The Distributive Effects of Education: an Unconditional Quantile Regression Approach

Javier Alejo; Maria Florencia Gabrielli; Walter Sosa-Escudero

doi:10.4067/S0718-88702014000100003

Autores/as

Javier Alejo Universidad Nacional de La Plata and CEDLAS
Maria Florencia Gabrielli Universidad Nacional de Cuyo and CONICET
Walter Sosa-Escudero Universidad de San Andrés and CONICET

DOI:

https://doi.org/10.4067/S0718-88702014000100003

Palabras clave:

Regresión por cuantiles no condicionados, desigualdad del ingreso, educación, Argentina

Resumen

A través de la utilización del método de regresiones por cuantiles no condicionados (UQR) estudiamos los efectos distributivos de la educación en Argentina. Los métodos estándar usualmente se focalizan en los efectos sobre la media, o exploran efectos distributivos, ya sea imponiendo supuestos restrictivos para la modelización y/o a través de descomposiciones contra factuales que requieren una cantidad importante de observaciones temporales. Desde un punto de vista empírico se ha demostrado la flexibilidad y utilidad de los métodos UQR. Nuestra aplicación empírica para el caso de Argentina muestra que la educación ha contribuido positivamente a aumentar la desigualdad en Argentina. En mayor medida, esto se debe al gran efecto heterogéneo que tiene la educación sobre los ingresos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Alejo, J. (2006). Desigualdad salarial en el Gran Buenos Aires: Una aplicación de regresión por cuantiles en microdescomposiciones [Wage inequality in Greater Buenos Aires: An application of quantile regression in microdecompositions] (Documento de Trabajo No. 36). CEDLAS, Universidad Nacional de La Plata.

Angrist, J. D., & Pischke, J. S. (2008). Mostly harmless econometrics: An empiricist's companion. Princeton University Press. https://doi.org/10.2307/j.ctvcm4j72

Behrman, J. R. (2011). How much might human capital policies affect earnings inequalities and poverty? Estudios de Economía, 38(1), 9–41.

Buchinsky, M. (1994). Changes in the U.S. wage structure 1963–1987: Application of quantile regression. Econometrica, 62(2), 405–458.

Bustelo, M. (2004). Caracterización de los cambios en la desigualdad y la pobreza en Argentina haciendo uso de técnicas de descomposiciones microeconométricas [Characterizing changes in inequality and poverty in Argentina using microeconometric decomposition techniques] (Documento de Trabajo No. 13). CEDLAS.

Card, D. (2001). Estimating the return to schooling: Progress on some persistent econometric problems. Econometrica, 69(5), 1127–1160. https://doi.org/10.1111/1468-0262.00237

Firpo, S., Fortin, N., & Lemieux, T. (2007a). Decomposing wage distributions using recentered influence functions regressions [Unpublished manuscript]. University of British Columbia.

Firpo, S., Fortin, N., & Lemieux, T. (2007b). Unconditional quantile regressions (NBER Technical Working Paper No. 339). National Bureau of Economic Research.

Firpo, S., Fortin, N., & Lemieux, T. (2009). Unconditional quantile regressions. Econometrica, 77(3), 953–973.

Hungerford, T., & Solon, G. (1987). Sheepskin effects in the returns to education. The Review of Economics and Statistics, 69(1), 175–177. https://doi.org/10.2307/1937919

Koenker, R., & Bassett, G. (1978). Regression quantiles. Econometrica, 46(1), 33–50. https://doi.org/10.2307/1913643

Martins, P., & Pereira, P. (2004). Does education reduce wage inequality? Quantile regression evidence from 16 countries. Labour Economics, 11(3), 355–371. https://doi.org/10.1016/j.labeco.2003.05.003

Mata, J., & Machado, J. (2005). Counterfactual decomposition of changes in wage distributions using quantile regression. Journal of Applied Econometrics, 20(4), 445–465. https://doi.org/10.1002/jae.788

Monti, A. C. (1991). The study of the Gini concentration ratio by means of the influence function. Statistica, 51, 561–577.

Ruiz-Tagle, J. (2007). Forecasting wage inequality. Estudios de Economía, 34(1), 141–162.