la sección IV se explican los resultados de las estimaciones econométricas. Por último, en la sección V, se presentan las conclusiones de este trabajo y se plantean nuevas líneas de investigación sobre el diseño y la instrumentación de políticas públicas dirigidas a la ES en México.

I. Modelo de estimación

De acuerdo con ^{Baker (2000)} , en la evaluación del impacto de un programa es frecuente emplear técnicas econométricas para inferir sobre el comportamiento de poblaciones o parámetros que son de interés para el tomador de decisiones, en cuyo caso es común que las muestras tengan ciertas cualidades, que de no ser consideradas al hacer inferencia estadística puede suceder que los individuos no decidieron llevar a cabo el programa de manera voluntaria, sino de manera obligada dadas sus características del programa. Considerando lo anterior, en esta investigación, el problema de sesgo y heterogeneidad se abordará con la metodología propuesta por ^{Heckman, Tobias y Vytlacil (2000)} y (2001), misma que se describe a continuación.

Se supondrá que un individuo obtiene un resultado (salario por hora) con o sin tratamiento (ES). Para ello, se denotan mediante Y₁ el resultado con tratamiento y Y₀ el resultado en ausencia del mismo, por lo que sólo una de estas dos variables se observa para cada individuo. Para evaluar el efecto del tratamiento se debe medir la variable no observable, la cual se obtiene de la diferencia de Y₁-Y₀ con base en las siguientes ecuaciones:

(1)

(2)

(3)

en las que

La ecuación (1) representa la decisión de cada individuo en participar o no en el programa educativo y se caracteriza por ser una variable latente¹³, la cual es explicada a través de una serie de variables independientes contenidas en Z. De esta manera, definiendo una variable latente D con valores de uno (con tratamiento) y cero (sin tratamiento), es posible establecer que la variable observable D es una función de la variable latente, lo que posibilita una conexión entre el mecanismo de elección individual y las variables independientes X contenidas en las ecuaciones (2) y (3).

Ya que la variable latente D se encuentra en función del conjunto de variables Z, aparece de manera natural una restricción de exclusión para el conjunto de variables independientes X que determinan a Y ₁ y Y ₀. Bajo esta restricción, el mecanismo de elección debe incluir al menos un elemento en Z que no se encuentre en X; véase, al respecto, ^{Heckman y Vytlacil (2001)}.¹⁴

En lo que respecta a las ecuaciones (2) y (3), Y ₁ y Y ₀ representan el logaritmo natural del salario por hora con y sin ES, respectivamente. Estas variables dependen a su vez de un conjunto de variables independientes X, las cuales representan los determinantes de la variable dependiente Y que se observa solamente en dos estados posibles¹⁵. A partir del modelo especificado, se observa el salario (por hora) de los individuos una vez que ya se efectúo la decisión de participar o no en el programa.

Derivado de que el efecto de programas es diferente según los individuos en la muestra, los supuestos condicionarán el tipo de características que se estudiarán en la evaluación de dichos programas. El primer supuesto que sustenta esta investigación es que el efecto del programa no es igual para todos los individuos, el segundo supuesto es que el efecto es diferente entre los grupos de tratamiento y de control, siendo imposible determinar a priori la magnitud de los efectos, y como supuesto adicional se tiene que el efecto entre aquellos que deciden llevar a cabo el programa es también diferente, por lo que la decisión de llevar a cabo el programa estará en función de sus características observadas y subyacentes. Este último supuesto tiene implicaciones significativas en la definición de políticas públicas, ya que la focalización eficiente de individuos, con determinadas características, determinará el impacto de los programas sobre la población objetivo; véase, al respecto, ^{Heckman y Vytlacil (2001)} .

Para calcular los rendimientos de la ES mediante la ganancia log-salarial esperada para un conjunto de características observables en X, se estimarán cuatro parámetros propuestos en ^{Heckman, Tobias y Vytlacil (2000)} y (2001): ATE, TT, LATE y MTE. Dado que estos se emplean comúnmente para efecto de programas, a continuación se explican brevemente sus alcances. El efecto ATE se define como el rendimiento esperado del programa cuando un individuo es elegido aleatoriamente dentro de la población factible¹⁶. Este parámetro estima, en valores promedios, la ganancia esperada para cualquier persona cuando está dado un conjunto de variables observables contenidas en X=x. Para su estimación se emplea la siguiente ecuación:

(4)

El efecto ATE es un instrumento útil cuando, si en vez de eliminar o reducir un programa, se quiere ampliar a toda la población elegible o hacerlo obligatorio para todas las personas que cumplen determinadas características¹⁷. Por ejemplo, en materia de programas sociales relacionados con la pobreza el parámetro ATE garantiza focalizar la proporción de la población sujeta de recibir el beneficio, permitiendo contar con una política pública más agresiva en la lucha contra la pobreza. Considerando esto, en la presente investigación se busca demostrar que es factible ampliar la población elegible del programa de ES en lugar de reducirla, ya que existe una población con características suficientes para ser incorporadas, permitiendo incentivar sus ingresos y otras variables relacionadas con la pobreza de ingresos según el Coneval.

En lo que respecta al efecto TT¹⁸, éste se define como el rendimiento esperado del programa para aquellos individuos que eligieron participar y que en realidad recibieron el tratamiento voluntariamente. Por lo que la ganancia esperada de quienes efectivamente han recibido el tratamiento (D=1), sujeto al conjunto de variables observables contenidas en X=x y Z=z, está dada por:

(5)

en la que ϕ(∙) representa la función de densidad de una variable aleatoria normal estándar, Φ(∙) denota su función de distribución acumulada y ρ₁ y ρ₀ son los coeficientes de correlación entre U₁ y U_D , y U₀ y U_D , respectivamente. La relevancia de este parámetro consiste es mostrar que efectivamente el programa implementado tiene el impacto esperado¹⁹ sobre los ingresos de los individuos que decidieron de manera voluntaria llevar a cabo el programa²⁰, pero que además es mayor en comparación con aquellos cuyo nivel educativo es menor.

El efecto MTE, además de estimar las preferencias de los individuos objeto de estudio, también estima el rendimiento esperado del programa para aquellos individuos que se encuentran en el límite de participar en dicho programa²¹, condicionado al conjunto de variables observables contenidas en X=x, y variables no observables contenidas en U_D =u_D . En este contexto se desea indagar si los individuos cuentan con variables no observables que influyen en su elección para recibir el tratamiento, con lo que obtienen rendimientos menores como resultado de no participar en el programa. Para estimar este parámetro, formalmente, se tiene:

(6)

La utilidad principal del MTE se desprende de la dependencia que guarda con los valores de u_D ²², de tal manera que si se evalúa el efecto MTE con valores altos de u_D , se estará calculando la ganancia media para aquellos individuos cuyos factores inobservables hacen menos probable su participación en el tratamiento y, lo contrario, para valores bajos de u_D donde si u_D=0, en cuyo caso MTE es igual al parámetro ATE²³. Si bien el efecto MTE resulta ser la forma límite del efecto LATE, éste suele ser una herramienta útil que permite mostrar la existencia de externalidades (generalmente no observables) que suelen condicionar a los individuos a llevar o no el programa; de aquí el signo negativo (esperado) y que en el caso de programas sociales puede significar el éxito o fracaso del mismo. En el caso de esta investigación, el efecto MTE busca demostrar que la heterogeneidad entre grupos es persistente y que efectivamente existen factores externos que reducen la probabilidad de participar en el programa de ES de ciertos individuos, los cuales tienen asociados un menor rendimiento sobre sus ingresos en comparación con aquellos que decidieron llevar a cabo el programa.

El efecto LATE²⁴ se define como el rendimiento esperado del programa debido a cambios en los factores observables contenidos en Z_k , los cuales inducen a los individuos a recibir el programa. Este efecto se define a partir de un cambio de Zθ= zθ a Zθ = z´θ con zθ <z´θ, en el que z y z´ son iguales excepto en el k-ésimo elemento. Para estimar este parámetro, formalmente, se escribe:

(7)

La relevancia de este parámetro, considerando paralelamente las implicaciones del efecto ATE, se fundamenta en el hecho de que permite simular impactos esperados (efectos locales) del programa como el producto de variaciones en los valores de algunas variables de interés, que al ser comparados directamente con los resultados del efecto ATE permiten definir estrategias que puedan coadyuvar al logro de los objetivos del programa de manera eficiente²⁵. En esta investigación, los efectos LATE simulan los rendimientos esperados de los individuos cuando se hace variar la educación de los padres y el tamaño del hogar, lo que indudablemente suele ser de gran utilidad cuando se busca eficientar estrategias de política pública en materia educativa.

A continuación se presentan los resultados obtenidos con los cuatro parámetros de interés en donde se ha empleado el proceso bietápico propuesto en ^{Heckman (2000)} y (2001). En la primera etapa se estima un modelo Probit donde se calcula la variable auxiliar²⁶ denominada, λ la cual captura el efecto del sesgo de autoselección presente en la variable latente D. En la segunda etapa se estiman las ecuaciones salariales "Mincerianas" donde se emplea la variable auxiliar λ, corrigiendo el sesgo originado por el truncamiento de las variables dependientes Y ₁ y Y ₀, permitiendo obtener parámetros más confiables.

II. Descripción de la muestra y definición de variables

Para la estimación econométrica se empleó información de la Encuesta Nacional de Ingresos y Gastos de los Hogares 2006 (ENIGH). En ella existe información sobre diferentes características socioeconómicas de los individuos. La restricción más importante en relación a la información disponible en la encuesta, es que ésta no incluye información sobre todos las características familiares empleadas en esta investigación; por ejemplo, ésta no incluye datos sobre el nivel de educación de los padres, nivel de ingreso de la familia, tamaño de la familia y experiencia, entre otras, y que son importantes para explicar la decisión de los hijos de continuar o no con estudios superiores, siendo necesario construir las variables de la manera tradicional a partir de la información disponible. Las restricciones y acotaciones efectuadas a la encuesta se enumeran a continuación:

Bajo estas restricciones se llegó a una muestra de 4,514 individuos, donde se utilizaron las siguientes variables para modelar la elección de los individuos:

Con los criterios anteriormente descritos se determinan los rendimientos de la Educación Superior mediante los cuatro parámetros anteriormente definidos.

III. Análisis estadístico de la muestra

Con la finalidad de analizar la composición de la muestra empleada por grupos de edad, se puede observar en la Gráfica 1 que existe una proporción relativamente alta de individuos en edad de llevar a cabo un programa de ES. También la Gráfica 1 destaca la alta concentración de individuos del primer grupo de edad en el primero y segundo quintil, lo cual está asociado con los ingresos más bajos en la población.

Fuente: Elaboración propia.

Gráfica 1 Distribución de individuos por grupos de edad y quintiles 

Por otra parte, considerando lo anterior, en los cuadros 1.a y 1.b se muestran las estadísticas descriptivas de las variables empleadas para el grupo de tratamiento y de control, respectivamente. Los cuadros sugieren diferencias salariales importantes entre los grupos, aun cuando la edad promedio sea similar. Además es posible observar que el nivel de escolaridad promedio de los padres es mayor en el grupo de tratamiento que en el grupo de control. El tamaño promedio del hogar es menor para el grupo de tratamiento y la edad es menor en el grupo de tratamiento; la proporción de mujeres es más alta en el grupo de tratamiento.

La información cuadro 1 sugiere que las especificaciones econométricas requieren un tratamiento apropiado con la finalidad de no incurrir en posibles sesgos en los estimadores. Identificada la heterogeneidad en ambos grupos para estimar el efecto promedio de la ES sobre los salarios de los individuos, resulta necesario corregir el sesgo por autoselección mediante la técnica biétapica propuesta, la cual requiere un modelo Probit en la primera etapa y en la segunda una ecuación salarial minceriana.

Fuente: Elaboración propia con datos de la ENIGH 2006.

Cuadro 1 Estadísticas descriptivas correspondientes al grupo de tratamiento y de control 

IV. Análisis de los resultados econométricos

A continuación se presentan las estimaciones y los resultados empíricos obtenidos con el modelo representado en las ecuaciones (1)-(3). En el Cuadro 2 se muestra la estimación del modelo Probit, cuya variable dependiente está constituida por 1,503 individuos con ES y 3,011 con un nivel escolar menor y en donde las variables empleadas como mecanismo de elección⁴⁰, que inciden en la decisión de adoptar o no un programa de ES, son el ingreso del jefe de familia y el tamaño del hogar. En dicho cuadro se observa que los individuos tienen mayor probabilidad de adoptar el programa de ES en la medida en que sus padres tengan un mayor nivel educativo⁴¹, mayor ingreso⁴² y que el tamaño del hogar⁴³ no sea muy grande.

Fuente: Elaboración propia con datos de la ENIGH 2006.

^a Variable dependiente: Treatment (individuo que posee educación superior).

* P(z) significativo a 5 por ciento.

** P(z) significativo a 10 por ciento.

Cuadro 2 Modelo Probit para Educación Superior^a. 

A partir de los resultados del modelo Probit, se estima la variable auxiliar λ, la cual mide el efecto por autoselección, logrando con ello corregir el sesgo en que se incurre al estimar la regresión de las ecuaciones salariales por MCO. El Cuadro 3 muestra la ecuación salarial "Minceriana" para los grupos de tratamiento y control. El propósito de emplear ambos grupos es destacar el papel de λ, pues a partir de la significancia estadística de esta variable es posible deducir que la heterogeneidad y la autoselección influyen de manera importante en la diferencia salarial entre ambos grupos.

Fuente: Elaboración propia con datos de ENIGH 2006.

^a Variable dependiente: Lsalario (logaritmo natural del salario).

* P(t) significativo a 5 por ciento.

Cuadro 3 Ecuación salarial minceriana^a 

Aunado a lo anterior, en el Cuadro 4 se estiman separadamente las ecuaciones salariales considerando la variable auxiliar λ para los grupos de tratamiento y de control, respectivamente. En estos cuadros, las ecuaciones salariales miden el efecto que tiene un conjunto de variables sobre los ingresos salariales de los individuos. En ambas estimaciones la variable auxiliar resulta estadísticamente significativa, lo cual proporciona suficiente evidencia de que de no controlarse la heterogeneidad y la autoselección, los estimadores de MCO estarían sesgados y las conclusiones obtenidas serían incorrectas.

FUENTE: Elaboración propia con datos de la ENIGH 2006.

^a Variable dependiente: Lsalario (logaritmo natural del salario).

* P(t) significativo a 5 por ciento.

Cuadro 4 Ecuación salarial para el grupo de tratamiento y de control^a 

En el cuadro 4 se destaca el signo de los coeficientes estimados, siendo los esperados; positivos para la variable experiencia, negativos para la variable experiencia al cuadrado⁴⁴ y positivo para los coeficientes asociados a la escolaridad de la madre, haciendo evidente que mientras ésta cuente con un mayor nivel educativo, se puede incidir significativamente en la probabilidad de que los hijos elijan llevar a cabo un programa de ES, lo que conlleva a su vez en un mayor rendimiento salarial⁴⁵.

En el caso de la educación del padre, la variable fue estadísticamente no significativa en ambas estimaciones. Tomando en cuenta las acotaciones de ^{Jiménez Villacís (2008) 46}. Estos resultados sugieren que esto puede deberse en gran medida a que en la sociedad mexicana resulta evidente que la formación y educación de los hijos, en la mayoría de los casos, corresponde a la madre, donde el papel del padre posiblemente se reduce a ser únicamente el de proveedor de del núcleo familiar. Así pues, después de considerar aquellos factores inobservables capturados en el modelo, resulta factible argumentar el papel secundario que juega el padre de familia en algunos aspectos trascendentales de la vida de los hijos.

Una vez que las ecuaciones salariales fueron estimadas, considerando la heterogeneidad y el sesgo por autoselección, resulta viable emplear los valores estimados de la variable dependiente log-salario para calcular el efecto promedio de la ES en México sobre el salario por hora de los individuos en la muestra empleada. Con base en los resultados del Cuadro 4 se calcularon los efectos de los cuatro parámetros de interés, a saber, ATE, TT, MTE y LATE. El cuadro 5 registra los efectos estimados del tratamiento para el grupo de individuos considerados en la muestra. Dicho cuadro muestra que el rendimiento promedio por un año adicional de ES⁴⁷ es aproximadamente del 8.83% para un individuo que es tomado aleatoriamente de la población, mientras que el rendimiento para un individuo que efectivamente ha recibido el tratamiento es equivalente al 7.67%. Ambos resultados demuestran que la implementación de un programa de ES trae consigo rendimientos positivos y en promedio más altos en comparación con aquellos individuos con un menor escolaridad.

Fuente: Elaboración propia con datos de la ENIGH 2006.

Cuadro 5 Efectos del programa de Educación Superior sobre los ingresos de los individuos 

En lo que se refiere al efecto marginal del tratamiento (MTE), del signo negativo se puede inferir que los individuos tienen variables no observables contenidas en u_D que pesan sobre la elección de recibir el tratamiento, obteniendo rendimientos menores como resultado de no participar en el programa de ES, véase al respecto ^{Heckman (2005)} . De esta manera se deduce que la existencia de externalidades (no observables) condicionan a los individuos a llevar o no el programa, por lo que instrumentar estrategias en materia de política pública que reduzcan las barreras de acceso a la educación, sobre todo de aquellos individuos que se encuentra en el límite de poder llevar a cabo el programa de ES, podría conducir a un mayor desarrollo en México en lo que en materia social se refiere.

Adicionalmente a los efectos estimados en el cuadro anterior, en el cuadro 7 se muestra el rendimiento esperado del programa como resultado de cambios en los factores observables contenidos en Z_k , es decir, se determinó la magnitud del impacto sobre el efecto promedio (ATE) cuando se produce un cambio marginal en el número de años de educación del padre la y madre, así como, en el tamaño del hogar.

Del Cuadro 6 se desprende que si la educación de la madre se incrementara en un año más; además de ampliar la probabilidad de que el hijo decida participar en un programa de ES, esto impactaría positivamente en los rendimientos marginales de la ES sobre el salario del hijo en 0.07 puntos porcentuales más, pasando de 8.83% del efecto ATE a 8.90%. En el caso de que la variable de educación del padre hubiese sido significativa en las ecuaciones mincerianas (Cuadro 4), un año más en la educación de éste reflejaría un rendimiento marginal positivo de la Educación Superior sobre el salario del hijo en 0.05 puntos porcentuales más, pasando de 8.83% del efecto ATE a 8.88%. Bajo el supuesto anterior, como era de esperarse, el impacto de la educación de la madre resultó ser mayor a la del padre⁴⁸.

Fuente: Elaboración propia con datos de la ENIGH 2006.

Cuadro 6 Efecto local promedio del tratamiento 

Otro efecto local que interesa evaluar es el relacionado con el tamaño del hogar de los individuos en la muestra. A partir del modelo Probit se dedujo que la probabilidad de que un individuo decida participar en un programa de ES está condicionado, entre muchas otras variables, al número de integrantes en la familia, por lo que en la medida de que este número se incremente, impactará negativamente en los rendimientos de la ES sobre los salarios de los individuos. En este caso, se encontró que cuando se incrementa el tamaño del hogar en un miembro más, se impacta negativamente sobre los rendimientos marginales de la Educación Superior en el salario de los hijos en 0.14 puntos porcentuales menos, pasando de 8.83% del efecto ATE a 8.69%.

Conclusiones

De acuerdo con la metodología propuesta por ^{Heckman, Tobias y Vytlacil (2000)} y (2001), en este documento se han estimado cuatro parámetros relevantes para medir los rendimientos de la Educación Superior en México y su efecto sobre los ingresos de los individuos mediante un modelo Heckit. Los parámetros estimados consideran la heterogeneidad y el sesgo por autoselección mediante supuestos distribucionales en los términos de perturbación del modelo.

Los resultados obtenidos indican que el rendimiento de la ES para un individuo en México es positivo y mayor con respecto de aquellos que cuentan con un menor nivel de educación. Se mostró que si el individuo es tomado aleatoriamente de la población, el rendimiento alcanzado (ATE) es mayor en comparación con aquellos que efectivamente recibieron el programa de Educación Superior (TT). Estos resultados sugieren que pueden existir restricciones de acceso o diferencias en la calidad de la ES que reciben las personas participantes.

Respecto del parámetro ATE, se estimó un rendimiento promedio por año adicional de ES del 8.83% para un individuo que es tomado aleatoriamente de la población; mientras que para el parámetro TT se estimó un rendimiento equivalente al 7.67% para un individuo que efectivamente haya recibido el tratamiento de manera voluntaria. Ambos resultados muestran que la implementación de un programa de ES trae consigo rendimientos positivos y en promedio más altos en comparación con aquellos individuos con un menor nivel educativo. Adicionalmente, estos resultados sugieren que es factible ampliar la población elegible del programa de ES en lugar de reducirla, ya que existen individuos con las características suficientes para ser incorporados, lo que permitiría a lo largo del ciclo de vida de estos individuos incentivar sus ingresos y reducir los niveles de pobreza por ingresos de aquellos que pudiesen ubicarse por debajo de cualquiera de las líneas de pobreza estimadas por CONEVAL para México.

Respecto al efecto marginal del tratamiento (MTE) se estimó un efecto del -0.11%, donde el signo negativo permite mostrar que existen variables no observables (externalidades) que condicionan a los individuos a llevar o no un programa de ES en México. Dicho efecto coadyuva a demostrar que la heterogeneidad entre grupos es persistente y que efectivamente existen factores externos que reducen la probabilidad de participar en el programa de ciertos individuos, los cuales tienen asociados un menor rendimiento sobre sus ingresos en comparación con aquellos que decidieron llevar a cabo el programa.

Respecto de las estimaciones del efecto LATE, al simular los impactos esperados (efectos locales) del programa, como el resultado de variaciones en las variables de interés, y al ser comparados directamente con los resultados del efecto ATE se encontró que si la educación de la madre se incrementa marginalmente, además de ampliar la probabilidad de que el hijo decida participar en un programa de ES, el impacto sobre el salario del hijo se incrementa en 0.07 puntos porcentuales más, pasando el efecto ATE de 8.83% a 8.90%. Este resultado sugiere que la implementación de políticas públicas que incentiven la participación de un mayor número de mujeres en el ámbito educativo y/o de capacitación, podría ser un factor importante en la generación de capital humano en México.

Asimismo se encontró que la educación del padre es una variable significativa, un incremento marginal en la educación de éste reflejaría un rendimiento positivo de la ES sobre el salario del hijo en 0.05 puntos porcentuales más, pasando el efecto ATE de 8.83% a 8.88%. En lo que respecta a la variable relacionada con el tamaño del hogar se encontró, que cuando se presenta un incremento marginal, se tenía un impacto negativo en los rendimientos de la ES sobre el salario de los hijos en -0.14 puntos porcentuales; pasando el efecto ATE de 8.83% a 8.69%.

En términos generales, los resultados obtenidos en la investigación sugieren que el ingreso del jefe del hogar, la experiencia laboral, variables relacionadas con el número de integrantes del hogar, entre otros factores, como la educación de los padres, influyen de manera determinante en la elección de que los individuos decidan participar en un programa de ES, esperando con esto acceder a ingresos futuros mayores a lo largo del ciclo de vida productiva.

Asimismo, es indispensable destacar, que si bien los resultados son consistentes con el objetivo planteado en esta investigación, éstos abren la posibilidad de nuevas líneas de investigación sobre las cuales debe enfatizarse para fortalecer la generación de políticas públicas en México. Un ejemplo de lo expuesto es cuando los hijos residen con los padres, con lo cual se podría suponer que los hijos obtienen ingresos insuficientes en el mercado de trabajo que impide que puedan vivir en otro lugar o que existen factores culturales predominantes; sin embargo, dadas las limitaciones en la información disponible en la ENIGH puede ser arriesgado suponer que la decisión de seguir viviendo con los padres se debe meramente a estas causas económicas; aunque intuitivamente pareciera ser que es así.⁴⁹

Por último, es importante señalar que los resultados de la investigación se encuentran respaldados en la teoría del capital humano, donde se establece que a mayores niveles de educación se encuentran asociados mayores niveles de ingreso; siendo la escolaridad de los individuos el factor que determina de manera significativa la productividad y la retribución de los agentes económicos.