II.1. Fuente de información

Se trabajó con los microdatos de la Encuesta Permanente de Hogares (EPH) del Instituto Nacional de Estadísticas y Censos (INDEC) que capta información de 31 aglomerados urbanos en Argentina, con una tasa de cobertura estadística de aproximadamente 62% de la población urbana. La encuesta se realiza de manera continua y es publicada con frecuencia trimestral desde el tercer trimestre de 2003. Sin embargo, existen trimestres en los que no se publicaron los microdatos de la encuesta, ya sea por no haberse hecho (tercer trimestre de 2007) o bien por no haberse publicado debido a dudas en relación con su calidad (del tercer trimestre de 2015 al primero de 2016).

Esta encuesta se realiza de manera individual una sola vez a lo largo de un trimestre, donde para poder obtener la duración del desempleo de la persona es necesario seguirla a lo largo de un tiempo. Para ello, a través de un código único de identificación personal (CODUSU, número de hogar y componente en EPH) se logra seguir al individuo a lo largo de seis trimestres de manera no continua, debido a que una persona es encuestada por dos trimestres, observándola nuevamente dentro de dos trimestres por un período de dos trimestres más. A modo de ejemplo, se encuesta a una persona i en el primer trimestre de 2018, y luego en el segundo trimestre de 2018, en el primer trimestre de 2019 y finalmente en el segundo trimestre de 2019. En otras palabras, en la estructura de rotación de la muestra de la EPH, cada individuo es observado en cuatro ocasiones a lo largo de una ventana de 18 meses: se le entrevista en dos trimestres consecutivos, deja el panel en los dos siguientes y vuelve a ser entrevistado en los dos trimestres posteriores.

Cabe aclarar que hay personas a las que se las encuesta menos de cuatro veces debido a que por diversos motivos no responden la encuesta (attrition). Sin embargo, un 61% de los individuos alguna vez encuestados cuenta con datos para al menos tres trimestres (^{Beccaria et al., 2016}). De todas formas, para obtener la mayor información posible, se seleccionaron a aquellos individuos que son encuestados los cuatro períodos, aproximadamente 52% de los encuestados.

Por esta razón, a partir de la EPH se crea una base de datos donde se obtienen las características observables del individuo y el estado ocupacional en cada una de las observaciones temporales (desempleado, ocupado, inactivo). Sin embargo, hay individuos que en su última observación aparecen desempleados, lo que hace necesario censurar el tiempo a través del modelo de duración (aproximadamente el 29% de los individuos). La EPH considera “ocupado” a toda persona que haya trabajado al menos una hora en la semana en que se realiza la encuesta, sin embargo, clasifica como “desocupado” a quienes no tienen empleo, pero lo buscan activamente. Finalmente, clasifica como “inactivo” a aquellas personas que no tienen trabajo ni lo buscan activamente (^{INDEC, 2019}).

Para obtener la duración del desempleo fue necesario seguir al individuo durante varias observaciones y crear la duración final del desempleo, es decir, el tiempo que estuvo buscando hasta el momento de la primera encuesta adicionándole el tiempo desempleado hasta el cambio de estado. Para eso, fue necesario darle una forma a la duración antes de la encuesta, ya que la pregunta que se realiza en EPH viene dada en intervalos. En caso de que haya estado entre 3 a 6 meses, se utilizó un tiempo de búsqueda de 4 meses y medio. Para los casos entre 6 a 12 meses buscando empleo, se utilizó un promedio de 9 meses como búsqueda, mientras que para aquellos con más de 12 meses de búsqueda se utilizó como tope 12 meses de búsqueda. De todas formas, se podrían utilizar otros métodos, tales como generar distribuciones a dicha duración, sin embargo, bajo esta metodología, los resultados son similares a otros trabajos realizados para Argentina.

Cabe destacar que se trabajó con individuos entre 15 a 65 años, tanto varones como mujeres, utilizando diversas características observables (rango etario, sexo, región en la que reside, etc.) como control con el fin de analizar si el sector al que la persona pertenece influye en la duración del desempleo.

II.2. Estimador Kaplan-Meier

Los modelos econométricos de duración analizan el tiempo que se tarda en pasar de un estado a otro. Por eso, en primer lugar presentaremos un estimador no paramétrico de la tasa de abandono por unidad de tiempo (hazard function), denominado estimador Kaplan-Meier (^{Kaplan & Meier, 1958}). Este estimador es un modelo no paramétrico de la función de supervivencia, teniendo la particularidad de censurar el dato que representa a un individuo cuando el valor de esa observación solo es parcial, siendo el más común dejar de observar a ese individuo durante la muestra. Este estimador es consistente bajo la hipótesis de que las censuras sean independientes entre sí. El valor T > 0 denota la duración, es decir el lapso temporal en el que una persona cambia de estado, definiendo t como un valor particular de T. Se define la función de distribución acumulada F(t) como P(T < t) para todo t >0, definiendo la función de superveniencia S(t) como P(T > t).

Para la ecuación de la función de supervivencia en el tiempo t, Kaplan-Meier proponen el siguiente cálculo:

donde λ^j=djrj es el estimador de la función hazard como el número de casos que cambiaron de estado d_j en el tiempo t_j , dividido por la cantidad de casos totales que corren el riesgo de fracasar en el tiempo r_{j ,} siendo este último ∑l|l≤j(ml+dl) , es decir, la suma entre los casos censurados m_l y los que cambiaron de estado d_{l .}

Finalmente, el estimador Kaplan-Meier se define como:

II.3. Modelos de duración

El modelo de duración intenta estimar el tiempo que transcurre entre el momento en que se inicia una situación hasta que se termina en relación con ciertas características observables del individuo. El estimador denota a la densidad de T como f(t)=dF(t)dt donde para valores de dt mayores a cero, es decir, P(T≥t) indica la probabilidad de dejar el estado inicial en el intervalo de tiempo entre t y t + dt.

En primera medida, se propone el estimador paramétrico bajo la distribución exponencial, la cual posee una función hazard (λ(t)=γ constante que no varía en el tiempo. ^{Hernández-Domínguez (2010)} concluye que el modelo exponencial posee la propiedad de no memoria, es decir, establece que la probabilidad de que el individuo sobreviva al tiempo 𝑡 + 𝑑𝑡, dado que ha sobrevivido al tiempo 𝑡, es igual a la probabilidad de que sobreviva al tiempo 𝑡 al principio de su vida, describiéndose como un proceso de vida sin envejecimiento. Adicionalmente, la distribución exponencial no sirve para duraciones en los que el fallo no es una función constante, ya que es una distribución de un solo parámetro, es decir, demasiado restrictivo en la práctica.

Por ello, la distribución de Weibull ^{(Weibull, 1951}) incluye razones de fallos crecientes y decrecientes. De esa forma, se propone el modelo de Weibull, donde su función hazard viene dada como 𝜆(𝑡) = 𝛾𝛼𝑡^𝛼−1 donde 𝜆(𝑡) aumenta con valores de 𝛼 >1 y se reduce con valores 𝛼 < 1.

Estos modelos totalmente paramétricos son fáciles de estimar en presencia de censura, pero pueden producir estimaciones de parámetros inconsistentes si alguna parte del modelo está mal especificada. Una forma de resolver este problema es elegir una forma funcional flexible, proporcionando cierta protección contra una posible especificación errónea, sin embargo, no siempre es sencillo.

Afortunadamente, hay un método semiparamétrico, en nuestro caso regresión de Cox (^Cox,1972), que no requiere una especificación de la distribución. Este modelo cuenta con la característica de ser no paramétrico en el modelo, es decir sin asumir ninguna distribución de la tasa de riesgo, y paramétrico en las variables explicativas. En estos tres casos (exponencial, Weibull y proporcional de Cox), se obtienen los estimadores mediante máxima verosimilitud. El punto de partida propone una función particular de la tasa de salida hazard.

donde 𝜆₀(𝑡) se llama baseline hazard y representa las tasas de riesgo de un individuo con valor 0 en las características observables (𝑥), encontrándose únicamente en función de t. En cambio, 𝜙(𝑥, 𝛽) se basa en relación a 𝑥, donde consideramos que los regresores no varían el tiempo, es decir como 𝑒𝑥𝑝(𝑥′𝛽).

Se puede observar que el modelo proporcional de Cox posee su función no paramétrica (𝜆₀(𝑡)) y su función paramétrica (𝜙(𝑥,𝛽)). Este modelo se caracteriza por no especificar la forma funcional del primer término.

^{Ramírez Montoya et al. (2017)} estiman a través de simulaciones que para establecer diferencias significativas entre las metodologías se deberá tener situaciones con altos porcentajes de censura y bajo tamaño de muestra.

III.1. Evolución y características del desempleo en Argentina

Para el cálculo de la tasa de desempleo a lo largo de la serie se utilizó la metodología de ^{INDEC (2019)} a través del ratio entre la población desocupada y la población económicamente activa (personas que tienen una ocupación o que sin tenerla la están buscando activamente). De esa forma, se analizó el desempleo en todo el país como en las distintas regiones argentinas.

A mediados de 2003, la Argentina empezaba a recuperarse de una de las crisis más profundas registradas hasta ese momento. El desempleo alcanzaba al 16% de la población económicamente activa. En los años subsiguientes, la recuperación y posterior crecimiento económico permitió una rápida caída del desempleo. En efecto, en el primer trimestre de 2007, el indicador rondaba el 9%. Si bien las mejoras continuaron (tocando piso en 2013 con 6.4%), tres años más tarde se observó el primer aumento significativo del período. Desde entonces el desempleo se mantuvo en torno al 9.5%, donde luego de fines de 2017 comenzó una fase de aumento.

Los individuos desocupados declaran en qué sector se encontraban trabajando antes de entrar en el desempleo. Si damos por supuesto que el sector en el que trabajó es el mismo en el que busca empleo, se podría asignar una tasa de desempleo a cada sector productivo. Es necesario notar que este cálculo es solo una aproximación, ya que se ve mayormente afectado por la rotación entre empleos, que difiere entre sectores. Es decir, puede ser que un sector tenga una gran cantidad de desempleados, de acuerdo con la definición anterior, simplemente porque los trabajos en el sector son intermitentes y es más probable encontrar un individuo entre trabajos.

Para hacer este cálculo se obtuvo la cantidad de gente desocupada en el sector j, que luego se dividió en la suma de ocupados y desocupados (población económicamente activa-PEA) en dicho sector. Sin embargo, al desagregar la variable sector en la que el individuo trabajó o trabaja, se notó que había cambiado de nomenclatura en 2011. Para solucionar dicho problema se homogeneizaron los códigos ocupacionales mediante ^{INDEC (2011)}. De esta manera, computamos:

En la Figura 2 se puede observar una heterogeneidad en la tasa de desempleo para cada sector. En este aspecto, el sector que menos desempleo tiene es el de actividades profesionales y de ciencia y técnica (1.3%), mientras que su polo opuesto es construcción (14.8%).

Es también interesante evaluar cómo es la distribución de los desempleados por sector. La figura 3 nota cuáles son los sectores con más pesos dentro del desempleo. De esa forma, se observa que construcción (19%), servicio doméstico (13%), comercio (18%) e industria (13%) son los sectores con mayor cantidad de desempleados dentro del total (acaparando aproximadamente el 63%). Sin embargo, cabe considerar que la encuesta es urbana y que, por lo tanto, la representatividad de algunos sectores puede llegar a ser muy limitada.

III.2. Matrices de transición

Un análisis más interesante se corresponde a la dinámica de transiciones entre estados. Mediante la matriz de transición se muestran las probabilidades de cambio entre tres estados básicos (desempleado, ocupado, inactivo) condicionando en ciertas características individuales, por ejemplo: el sexo, el rango etario y el período temporal. Estas probabilidades de transición se calcularon utilizando un panel rotativo de la EPH entre el tercer trimestre de 2003 y el segundo trimestre de 2019.

^{González Rozada et al. (2011)} realiza una matriz similar pero con la particularidad que en vez de tener tres estados (ocupado, desocupado e inactivo), lo desagrega en siete (inactivo, asalariado formal, asalariado informal, desocupado, empleado público, cuenta-propia y trabajador familiar).

En este trabajo, la primera tabla muestra las probabilidades de transición mientras que el segundo y el tercer panel desglosan estas probabilidades para varones y mujeres, respectivamente.

^{Pérez (2009)} indica que como es habitual en este tipo de análisis, las filas de la matriz muestran la condición de actividad de los trabajadores en el período inicial (t) y las columnas su situación tiempo después (en nuestro caso, cuatro observaciones después, es decir, 15 meses). De esta forma, en la diagonal principal se presentan los individuos que se encontraron en el mismo estado en las dos observaciones.

En la tabla 1, se pueden observar las probabilidades de transición entre un estado en t y 15 meses posteriores, es decir dentro de cuatro observaciones. Del total de la población ocupada en la primera observación, el 87.6% siguió en el mismo estado. Sin embargo, el 3.8% pasó a estar desocupado, mientras que el 8.6% inactivos. De los desocupados, en el primer período el 49.7% consiguió empleo, el 22.5% se mantuvo buscando empleo, mientras que el 27.8% dejó de hacerlo. Para el caso de los inactivos, el 18% consiguió empleo, el 6.1% comenzó la búsqueda y el 75.9% se mantuvo en las mismas condiciones.

Para el caso de los varones, los ocupados tienen mayor probabilidad de mantenerse ocupados, mientras que solo el 4% pasan al desempleo, y el 4.6% a la inactividad. En caso de que se haya encontrado desocupado, el 60% consiguió empleo dentro de los 15 meses, mientras que el 23% restante se sigue encontrando en el mismo estado. Para el caso que haya estado inactivo, el 70% se mantuvo en las mismas condiciones, mientras que el 22% consiguió empleo.

Las matrices de transición son diferentes para mujeres. En primer lugar, aquellas mujeres que se encontraban ocupadas en la primera observación, el 82% se mantuvo (es decir 9 puntos porcentuales menos que los hombres). Sin embargo, 14% de ellas comenzaron a transitar por la inactividad (10 puntos porcentuales más que los hombres). Además, si se analizan las mujeres que se encontraban desocupadas en la primera observación, el 39.6% consiguió empleo (aproximadamente 21 puntos porcentuales menos que los hombres). Sin embargo, en gran magnitud se quedaron desocupadas (21.8%) e inactivas (38.6%).

De todas formas, no son las mismas probabilidades de transición de un individuo entre 15 y 20 años, que las de una persona con más de 60. En principio, los jóvenes poseen la particularidad de que aquellos que están ocupados mantienen su ocupación con menos probabilidad que otros rangos etarios. Sin embargo, poseen altas probabilidades de quedarse en el mismo estado en caso de los que se encuentran inactivos. En gran medida, cuando la edad aumenta (hasta los 50 años) la probabilidad de permanecer en el empleo es mayor. Además, la probabilidad de cambiar de ocupado a desocupado, disminuye. Sin embargo, la probabilidad de pasar de desocupado a ocupado parece aumentar levemente. Entre los 51 a 60 años, los individuos van perdiendo minuciosamente participación en el mercado laboral, sin embargo, gran parte todavía se encuentra en actividad. Finalmente, los individuos de más de 60 años pierden participación: aquellos que se encontraban desempleados tienen pocas probabilidades de encontrar empleo. Cabe destacar que, en todos los rangos etarios, las mujeres poseen mayor probabilidad de ubicarse en los estados de desempleo y la inactividad, mientras que los hombres parecen tener probabilidades altas de transición hacia la ocupación.