Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
814
Artículo Científico
Minería de datos aplicada al ingreso laboral en Ecuador:
comparación de modelos MPL, Logit y Probit.
Data mining applied to labor income in Ecuador: comparison of LPM, Logit,
and Probit models.
Juna-Pozo, Luis Patricio1.
1 Universidad Central del Ecuador; Ecuador, Quito; https://orcid.org/0009-0005-
9006-0502; lpjuna@uce.edu.ec
1 Autor Correspondencia
https://doi.org/10.63618/omd/isj/v4/n3/384
Resumen: Este artículo analiza los determinantes del ingreso laboral en Ecuador a
partir de microdatos de la Encuesta Nacional de Empleo, Desempleo y Subempleo
(ENEMDU 2023), utilizando un enfoque cuantitativo basado en modelos de variable
dependiente binaria. Se estiman y comparan el Modelo de Probabilidad Lineal (MPL),
Logit y Probit con el objetivo de identificar los factores que influyen en la probabilidad
de percibir ingresos inferiores al salario básico unificado de 450 dólares. Las variables
consideradas incluyen características sociodemográficas, laborales y educativas. Los
resultados muestran que la no afiliación al seguro social, la jornada laboral reducida
y el sexo femenino incrementan significativamente la probabilidad de ingresos bajos,
evidenciando condiciones estructurales de informalidad y desigualdad de género. En
contraste, la alfabetización, el empleo en el sector privado, la residencia urbana y la
jefatura del hogar actúan como factores protectores. El modelo Logit presentó el
mejor ajuste estadístico, mientras que el Probit mostró mayor sensibilidad en rangos
intermedios de probabilidad. La consistencia de los resultados entre modelos refuerza
la robustez del análisis y aporta evidencia empírica relevante para el diseño de
políticas públicas orientadas a la formalización laboral y la reducción de
desigualdades salariales en el contexto ecuatoriano.
Palabras clave: Minería de datos; Modelos binarios; Ingreso laboral; Informalidad
estructural; Desigualdad de género.
Abstract: This article analyzes the determinants of labor income in Ecuador using
microdata from the 2023 National Employment, Unemployment, and
Underemployment Survey (ENEMDU) through a quantitative approach based on
binary dependent variable models. The Linear Probability Model (LPM), Logit, and
Probit are estimated and compared to identify factors influencing the likelihood of
earning below the unified basic wage of USD 450. The analysis incorporates
sociodemographic, labor, and educational variables. The results indicate that lack of
social security affiliation, shorter working hours, and being female significantly
increase the probability of low income, reflecting structural conditions of informality
and gender inequality. Conversely, literacy, private-sector employment, urban
residence, and household headship reduce this probability and act as protective
factors. The Logit model exhibited the best overall statistical fit, while the Probit model
showed greater sensitivity in intermediate probability ranges. The consistency of
results across models strengthens the robustness of the findings and provides
empirical evidence to support public policies aimed at labor formalization and the
reduction of wage inequalities in the Ecuadorian labor market.
Keywords: Data mining; Binary models; Labor income; Structural informality; Gender
inequality.
Cita: Juna-Pozo, L. P. (2026).
Minería de datos aplicada al
ingreso laboral en Ecuador:
comparación de modelos MPL,
Logit y Probit. Innova Science
Journal, 4(3), 814-
832. https://doi.org/10.63618/omd
/isj/v4/n3/384
Recibido: 17/02/2026
Aceptado: 13/07/2026
Publicado: 31/07/2026
Copyright: © 2026 por los
autores. Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional. (CC
BY-NC).
(https://creativecommons.org/lice
nses/by-nc/4.0/)
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
815
Artículo Científico
1. Introducción
El estudio de los determinantes salariales en América Latina, según la Comisión
Económica para América Latina y el Caribe (CEPAL, 2021), ha adquirido relevancia en
el análisis económico y social debido a la persistencia de la informalidad, la desigualdad
estructural y la segmentación del mercado laboral. En Ecuador, estas condiciones se
expresan en brechas de ingreso asociadas a factores como el género, la afiliación al
seguro social, la zona de residencia y el tipo de ocupación, tal como señalan
investigaciones recientes sobre el mercado laboral ecuatoriano (López & Sarmiento,
2019). Comprender la forma en que estas variables influyen en los ingresos laborales
resulta esencial para orientar políticas públicas que promuevan la equidad y la inclusión
económica.
La Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) del año 2023
que constituye una fuente oficial de microdatos que permite analizar esta problemática
desde un enfoque cuantitativo riguroso (INEC, 2023), de la cual ya no es susceptible a
múltiples cambios o correcciones que alteren los resultados posteriores y representa un
punto de partida para posteriores análisis, con base en esta información, el presente
estudio desarrolla un proceso ETL para estructurar un conjunto de datos consistente,
sobre el cual se estiman tres modelos econométricos: el Modelo de Probabilidad Lineal
(MPL), Logit y Probit.
Diversos trabajos metodológicos han demostrado que la comparación entre modelos de
respuesta binaria permite evaluar la estabilidad de los coeficientes y detectar posibles
sesgos en la especificación funcional, lo que fortalece la validez interna de los resultados
(Hosmer, Lemeshow y Sturdivant 2013; Gujarati y Porter 2021). Asimismo, la
incorporación de técnicas de ciencia de datos en el procesamiento de encuestas
sociales ha contribuido a mejorar la precisión y replicabilidad de los análisis empíricos
en estudios laborales (OIT 2022; CEPAL 2022).
El propósito de este estudio es identificar los factores que explican las diferencias
salariales en Ecuador durante 2023, contrastando los resultados obtenidos entre los tres
modelos mencionados, este análisis busca aportar evidencia empírica que contribuya al
diseño de políticas laborales basadas en datos y orientadas a reducir las desigualdades
estructurales del mercado de trabajo ecuatoriano.
El interés por comprender las desigualdades de ingreso se vincula con los compromisos
internacionales asociados a los Objetivos de Desarrollo Sostenible (ODS),
especialmente el ODS 8 sobre trabajo decente y crecimiento económico, la literatura
reciente destaca la importancia de analizar los ingresos desde una perspectiva integral
que incorpore factores sociodemográficos, educativos y laborales que influyen en la
probabilidad de acceder a un empleo formal y adecuadamente remunerado (OIT 2022;
CEPAL 2022). En este marco, el uso de microdatos de encuestas de hogares constituye
una herramienta fundamental para caracterizar las condiciones laborales en contextos
territoriales específicos.
La comparación entre los modelos MPL, Logit y Probit aporta un enfoque analítico que
permite interpretar las relaciones entre variables desde distintos marcos funcionales y
probabilísticos, lo cual resulta especialmente útil cuando se trabaja con variables
categóricas o dicotómicas en la variable dependiente, los modelos Logit y Probit han
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
816
Artículo Científico
sido ampliamente utilizados en economía y ciencias sociales para analizar decisiones
binarias, ya que aseguran que las probabilidades estimadas se mantengan dentro de
límites coherentes y permiten interpretar los efectos marginales en contextos no lineales
(Hosmer, Lemeshow y Sturdivant 2013; Gujarati y Porter 2021). El aporte de este
estudio radica en integrar principios de la ciencia de datos con herramientas
econométricas para generar evidencia precisa y replicable que contribuya al diseño de
políticas laborales diferenciadas y efectivas.
2. Materiales y Métodos
Este estudio se fundamenta en un enfoque cuantitativo de corte transversal, basado en
microdatos de la ENEMDU correspondiente al año 2023, proporcionada por el Instituto
Nacional de Estadística y Censos del Ecuador (INEC 2023). La base de datos incluye
información sociodemográfica, ocupacional y de ingresos, recopilada mediante un
diseño muestral probabilístico estratificado, representativo a nivel nacional, urbano y
rural.
Para poder identificar las variables que contribuyan a los modelos econométricos
propuestos, se realiza un proceso de análisis del estado del arte de la problemática y
sus componentes teóricos, así como un análisis correlacional de las variables para
observar su significancia, su asociación y su transformación para cumplir con las
condiciones del modelo de variable dependiente binaria (MVDB). Estudios recientes
destacan la importancia de la preparación rigurosa de datos y la validación estadística
en investigaciones basadas en encuestas, especialmente cuando se aplican modelos
de clasificación binaria (Silva Filho et al. 2023).
2.1. Proceso ETL
Se aplicó un proceso ETL (Extracción, Transformación y Carga) en el software
estadístico SPSS V26 (Figura 1). La extracción se realizó desde archivos oficiales del
INEC. La transformación incluyó limpieza de datos, recodificación de variables
categóricas como sexo, afiliación al IESS y zona de residencia, además de la creación
de variables dummy como sedentarismo. La carga consistió en estructurar un dataset
analítico para su posterior modelado estadístico con tres modelos econométricos: MPL,
Logit y Probit. La literatura reciente subraya que los procesos ETL y la limpieza de datos
son determinantes para garantizar la calidad analítica y la validez de los modelos
estadísticos aplicados (Sajad Hussain 2021; Martínez Fernández 2014).
Figura 1.
Proceso ETL (Extract, Transform, Load)
Nota: Elaborado por CData Software (2023).
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
817
Artículo Científico
El enfoque multivariado se eligió debido a la naturaleza exploratoria del fenómeno,
permitiendo reducir la dimensionalidad de las variables mediante análisis factorial e
identificar predictores significativos mediante modelos logísticos. Las técnicas
cuantitativas multivariadas permiten estructurar fenómenos sociales complejos bajo
principios de objetividad, replicabilidad y análisis simultáneo de múltiples variables (Hair
et al., 2019).
2.1.1. Extracción
En la fase de extracción, se obtuvo el archivo en formato .sav, lo que permitió preservar
la estructura original de los datos y asegurar su integridad desde una fuente oficial, en
trabajos recientes recomiendan que la precisión en la extracción desde fuentes
homogéneas es fundamental para evitar pérdidas de información, errores de
codificación y alteraciones en la estructura de los datos, especialmente en estudios
basados en encuestas sociales (Alleva et al. 2021).
La ENEMDU 2023 fue seleccionada por responder a los ajustes metodológicos
incorporados en dicho periodo, los cuales constituyen mejoras sustanciales respecto a
versiones anteriores de la encuesta, se prevé que estos cambios se mantendrán en las
futuras ediciones, permitiendo una mayor estabilidad y comparabilidad en el análisis
longitudinal de indicadores laborales, de acuerdo con lo señalado en el Boletín N.º 05-
2024, la tasa de participación bruta registrada en 2023 alcanzó el 46,1 % a nivel
nacional, mientras que en el área urbana fue del 44,5 % y en el área rural del 49,5 %
(INEC, 2024)(Figura 2.).
Figura 2.
Tasa de participación bruta a nivel nacional, urbano y rural, años 2022 y 2023
Nota: Boletín Técnico N° 05-2024-ENEMDU.
En cuanto a la metodología establecida en el Boletín Técnico Nro. 05-2024 de la
Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU), la muestra
trimestral correspondiente al año 2023 estuvo compuesta por 27 048 viviendas, lo que
garantiza una representatividad estadística adecuada a nivel nacional, tanto en áreas
urbanas como rurales, adicionalmente, se incluyó representatividad específica para
cinco ciudades que se consideran auto-representadas dentro del diseño muestral: Quito
(capital del Ecuador), Guayaquil, Cuenca, Machala y Ambato (INEC, 2024).
2.1.2. Transformación
En la fase de transformación es importante, para Juna-Luis (2025) garantiza la calidad
de la información la limpieza de los datos, en este trabajo se realizó mediante el software
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
818
Artículo Científico
SPSS V26, este proceso consistió en la codificación de variables categóricas, la
imputación de valores perdidos, la normalización de etiquetas, la creación de variables
dummy para hacerlas comparativas y la aplicación de reglas semánticas para asegurar
la coherencia analítica, la transformación permitió adaptar los datos a los requerimientos
de los modelos MPL, Logit y Probit, facilitando su explotación estadística. Estudios
recientes destacan que la estandarización semántica y la validación estructural son
esenciales para garantizar coherencia y minimizar errores en datos sociales,
especialmente en encuestas de gran escala (Maslovskaya et al. 2022; Leeuw, D. y
Wooldridge, 2020).
Para realizar los cambios de variables cuantitativas se consideró el salario básico
unificado de 450 dólares establecido para el año 2023, comparando este valor con los
ingresos superiores a dicho umbral (Ministerio del Trabajo, 2022), para identificar
posibles hábitos asociados a una vida sedentaria, se tomó como referencia la
recomendación de la OMS, que señala que “los adultos deben realizar al menos 150
minutos de actividad física aeróbica de intensidad moderada a la semana, o al menos
75 minutos de actividad aeróbica de intensidad vigorosa, o una combinación equivalente
de ambas” (OMS, 2020), esta directriz permitió definir la variable D_AF relacionada con
la actividad física moderada.
El resto de variables categóricas se las recodificó con “1” para el nivel de factor que se
desea analizar y “0” con el factor o el resto de factores de comparación, en este caso en
las variables dicotómicas no requirió de mayores cambios.
2.1.3. Carga
En la fase de carga, los datos previamente depurados fueron incorporados al entorno
analítico de SPSS V26, donde se ejecutaron el análisis descriptivo de las principales
variables, las correlaciones entre estas y la estimación de los modelos econométricos,
esta etapa permitió asegurar la persistencia estructurada de la información, así como su
trazabilidad y reutilización en análisis comparativos y predictivos, aspectos
fundamentales para la replicabilidad y consistencia metodológica del estudio
(Weidmann, 2019).
2.2. Variables analizadas
La selección de las variables, se realizó mediante la relación o asociación de estás por
la correlación de Pearson y el estado del arte a lo que se refiere con los determinantes
salariales (Tabla 1.).
Tabla 1.
Variables usadas en los modelos econométricos
Tipo
Descripción
Codificación
Dicotómica (Dependiente)
Ingreso laboral mensual comparativo de $450
1 = Menor a $450;0 = Otros
ingresos
Numérica discreta
Edad del encuestado en años
Valor numérico
Numérica continua
Salario por un trabajo fijo
Valor numérico
Dicotómica
Sexo del encuestado
1 = Mujer;0 = Hombre
Dicotómica
Estado civil del encuestado
1 = Casado;0 = Otros
Dicotómica
Si el encuestado es jefe de hogar
1 = Jefe de hogar;0 = Otros
Dicotómica
Tipo de ocupación
1 = Empleado privado;0 =
Otros
Dicotómica
Zona geográfica de residencia
1 = Urbana;0 = Rural
Dicotómica
Si realiza actividad física moderada
1 = Sí;0 = No
Dicotómica
Nivel educativo alcanzado
1 = Secundaria;0 = Otros
niveles
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
819
Artículo Científico
Dicotómica
Jornada laboral semanal
1 = menor o igual a 40
horas;0 = mayor de 40 horas
Dicotómica
Afiliación algún tipo de seguro social
1 = Afiliado;0 = No afiliado
Dicotómica
Capacidad de lectura y escritura del encuestado
1 = Sí;0 = No
Nota: Elaborado por el autor en base a los datos de la ENEMDU 2023.
2.3. Modelos econométricos
La modelización estadística constituye una herramienta fundamental para el análisis de
fenómenos socioeconómicos cuando la variable de interés adopta una estructura
dicotómica, como ocurre en los estudios de ingresos laborales, la aplicación de modelos
econométricos para variables dependientes binarias permite estimar probabilidades
condicionadas y evaluar la influencia relativa de factores individuales, laborales y
contextuales, aportando evidencia empírica sólida para la interpretación de
desigualdades económicas. Investigaciones recientes señalan que la comparación entre
modelos lineales y no lineales mejora la robustez analítica y favorece una lectura más
precisa de los determinantes asociados a la vulnerabilidad salarial en estudios basados
en microdatos de encuestas (Cameron y Trivedi 2021; Long y Freese 2022). Se
estimaron tres modelos econométricos para el análisis comparativo.
2.3.1. Modelo de Probabilidad Lineal (MPL)
El Modelo de Probabilidad Lineal (MPL) es una forma simplificada de modelar variables
dependientes binarias, donde la respuesta toma valores de “0” y “1”, a pesar de sus
limitaciones teóricas, su simplicidad lo hace útil como punto de partida en estudios
empíricos, particularmente cuando se busca una primera aproximación a las relaciones
entre variables explicativas y una respuesta dicotómica (Wooldridge, 2020).
󰇛
󰇜    󰇛
Donde:
• Yi es la variable dependiente binaria
• β es la constante o intercepto
• βj son los coeficientes a estimar
• ε es el término de error.
La interpretación de los coeficientes es directa: un incremento unitario en Xj cambia la
probabilidad de que Y=1 en βj unidades, manteniendo constante el resto de variables
(principio certeris paribus).
2.3.2. Modelo Logit
El modelo Logit resulta apropiado cuando la variable dependiente es dicotómica, ya que
permite modelar la probabilidad de ocurrencia de un evento en función de múltiples
variables explicativas bajo un marco probabilístico no lineal. Este enfoque garantiza que
las probabilidades estimadas se mantengan dentro del intervalo lógico entre cero y uno,
y facilita la interpretación de los coeficientes a través de razones de probabilidades, lo
que aporta claridad analítica en estudios socioeconómicos. Investigaciones
metodológicas recientes destacan que el modelo Logit ofrece estabilidad en la
estimación y una interpretación consistente de los efectos marginales, especialmente
en análisis basados en microdatos de encuestas laborales y sociales (Greene, 2018).
El uso de modelos logísticos binarios ha demostrado ser una herramienta eficaz para
analizar decisiones y comportamientos representados mediante variables dicotómicas
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
820
Artículo Científico
en diferentes ámbitos de las ciencias sociales y económicas, en un estudio reciente
desarrollado con estudiantes universitarios ecuatorianos, la regresión logística permitió
identificar factores asociados a la intención emprendedora, evidenciando la utilidad de
este enfoque para estimar probabilidades y evaluar la influencia de variables explicativas
sobre eventos binarios (Valencia-Arias et al., 2026).
󰇛 󰇜
󰇛󰇜󰇛󰇜
• p es la probabilidad que ocurra el evento.
• son los odds (razón de éxito vs. fracaso).
• ln logaritmo natural.
• β es la constante o intercepto
• β,β,…,β son los coeficientes de X,X,…,X que son las variables
independientes.
Este modelo asume una distribución logística acumulada para la variable latente. Se
estimó mediante máxima verosimilitud.
2.3.3. Modelo Probit
El modelo Probit es ampliamente utilizado en estudios socioeconómicos para el análisis
de variables dependientes binarias, como la probabilidad de estar empleado, percibir
ingresos o acceder a servicios sociales. A diferencia del Modelo de Probabilidad Lineal,
el enfoque Probit asume una distribución normal de la variable latente, lo que permite
estimaciones probabilísticas acotadas entre cero y uno y una interpretación más precisa
de los efectos marginales en contextos caracterizados por informalidad y segmentación
estructural del mercado laboral. La literatura metodológica reciente destaca su utilidad
para modelar decisiones binarias cuando se trabaja con microdatos de encuestas
sociales y económicas (Perez-Truglia, 2020; Agresti, 2019). (Perez-Truglia, 2020).
󰇛 󰇜 󰇛󰇜󰇛󰇜
Donde:
• P(Y=1│X): s la probabilidad de que el evento ocurra (por ejemplo, que una
persona tenga ingresos).
• Φ representa la función de distribución acumulada normal estándar.
• Xᵀβ: es el producto escalar entre el vector de variables independientes y el
vector de coeficientes .
Este modelo es útil cuando se asume una distribución normal de los errores (Gujarati &
Porter, 2010).
2.4. Validación y pruebas estadísticas
La validación y las pruebas estadísticas permiten comprobar la consistencia y
confiabilidad de los modelos econométricos estimados, estas pruebas se utilizan para
verificar la asociación entre las variables explicativas y descartar problemas de
multicolinealidad, garantizando la validez interna y la estabilidad de los resultados
obtenidos.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
821
Artículo Científico
2.4.1. Correlación de variables
Para la identificación de variables potencialmente significativas se consideró, en primer
lugar, el estado del arte del problema en estudio. Posteriormente, para evaluar la
asociación estadística y la independencia entre variables categóricas, se aplicó la
prueba de Chi cuadrado de Pearson. Esta técnica no paramétrica resulta adecuada para
el análisis de datos provenientes de encuestas, ya que no requiere supuestos de
normalidad y permite identificar relaciones significativas entre variables cualitativas en
estudios socioeconómicos basados en grandes muestras (Agresti, 2019;Field, 2017).
Tabla 2.
Variables usadas en los modelos econométricos
Variables
Estadístico
Ingresos
Edad
Correlación de Pearson
-,214**
Sig. (bilateral)
0,000
Ingresos fijos
Correlación de Pearson
-,371**
Sig. (bilateral)
0,000
Mujeres
Correlación de Pearson
,193**
Sig. (bilateral)
0,000
Casados
Correlación de Pearson
-,145**
Sig. (bilateral)
0,000
Jefe del hogar
Correlación de Pearson
-,270**
Sig. (bilateral)
0,000
Empleados Privados
Correlación de Pearson
-,347**
Sig. (bilateral)
0,000
Urbana
Correlación de Pearson
-,164**
Sig. (bilateral)
0,000
Actividad física moderada
Correlación de Pearson
,070**
Sig. (bilateral)
0,000
Secundaria
Correlación de Pearson
,090**
Sig. (bilateral)
0,000
Trabajó al menos de 40 horas
Correlación de Pearson
,095**
Sig. (bilateral)
0,000
Los que no aportan algún seguro
Correlación de Pearson
,608**
Sig. (bilateral)
0,000
Saben leer o escribir
Correlación de Pearson
-,064**
Sig. (bilateral)
0,000
Nota: Elaborado por el autor
Para el análisis se debe comprobar las siguientes hipótesis:
• Ho: No existe correlación lineal significativa entre las variables.
• Ha: Existe correlación lineal significativa entre las variables.
Siendo el valor crítico:
Si p-valor<=0.05; Rechazo Ho
Decisión: Existe correlación lineal significativa entre las variables.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
822
Artículo Científico
Los resultados obtenidos en la Tabla 2, en este estudio revelan asociaciones
estadísticamente significativas entre todas las variables, la no afiliación al seguro social
presenta la correlación más fuerte (r = .608; p-valor < .001), evidenciando una relación
estructural entre la informalidad laboral y la baja percepción salarial. Asimismo, variables
como ingresos fijos (r = –.371), ocupación en el sector privado (r = –.347) y condición
de jefe del hogar (r = –.270) muestran correlaciones negativas relevantes, lo cual sugiere
que estas características no garantizan necesariamente ingresos superiores.
Por otro lado, el sexo femenino (r = .193), estado civil casado (r = –.145) y residencia
urbana (r = –.164) también se vinculan significativamente con el nivel de ingresos,
aunque con menor intensidad. Todas las correlaciones fueron significativas al nivel del
0.001, lo que valida su inclusión como predictores en los modelos econométricos MPL,
Logit y Probit.
2.4.2. Prueba de no multicolinealidad
PEl análisis de multicolinealidad resulta fundamental para garantizar la validez interna
de los modelos econométricos propuestos (MPL, Logit y Probit). La multicolinealidad se
refiere a la presencia de correlaciones elevadas entre dos o más variables
independientes, lo cual puede distorsionar la estimación de los coeficientes, aumentar
los errores estándar e incluso revertir la significancia estadística de predictores
relevantes (Hair et al. 2019). Para abordar este problema, se aplicó el Factor de Inflación
de la Varianza (VIF, por sus siglas en inglés) sobre las variables numéricas y
dicotómicas incluidas en el modelo. Valores de VIF inferiores a 5 se consideraron
indicativos de no colinealidad o a su vez en el coeficiente de tolerancia, si este es
cercano a 1, es un indicativo de no colinealidad (Wooldridge, 2020).
Los valores obtenidos de tolerancia y VIF (Tabla 3), indican que no existe
multicolinealidad severa entre las variables independientes del modelo propuesto.
Todas las tolerancias se mantienen por encima de 0.60 y los VIF por debajo de 2, lo
cual está dentro de los rangos aceptables recomendados en la literatura metodológica
(VIF < 5; tolerancia ≈ 1). La variable con menor tolerancia es “los que no aportan algún
seguro” (0.680; VIF = 1.470), y aunque su valor es el más cercano al umbral crítico, no
representa riesgo técnico. En conjunto, estos resultados confirman que las variables
seleccionadas para modelar los ingresos mensuales en Ecuador aportan información
independiente y relevante, fortaleciendo la robustez del enfoque econométrico
planteado.
Tabla 3.
Prueba de no multicolinealidad VIF
Variable
Tolerancia
VIF
Edad
0,606
1,649
Ingresos fijos
0,840
1,190
Mujeres
0,835
1,198
Casados
0,801
1,248
Jefe del hogar
0,717
1,394
Empleados Privados
0,775
1,291
Urbana
0,921
1,085
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
823
Artículo Científico
Actividad física
moderada
0,902
1,108
Secundaria
0,876
1,141
Trabajó al menos de 40
horas
0,996
1,004
Los que no aportan
algún seguro
0,680
1,470
Saben leer o escribir
0,949
1,054
Nota: Elaborado por el autor
3. Resultados
Los resultados obtenidos en el presente estudio fueron procesados incorporando el
factor de expansión muestral, lo que permitió ajustar los valores estimados a la
representatividad poblacional definida por el diseño complejo de la ENEMDU 2023. Esta
ponderación garantiza que los estadísticos descriptivos y los modelos econométricos
reflejen con mayor precisión la estructura sociodemográfica del país, fortaleciendo la
validez externa de los hallazgos y su aplicabilidad en el análisis de política pública,
aplicados tanto en la estadística descriptiva como en los modelos econométricos a
continuación:
3.1. Estadística descriptiva
La estadística descriptiva resulta fundamental para comprender el comportamiento de
las variables principales del estudio, ya que permite identificar patrones, tendencias y
posibles sesgos en los datos analizados. En esta investigación, su aplicación facilitó la
caracterización de la variable dependiente asociada al ingreso básico, así como de
variables clave relacionadas con la condición laboral y la afiliación a la seguridad social,
las cuales presentan asociaciones relevantes con el nivel de ingresos. La literatura
metodológica reciente destaca que la estadística descriptiva constituye una etapa
indispensable para resumir y organizar la información de manera clara y sistemática,
garantizando la coherencia analítica previa a la estimación de modelos econométricos
(Triola, 2022).
En la Figura 3, se observa que el 75% de los encuestados se encuentra en el grupo de
generar ingresos menores a $450, lo que refleja una alta concentración de población en
situación económica vulnerable, 3 de cada 4 ecuatorianos tiene ingresos menores que
el sueldo básico, mientras que el otros 25% superó ese lumbral de ingresos.
Figura 3.
Gráfico circular sobre ingresos
Nota: Elaborado por el autor
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
824
Artículo Científico
En la Figura 4, se observa que el 79% de los encuestados no aporta a ningún tipo de
seguro social, mientras que solo el 21% sí lo hace, casi 8 de cada 10 ecuatorianos se
supone que no tienen un empleo formal.
Figura 4.
Gráfico circular sobre las personas que aportan al seguro social
Nota: Elaborado por el autor
En la tabla 4, los asalariados presentan una fuerte concentración en torno al salario
básico de $450 mensuales, como lo refleja la coincidencia entre media, mediana y
moda. Esta homogeneidad sugiere la presencia de un salario base estructurado en el
mercado laboral, sin embargo, la dispersión salarial evidenciada por la desviación
estándar de $198,83 y la varianza superior a $39 000, indica que existen grupos con
ingresos significativamente distintos.
Tabla 4.
Medidas de tendencia centra y de dispersión del ingreso laboral
Estadísticos
Media
450,36
Mediana
450,00
Moda
450
Desv.
Desviación
198,827
Varianza
39532,133
Nota: Elaborado por el autor
3.2. Modelo de Probabilidad Lineal
En la Tabla 5, se observa que la variable asociada a la no afiliación a un seguro social
presenta el mayor coeficiente estandarizado (β = 0,429), lo que indica una fuerte
asociación positiva con la condición de ingresos cercanos o equivalentes al salario
básico, consolidándose como un indicador relevante de informalidad laboral, de igual
forma, pertenecer al sexo femenino (β = 0,101) y haber trabajado al menos 40 horas
semanales (β = 0,068) muestran asociaciones positivas con la variable dependiente,
aunque con menor magnitud relativa.
Las variables como empleo en el sector privado (β = −0,134), condición de jefe del hogar
(β = −0,106) e ingresos fijos (β = −0,199) presentan coeficientes negativos, lo que
evidencia una asociación inversa con la condición de ingresos bajos y sugiere una
mayor vinculación con niveles de ingreso superiores al salario básico, todos los
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
825
Artículo Científico
coeficientes resultaron estadísticamente significativos (p-valor < 0,001), lo que respalda
la capacidad explicativa del modelo MPL dentro del estudio.
Tabla 5.
Modelo de Probabilidad Lineal
Variables
Coeficientes
no
estandarizados
Coeficientes
estandarizados
B
Desv.
Error
Beta
t
Sig.
(Constante)
0,418
0,001
287,438
0,000
Edad
-0,002
0,0000
-
0,052
-181,103
0,000
Ingresos fijos
0,00
0,0000
-
0,199
-813,624
0,000
Mujeres
0,088
0,0000
0,101
412,316
0,000
Casados
-0,026
0,0000
-
0,026
-104,405
0,000
Jefe del hogar
-0,099
0,0000
-
0,106
-400,683
0,000
Empleados
Privados
-0,143
0,0000
-
0,134
-526,201
0,000
Urbana
-0,069
0,0000
-
0,073
-311,77
0,000
Actividad física
moderada
0,022
0,0000
0,02
85,793
0,000
Secundaria
0,015
0,0000
0,016
66,252
0,000
Trabajó al
menos de 40
horas
0,312
0,0010
0,068
302,929
0,000
Los que no
aportan algún
seguro
0,458
0,0000
0,429
1578,472
0,000
Saben leer y
escribir
-0,061
0,001
-
0,023
-98,918
0,000
Nota: Elaborado por el autor
3.3. Modelo Logit
En la Tabla 6, los resultados del modelo Logit muestran que la no afiliación a un seguro
social (Exp(B) = 3,978), haber trabajado al menos 40 horas semanales (Exp(B) = 6,329)
y pertenecer al sexo femenino (Exp(B) = 1,958) incrementan de manera significativa la
probabilidad de encontrarse en la condición de ingresos bajos. Estas variables se
asocian con características del mercado laboral vinculadas a informalidad, intensidad
de la jornada laboral y desigualdades de género.
Las variables como empleo en el sector privado (Exp(B) = 0,243), condición de jefe del
hogar (Exp(B) = 0,391), residencia en zona urbana (Exp(B) = 0,702) y alfabetización
(Exp(B) = 0,539) presentan razones de probabilidades inferiores a la unidad, lo que
indica una menor probabilidad de ubicarse en el grupo de ingresos bajos. La mayoría
de los coeficientes resultaron estadísticamente significativos al nivel del 1 %, mientras
que la variable estado civil casado fue significativa al 5 %, lo que respalda la consistencia
estadística del modelo Logit para el análisis del ingreso laboral.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
826
Artículo Científico
Tabla 6.
Modelo Logit
Variables
B
Error
estándar
Wald
Sig.
Exp(B)
Edad
-0,026
0,000
41398,871
0,000
0,974
Ingresos
Laborales
-0,020
0,000
802818,680
0,000
0,980
Mujeres
0,672
0,003
55882,098
0,000
1,958
Casados
-0,007
0,003
4,147
0,042
0,993
Jefe del
hogar
-0,940
0,003
91568,898
0,000
0,391
Empleados
Privados
-1,414
0,003
204566,469
0,000
0,243
Urbana
-0,353
0,003
12072,501
0,000
0,702
Actividad
física
moderada
0,492
0,003
22467,485
0,000
1,635
Secundaria
0,157
0,003
2913,558
0,000
1,170
Trabajó al
menos de
40 horas
1,845
0,011
26909,682
0,000
6,329
Los que no
aportan
algún
seguro
1,381
0,003
177585,269
0,000
3,978
Saben leer
o escribir
-0,618
0,010
3905,347
0,000
0,539
Constante
9,404
0,021
195577,697
0,000
12139,664
Nota: Elaborado por el autor
3.4. Modelo Probit
En la Tabla 7, los resultados del modelo Probit indican que la no afiliación a un seguro
social (Exp(B) = 9,267) y haber trabajado al menos 40 horas semanales (Exp(B) = 7,545)
se asocian de manera significativa con una mayor probabilidad de ubicarse en el grupo
de ingresos bajos, evidenciando vínculos con condiciones de informalidad y exigencias
laborales intensivas. Asimismo, pertenecer al sexo femenino (Exp(B) = 2,303)
incrementa significativamente la probabilidad de encontrarse en dicha condición.
Tabla 7.
Modelo Probit
Variables
B
Error
están
dar
Wald
Sig.
Exp(B)
Edad
-0,022
0,000
49309,039
0,00
0
0,978
Ingresos
fijos
-0,011
0,000
462473,46
6
0,00
0
0,989
Mujeres
0,834
0,002
136916,22
7
0,00
0
2,303
Casados
-0,191
0,002
5905,762
0,00
0
0,826
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
827
Artículo Científico
Jefe del
hogar
-0,898
0,002
139053,84
2
0,00
0
0,407
Empleado
s Privados
-1,450
0,003
293462,95
2
0,00
0
0,235
Urbana
-0,739
0,003
84291,228
0,00
0
0,478
Actividad
física
moderada
0,297
0,003
13587,989
0,00
0
1,346
Secundari
a
0,122
0,002
2887,429
0,00
0
1,129
Trabajó al
menos de
40 horas
2,021
0,008
59213,305
0,00
0
7,545
Los que
no aportan
algún
seguro
2,226
0,003
784137,30
8
0,00
0
9,267
Saben leer
o escribir
-0,722
0,008
8402,660
0,00
0
0,486
Constante
4,630
0,016
86449,359
0,00
0
102,50
4
Nota: Elaborado por el autor
3.5. Comparación de los modelos econométricos
En la Tabla 8, los tres modelos econométricos presentan consistencia en la dirección de
los efectos estimados para todas las variables analizadas, lo que refuerza la estabilidad
de los resultados obtenidos, las variables asociadas a la informalidad laboral y a
condiciones estructurales del empleo, como la no afiliación al seguro social, el sexo
femenino y la intensidad de la jornada laboral, mantienen coeficientes positivos en los
tres enfoques. En cambio, variables vinculadas a una mayor estabilidad económica,
como el empleo en el sector privado, la condición de jefe del hogar, la residencia en
zona urbana y la alfabetización, muestran efectos negativos de forma sistemática.
En términos de magnitud, el MPL presenta coeficientes relativamente menores, como
se observa en la variable no aportar al seguro social (B = 0,458) y en el sexo femenino
(B = 0,088), lo que refleja las limitaciones inherentes a su estructura lineal para capturar
relaciones no lineales, el modelo Logit incrementa la magnitud de estos efectos al
expresarlos en una escala logarítmica de probabilidades, evidenciando coeficientes más
elevados para las mismas variables (B = 1,381 y B = 0,672, respectivamente) y el
modelo Probit reproduce este patrón general, con coeficientes particularmente altos en
variables como no aportar al seguro social (B = 2,226) y haber trabajado al menos 40
horas semanales (B = 2,021), lo que sugiere una mayor sensibilidad en los rangos
intermedios de la distribución probabilística.
Las variables empleo en el sector privado y jefatura del hogar conservan coeficientes
negativos robustos y de magnitud comparable en los modelos Logit y Probit, indicando
una menor probabilidad de ubicarse en el grupo de ingresos bajos cuando estas
condiciones están presentes. La convergencia en los signos y la coherencia relativa de
las magnitudes entre los tres modelos refuerzan la solidez empírica del análisis y
justifican el uso complementario de los enfoques MPL, Logit y Probit para una
comprensión integral de los determinantes del ingreso laboral.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
828
Artículo Científico
Tabla 8.
Comparación de los modelos econométricos MPL, Logit y Probit
Variable
MPL (B)
Logit (B)
Probit (B)
Edad
–0,002
–0,026
–0,022
Ingresos fijos
0
–0,020
–0,011
Mujeres
0,088
0,672
0,834
Casados
–0,026
–0,007
–0,191
Jefe del hogar
–0,099
–0,940
–0,898
Empleados
Privados
–0,143
–1,414
–1,450
Urbana
–0,069
–0,353
–0,739
Actividad
física
moderada
0,022
0,492
0,297
Secundaria
0,015
0,157
0,122
Trabajó
menos de 40
horas
0,312
1,845
2,021
No aporta al
seguro social
0,458
1,381
2,226
Alfabetización
(sabe
leer/escribir)
–0,061
–0,618
–0,722
Nota: Elaborado por el autor
En la Tabla 9, se evidencian diferencias claras en la capacidad explicativa de los
modelos estimados, el modelo Logit presenta el mayor nivel de ajuste, reflejado en un
R² de Nagelkerke de 0,776, seguido por el modelo Probit con un valor de 0,610, mientras
que el Modelo de Probabilidad Lineal muestra un desempeño inferior, con un R² de Cox
y Snell de 0,467; estos resultados indican una mayor capacidad del modelo Logit para
capturar la variabilidad asociada a la condición de ingresos bajos.
Los valores del logaritmo de la verosimilitud confirman diferencias en la adecuación
relativa de los modelos, siendo el Logit el que muestra una mejor aproximación
comparativa a los datos observados, la prueba de Hosmer y Lemeshow resulta
estadísticamente significativa en los modelos Logit y Probit (p-valor < 0,001), lo que
sugiere discrepancias entre valores observados y esperados, un comportamiento
común en muestras de gran tamaño, la evidencia empírica respalda el uso del modelo
Logit como referencia principal, mientras que los modelos Probit y MPL aportan
consistencia comparativa y robustez al análisis.
Tabla 9.
Estadísticos de representatividad de los mode
Estadístico
Logaritmo
de la
veros. -2
R
cuadrado
de Cox y
Snell
R cuadrado
de
Nagelkerke
Prueba de Hosmer
y Lemeshow
Chi-cuadra
Sig.
MPL
0,467
0,000
Logit
4108128,7
0,527
0,776
49674551,3
0,000
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
829
Artículo Científico
Probit
6374075,53
0,414
0,61
150810,728
0,000
Nota: Elaborado por el autor
4. Discusión
Los resultados obtenidos en los tres modelos econométricos (MPL, Logit y Probit)
coinciden en señalar que la falta de aporte al seguro social es el principal determinante
de ingresos bajos en Ecuador. Este hallazgo refuerza la literatura reciente sobre el
empleo informal como fenómeno estructural que limita el acceso a derechos sociales y
estabilidad económica (Espejo, 2022). La magnitud del coeficiente en el modelo Probit
(B = 2,226) sugiere que la informalidad no solo es una condición laboral, sino un factor
de exclusión distributiva, esta evidencia respalda la necesidad de políticas públicas
orientadas a la formalización progresiva del empleo, especialmente en sectores
vulnerables.
La variable “sexo”, analizada con referencia a las mujeres, presenta un coeficiente
positivo y estadísticamente significativo en todos los modelos estimados, lo que
evidencia una mayor probabilidad de pertenecer al grupo de ingresos bajos. Este
resultado se articula con el efecto de trabajar menos de 40 horas semanales, reforzando
la precariedad laboral como un eje persistente de desigualdad estructural en el mercado
de trabajo. Estudios recientes sobre Ecuador muestran que, aun controlando por
educación, experiencia laboral y características ocupacionales, persiste una brecha
salarial de género atribuible a factores no observables, vinculados a discriminación
salarial y segmentación ocupacional. En este sentido Linthon-Delgado y Méndez-Heras
(2022), confirman que una parte sustancial de la brecha en el país no se explica por el
capital humano, sugiriendo la persistencia de prejuicios de género que limitan el acceso
de las mujeres a empleos de mayor calidad y estabilidad. Tales hallazgos, reflejados en
los coeficientes elevados del modelo Probit, respaldan la necesidad de políticas públicas
orientadas a la equidad laboral, la formalización del empleo y la corresponsabilidad
social.
En variables como “alfabetización”, “zona urbana”, “empleo privado” y “ser jefe del
hogar” se presentan coeficientes negativos significativos en los tres modelos, lo que
indica su rol protector frente al rezago salarial. Este hallazgo es consistente con la tesis
de la Comisión Económica para América Latina y el Caribe (CEPAL, 2022), la cual
sostiene que en la región persisten brechas estructurales donde el entorno urbano y el
nivel de instrucción actúan como determinantes críticos de la productividad y el ingreso.
El entorno urbano facilita el acceso a servicios, redes laborales y oportunidades
educativas, mientras que el capital humano, medido por la alfabetización, funciona como
un amortiguador frente a la vulnerabilidad económica. Estos resultados refuerzan la
importancia de políticas territoriales que fortalezcan las capacidades individuales y
colectivas para reducir las desigualdades que caracterizan al mercado laboral
latinoamericano (CEPAL, 2022).
Los resultados Rubina-López et al. (2025) señalan que la digitalización y la IA
transforman con rapidez los modelos pedagógicos institucionales. Este panorama difiere
parcialmente de lo hallado por Juna-Pozo (2025), cuyo estudio demuestra que, a nivel
ciudadano, la aceptación tecnológica no es homogénea, sino que está condicionada por
el nivel educativo y factores actitudinales. Así, mientras las instituciones proyectan un
futuro digitalizado e innovador, la población mantiene una marcada incertidumbre y
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
830
Artículo Científico
preocupaciones críticas respecto a la regulación, el empleo y el impacto social de estas
tecnologías (Torres et al., 2024).
5. Conclusiones
En base a los resultados obtenidos de los modelos econométricos MPL, Logit y Probit
aplicados a la ENEMDU 2023, se concluye que la vulnerabilidad salarial en Ecuador
responde principalmente a factores estructurales como la informalidad laboral, la
precariedad en las jornadas y la desigualdad de género, la variable “no aporta al seguro
social” se consolidó como el predictor más robusto del rezago distributivo, al presentar
los coeficientes positivos más elevados en los tres modelos (β = 0,458 en MPL; β =
2,226 en Logit; β = 1,381 en Probit), de manera consistente, ser mujer y trabajar menos
de 40 horas semanales incrementan la probabilidad de pertenecer al grupo de ingresos
bajos, lo que refuerza la evidencia sobre la feminización de la pobreza y la segmentación
laboral en el país.
En contraste, la alfabetización, el empleo en el sector privado, la residencia urbana y la
condición de jefe de hogar actúan como factores protectores, reduciendo
significativamente dicha probabilidad, estos hallazgos sugieren que el capital humano y
el entorno territorial son elementos clave para amortiguar las desigualdades
económicas.
Desde el punto de vista metodológico, el modelo Logit presentó el mejor ajuste
estadístico (Pseudo R² de Nagelkerke = 0,776), posicionándose como la herramienta
más robusta para este análisis, el modelo Probit aportó mayor sensibilidad en rangos
intermedios de riesgo, mientras que el MPL funcionó como una aproximación
exploratoria inicial, la triangulación de los tres enfoques fortalece la validez interna del
estudio y aporta evidencia empírica sólida.
Los resultados reflejan la necesidad de orientar las políticas públicas a la formalización
del empleo, la reducción de brechas de género y el fortalecimiento del capital humano,
contribuyendo al diseño de estrategias socioeconómicas más equitativas y sostenibles
en el contexto ecuatoriano.
Referencias Bibliográficas
Agresti, A. (2019). An introduction to categorical data analysis (3rd ed.). John Wiley &
Sons. https://www.wiley.com/en-
us/An+Introduction+to+Categorical+Data+Analysis%2C+3rd+Edition-p-
9781119405283
Alleva, G., Falorsi, P., Righi, P., & Petrarca, F. (2021). Measuring the accuracy of
aggregates computed from a statistical register. Journal of Official Statistics, 37(2),
481–503. https://doi.org/10.2478/jos-2021-0021
Almeida, F., & Duarte Santos, J. (2020). The role of artificial intelligence in human
resources. International Journal of Social Sciences and Management Research,
7(2), 17–27. https://doi.org/10.32861/ijssmr.72.17.27
Cameron, A. C., & Trivedi, P. K. (2021). Microeconometrics using Stata: Volume I:
Regression analysis. Stata Press.
https://www.stata.com/bookstore/microeconometrics-stata/
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
831
Artículo Científico
Comisión Económica para América Latina y el Caribe (CEPAL). (2021). Informalidad
laboral y la matriz de la desigualdad social: Políticas para su abordaje.
https://www.cepal.org/sites/default/files/events/files/01_lais_abramo.pdf
Comisión Económica para América Latina y el Caribe (CEPAL). (2022). Panorama
Social de América Latina y el Caribe 2022: La transformación de la educación como
eje central de la inclusión social. https://www.cepal.org/es/publicaciones/48518-
panorama-social-america-latina-caribe-2022-la-transformacion-la-educacion
Espejo, A. (2022). Informalidad laboral en América Latina: Propuesta metodológica para
su identificación a nivel subnacional. Comisión Económica para América Latina y el
Caribe (CEPAL). https://www.cepal.org/es/publicaciones/47726-informalidad-
laboral-america-latina-propuesta-metodologica-su-identificacion
Field, A. (2017). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE
Publications.
Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson.
Gujarati, D. N., & Porter, D. C. (2010). Econometría (5.ª ed.). McGraw-Hill Education.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis
(8th ed.). Cengage Learning.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression
(3rd ed.). Wiley. https://doi.org/10.1002/9781118548387
Instituto Nacional de Estadística y Censos (INEC). (2023). Encuesta Nacional de
Empleo, Desempleo y Subempleo (ENEMDU) 2023.
https://www.ecuadorencifras.gob.ec/enemdu-anual-2023/
Instituto Nacional de Estadística y Censos (INEC). (2024). Boletín técnico N.° 05
ENEMDU-2024. https://www.ecuadorencifras.gob.ec/documentos/web-
inec/EMPLEO/2024/Boletines/Boletin_Tecnico_05-2024-ENEMDU.pdf
Juna-Pozo, L. P. (2025). Percepciones sobre la inteligencia artificial analizadas con
componentes principales y regresión multinomial. Innova Science Journal,
3(número especial 1), 289–302. https://doi.org/10.63618/omd/isj/v3/nE1/194
Linthon-Delgado, D. E., & Méndez-Heras, L. B. (2022). Descomposición de la brecha
salarial de género en el Ecuador. Revista Mexicana de Economía y Finanzas, 17(1),
1–23. https://doi.org/10.21919/remef.v17i1.706
Long, J. S., & Freese, J. (2023). Regression models for categorical dependent variables
using Stata (3rd ed.). Stata Press.
López, J., & Sarmiento, G. (2019). Determinantes de la brecha salarial en Ecuador:
Análisis bajo un modelo minceriano relacionado con variables agregadas dummy.
Espirales Revista Multidisciplinaria de Investigación Científica, 3(29), 70–85.
https://doi.org/10.31876/er.v3i29.591
Martínez-Fernández, J. R. (2014). Introducción al análisis de datos cuantitativos en
ciencias sociales.
Innova Science Journal
Innova Science Journal |Vol.04 | Núm.03 | Jul – Sep | 2026 |www.innovasciencejournal.omeditorial.com
832
Artículo Científico
https://www.researchgate.net/publication/262158510_Introduccion_al_Analisis_de
_Datos_Cuantitativos_en_Ciencias_Sociales
Maslovskaya, O., Struminskaya, B., & Durrant, G. (2022). The future of online data
collection in social surveys: Challenges, developments and applications. Journal of
the Royal Statistical Society: Series A (Statistics in Society), 185(3), 768–772.
https://doi.org/10.1111/rssa.12895
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.