pág. 7567
IDENTIFICACIÓN Y CARACTERIZACIÓN
DE PERFILES DE INACTIVIDAD LABORAL
EN ECUADOR MEDIANTE ANÁLISIS DE
COMPONENTES PRINCIPALES Y CLÚSTERES
K-MEANS
IDENTIFICATION AND CHARACTERIZATION OF
LABOR INACTIVITY PROFILES IN ECUADOR THROUGH
PRINCIPAL COMPONENT ANALYSIS AND
K-MEANS CLUSTERS
Jorge Adrian Sarcos González
Universidad de Guayaquil, Ecuador
pág. 7568
DOI: https://doi.org/10.37811/cl_rcm.v8i6.15451
Identificación y Caracterización de Perfiles de Inactividad Laboral en
Ecuador mediante Análisis de Componentes Principales y Clústeres K-
means
Jorge Adrian Sarcos González
1
jorge.sarcosgon@ug.edu.ec
https://orcid.org/0009-0007-6645-1567
Universidad de Guayaquil
Ecuador
RESUMEN
La inactividad laboral representa un desafío significativo para el desarrollo económico y social de
Ecuador. Este estudio tiene como objetivo principal identificar y caracterizar los perfiles de inactividad
laboral en el país utilizando datos de la Encuesta Nacional de Empleo, Desempleo y Subempleo
(ENEMDU) 2023. Se aplicaron técnicas estadísticas avanzadas, como el Análisis de Componentes
Principales (ACP) y el Análisis de Clústeres K-means, para reducir la dimensionalidad de los datos y
segmentar la población inactiva en grupos homogéneos. Los resultados revelaron tres clústeres
predominantes: (1) "Trabajadores activos con baja educación", caracterizados por jóvenes urbanos con
niveles educativos bajos; (2) "Inactivos con educación técnica o media", que incluyen una mezcla de
personas activas e inactivas con formación técnica o media; y (3) "Diversos inactivos, estudiantes y
trabajo no remunerado", compuesto por una amplia gama de individuos con diversas razones para su
inactividad laboral. Estos perfiles proporcionan una base sólida para diseñar políticas públicas
focalizadas que aborden las necesidades específicas de cada grupo. La combinación de ACP y K-means
en el contexto ecuatoriano ofrece una comprensión más profunda de los factores que contribuyen a la
inactividad laboral, facilitando la implementación de intervenciones efectivas.
Palabras Clave: inactividad laboral, Ecuador, análisis de componentes principales, clústeres k-means
1
Autor principal
Correspondencia: jorge.sarcosgon@ug.edu.ec
pág. 7569
Identification and Characterization of Labor Inactivity Profiles in Ecuador
through Principal Component Analysis and K-means Clusters
ABSTRACT
Labor inactivity represents a significant challenge for the economic and social development of Ecuador.
This study aims primarily to identify and characterize labor inactivity profiles in the country using data
from the National Survey of Employment, Unemployment and Underemployment (ENEMDU) 2023.
Advanced statistical techniques, such as Principal Component Analysis (PCA) and K-means Cluster
Analysis, were applied to reduce the dimensionality of the data and segment the inactive population
into homogeneous groups. The results revealed three predominant clusters: (1) “Active workers with
low education,” characterized by urban youth with low educational levels; (2) “Inactive with technical
or secondary education,” which include a mix of active and inactive individuals with technical or
secondary training; and (3) “Diverse inactive, students and unpaid work,” composed of a wide range of
individuals with diverse reasons for their labor inactivity. These profiles provide a solid basis for
designing targeted public policies that address the specific needs of each group. The combination of
PCA and K-means in the Ecuadorian context offers a deeper understanding of the factors that contribute
to labor inactivity, facilitating the implementation of effective interventions.
Keywords: labor inactivity, Ecuador, principal component analysis, k-means clusters
Artículo recibido 15 octubre 2024
Aceptado para publicación: 20 noviembre 2024
pág. 7570
INTRODUCCIÓN
La inactividad laboral es un desafío persistente en el mercado laboral ecuatoriano, afectando
significativamente el desarrollo económico y social del país. Comprender las características y factores
asociados con la inactividad laboral es esencial para diseñar políticas efectivas que promuevan la
inclusión en el mercado laboral.
El objetivo principal de este estudio es identificar y caracterizar perfiles de inactividad laboral en
Ecuador utilizando datos de la ENEMDU 2023. Para ello, se emplean técnicas estadísticas avanzadas
como el Análisis de Componentes Principales (ACP) y el Análisis de Clústeres K-means. Estas
metodologías permiten reducir la complejidad de los datos y segmentar la población inactiva en grupos
homogéneos, facilitando la comprensión de los factores que contribuyen a la inactividad laboral.
La combinación de técnicas estadísticas como el Análisis de Componentes Principales (ACP) y el K-
means ha demostrado ser una herramienta poderosa para la reducción de dimensionalidad y la
segmentación en análisis de datos (Ding, C. & He, X., 2004)
Este enfoque metodológico es innovador en el contexto ecuatoriano, ya que pocos estudios han aplicado
técnicas multivariantes para explorar patrones complejos en la población inactiva. Los hallazgos de este
estudio aportan una comprensión más profunda de los perfiles de inactividad laboral, lo cual es crucial
para el diseño de políticas públicas efectivas y focalizadas.
Marco Teórico
La inactividad laboral, entendida como la ausencia de participación en el mercado laboral, representa
un desafío importante para las economías en desarrollo. Según la teoría del capital humano, factores
como la educación, la experiencia y las características individuales influyen en la capacidad de las
personas para acceder al empleo y, por ende, en su decisión de participar en el mercado laboral. (Becker,
1964) argumenta que la inversión en capital humano a través de la educación y la capacitación es
esencial para mejorar la productividad y la empleabilidad. En este contexto, los niveles educativos bajos
limitan las oportunidades laborales, mientras que la educación superior puede contribuir a una inserción
más exitosa en el mercado laboral. Sin embargo, las teorías de segmentación del mercado laboral
proponen que, además de las características individuales, existen factores estructurales, como la
desigualdad de género, las disparidades regionales y las barreras culturales, que limitan el acceso a
pág. 7571
empleos de calidad, promoviendo así la inactividad o el empleo informal (Goodrich, L. G. W.,
Domínguez Mújica, J., & Parreño Castellano, J. M., 2017)
Por otro lado, las técnicas multivariantes como el Análisis de Componentes Principales (ACP) y el
Análisis de Clústeres han demostrado ser herramientas útiles para analizar fenómenos complejos como
la inactividad laboral.
El ACP se utiliza ampliamente en análisis multidimensionales para reducir la complejidad de los datos.
Estudios recientes en Ecuador han validado la efectividad del ACP y K-means para analizar grupos
poblacionales (Herrera, Arroyo, Á., Jiménez, A., & Herrero, Á., 2024)
Estas metodologías permiten reducir la dimensionalidad de los datos y segmentar poblaciones en grupos
homogéneos, facilitando la identificación de patrones subyacentes y proporcionando una base sólida
para el diseño de políticas públicas. Según Moreano y Castro (2022), estas técnicas son particularmente
útiles para captar asociaciones entre variables sociodemográficas y resultados económicos, permitiendo
una comprensión más profunda de los factores que influyen en la participación laboral.
Revisión De La Literatura
Estudios previos han utilizado datos de la Encuesta Nacional de Empleo, Desempleo y Subempleo
(ENEMDU) para explorar las características de la inactividad laboral en Ecuador, destacando la
importancia de factores como la educación, el estado civil y la ubicación geográfica. Goodrich et al.
(2017) realizaron un análisis multidimensional de estudiantes en Ecuador, identificando patrones de
asistencia y deserción escolar mediante técnicas de clústeres jerárquicos. Sus hallazgos subrayan la
relevancia de las características sociodemográficas en la configuración de perfiles poblacionales. De
manera similar, (Marchán, A. B., Delgado, R., & Stefos, E., 2017) analizaron a artesanos y trabajadores
no calificados, utilizando ACP para identificar criterios de diferenciación clave, como el nivel educativo
y las condiciones laborales. Estos estudios resaltan cómo las técnicas multivariantes pueden ser
utilizadas para caracterizar grupos poblacionales y abordar problemas sociales complejos.
Otro aspecto crucial es el impacto de la educación en la inactividad laboral. (Aguirre, P. A. U., Martínez
Valarezo, J. D., & Carrión Ayala, V. E., 2021) examinaron las disparidades salariales entre hombres y
mujeres en Ecuador, destacando cómo el nivel educativo y el estado civil influyen en la participación
laboral.
pág. 7572
Este estudio también identificó una segregación ocupacional significativa, que afecta especialmente a
las mujeres con niveles educativos bajos. Por su parte, (Armijos-Bravo, G. & Camino-Mogro, S. , 2023)
analizaron el impacto de la pandemia de COVID-19 en la empleabilidad femenina, encontrando que las
políticas de confinamiento exacerbaron las desigualdades laborales, particularmente entre las mujeres
jóvenes y aquellas con menor nivel educativo. Estos hallazgos subrayan la importancia de considerar
factores de género y educación en el análisis de la inactividad laboral.
Además de la educación, las disparidades regionales y las condiciones geográficas juegan un papel
fundamental en la segmentación del mercado laboral. (López-Cevallos & D. F., & Chi, C. , 2010)
utilizaron ACP para evaluar las desigualdades en el acceso a servicios de salud en Ecuador, destacando
cómo las disparidades económicas y étnicas limitan el acceso a oportunidades laborales en comunidades
rurales e indígenas. Este análisis es relevante para comprender cómo la ubicación geográfica puede
influir en la inactividad laboral y la desigualdad económica. Por otro lado, (Barbieri & Pan, W., 2013)
analizaron factores que motivan a los colonos del Amazonas ecuatoriano a participar en empleos fuera
del sector agrícola, identificando cómo las condiciones comunitarias y las características individuales
interactúan para determinar la participación laboral.
En términos metodológicos, (Moreano, L. F. & Castro, L. U., 2022)revisaron el uso de métodos
multivariantes en estudios educativos, destacando cómo el ACP y el análisis de clústeres permiten
identificar patrones complejos en datos sociodemográficos. Su revisión concluyó que estas técnicas son
esenciales para analizar fenómenos multidimensionales y proporcionar una base sólida para el diseño
de políticas basadas en evidencia. Asimismo, Marchán et al. (2017) demostraron que el uso combinado
de técnicas multivariantes y descriptivas puede revelar diferencias significativas entre grupos laborales,
proporcionando información valiosa para intervenciones específicas.
La relación entre género, migración y participación laboral también ha sido objeto de estudio. (Brown,
L., Pavri, F., & Lawson, V., 1998) examinaron cómo las políticas de ajuste estructural afectaron la
organización del trabajo en Ecuador, encontrando que las mujeres migrantes enfrentaron mayores
barreras para acceder a empleos formales durante la década de 1980. Este análisis histórico proporciona
un contexto útil para entender las dinámicas actuales del mercado laboral ecuatoriano.
pág. 7573
Por otro lado, Aguirre et al. (2021) destacaron la necesidad de fortalecer la participación de las mujeres
en el mercado laboral, proponiendo políticas que promuevan la igualdad de género y reduzcan las
barreras estructurales.
Finalmente, López-Cevallos y Chi (2010) sugieren que las desigualdades socioeconómicas en Ecuador
limitan significativamente el acceso a servicios esenciales y oportunidades laborales, lo que perpetúa
ciclos de pobreza e inactividad laboral. Este hallazgo es consistente con estudios que analizan la
influencia de la educación, el género y la ubicación geográfica en la configuración de la inactividad
laboral en el país.
METODOLOGÍA
Descripción de los datos
Este estudio utiliza datos de la Encuesta Nacional de Empleo, Desempleo y Subempleo Urbano y Rural
(ENEMDU) correspondiente al año 2023. La base de datos original contiene 345,174 observaciones y
141 variables relacionadas con características sociodemográficas y económicas de la población
ecuatoriana.
Para el análisis, se seleccionaron variables clave que se consideran relevantes para entender la
inactividad laboral, incluyendo características personales (edad, estado civil), educativas (nivel
educativo alcanzado), geográficas (zona urbana o rural) y socioeconómicas (condición de pobreza
extrema).
Justificación de los métodos utilizados
Análisis de Componentes Principales (ACP)
El Análisis de Componentes Principales (ACP) es una técnica estadística multivariante que permite
reducir la dimensionalidad de un conjunto de datos con múltiples variables correlacionadas,
transformándolas en un nuevo conjunto de variables no correlacionadas llamadas componentes
principales. Cada componente principal es una combinación lineal de las variables originales y captura
la máxima varianza posible.
La matriz de covarianza Σ se calcula como:
pág. 7574
donde X es la matriz de datos original. El ACP implica encontrar los valores propios (λ) y vectores
propios (v) de la matriz de covarianza Σ, resolviendo la ecuación:
Los componentes principales son las proyecciones de los datos originales sobre los vectores propios,
calculados como:
donde m es el número de componentes seleccionados. La proporción de la varianza explicada por el k-
ésimo componente principal está dada por:
Proporción de Varianza =
Justificación del uso del ACP
Reducción de complejidad: Dada la gran cantidad de variables categóricas y continuas en el conjunto
de datos, el ACP ayuda a simplificar el análisis al condensar la información en unos pocos componentes
clave.
Identificación de patrones ocultos: El ACP permite descubrir relaciones subyacentes entre las variables
que no son evidentes a simple vista.
Facilitación de la segmentación: Al transformar las variables originales en componentes principales, se
mejora la eficacia del análisis de clústeres posterior, ya que se trabaja con variables no correlacionadas
que capturan la esencia de los datos.
Análisis de Clústeres K-means
El Análisis de Clústeres K-means es un método de segmentación que agrupa observaciones en k
clústeres, de manera que cada observación pertenece al clúster con la media más cercana, minimizando
la variación dentro de los clústeres y maximizando la variación entre ellos.
El objetivo es minimizar la suma de las distancias al cuadrado entre cada punto y el centroide de su
clúster correspondiente:
donde C={C1,C2,…,Ck} es la partición de los datos en k clústeres y
es el centroide del clúster Ci.
pág. 7575
El algoritmo K-means sigue un procedimiento iterativo que consta de los siguientes pasos:
1. Inicialización: Seleccionar k puntos iniciales como centroides.
2. Asignación de Clústeres: Asignar cada punto al clúster cuyo centroide está más cercano.
3. Actualización de Centroides: Recalcular los centroides como la media de los puntos asignados a
cada clúster.
4. Convergencia: Repetir los pasos de asignación y actualización hasta que los centroides ya no
cambien significativamente o se alcance un número máximo de iteraciones.
Justificación del uso de K-means
Segmentación efectiva: K-means es especialmente útil para grandes conjuntos de datos y permite
identificar grupos homogéneos basados en características múltiples.
Aplicabilidad práctica: La segmentación de la población inactiva en perfiles específicos facilita el
diseño de políticas públicas focalizadas y efectivas.
Complementariedad con el ACP: Los componentes principales obtenidos del ACP proporcionan un
espacio de variables adecuadas para aplicar K-means, mejorando la calidad de la segmentación.
El uso combinado de ACP y K-means ha mostrado resultados óptimos en contextos de segmentación
compleja, como lo evidencian estudios en Kalimantan, Indonesia, sobre indicadores laborales (Rais,
Goejantoro, R., & Prangga, S., 2021)
La integración del ACP para la reducción de dimensionalidad y K-means para la agrupación ha sido
utilizada para optimizar procesos en análisis de datos complejos, incluso bajo escenarios de alta
multicolinealidad (Afifa, R., Mazdadi, M. I., Saragih, T. H., Indriani, F., & Muliadi, M., 2024)
Preparación de los datos
Selección y transformación de variables
Se realizó una selección de variables relevantes para el estudio, enfocándose en aquellas que influyen
en la inactividad laboral. Entre las variables continuas se incluyó la Edad estandarizada. Las variables
categóricas fueron transformadas en dummies e incluyeron las diferentes categorías de Estado Civil,
tales como Soltero, Divorciado, Viudo, Separado, Casado, Unión Libre y Sin especificar, así como los
distintos niveles educativos alcanzados, que abarcan desde Sin Educación Formal hasta Postgrado.
pág. 7576
Además, se consideraron variables binarias que indicaban si la persona reside en área rural o urbana, y
si se encontraba en pobreza extrema. La variable Condición de actividad laboral se mantuvo para
analizar la relación entre los clústeres identificados y la condición laboral de los individuos.
Estandarización de variables
La variable continua Edad fue estandarizada para eliminar efectos de escala y facilitar la comparación
entre variables, generando así la variable Edad Estandarizada.
Análisis de Componentes Principales (ACP)
Ejecución del ACP
Se aplicó el Análisis de Componentes Principales (ACP) a las variables Edad estandarizada, Estado
Civil, Nivel Educativo y Área geográfica. La variable Pobreza extrema fue excluida del ACP debido a
que presentaba varianza cero, es decir, no aportaba información discriminante al análisis. Se decidió
extraer los tres primeros componentes principales basándose en el criterio de eigenvalores mayores a
uno y en la proporción acumulada de la varianza explicada.
Se decidió extraer los tres primeros componentes principales basándose en el criterio de eigenvalores
donde la tendencia se estabiliza y en la proporción acumulada de la varianza explicada.
Figura 1. Representación gráfica de los valores propios asociados a cada componente principal,
indicando la varianza explicada y la selección de componentes clave basada en el criterio de codo.
Estos componentes fueron fundamentales para captar las dimensiones clave que diferencian a los
individuos inactivos.
pág. 7577
RESULTADOS
Descripción detallada de los componentes principales
Los tres componentes principales obtenidos explican en conjunto el 31.74% de la varianza total, lo cual
es adecuado considerando la naturaleza multidimensional de los datos.
Interpretación integrada de los componentes
El primer componente principal, denominado "Edad y Nivel Educativo", explica el 14.81% de la
varianza total. Este componente refleja un gradiente de edad y nivel educativo. Las cargas factoriales
positivas significativas incluyen la edad estandarizada (0.5370), Educación Superior Incompleta
(0.2913) y Educación Superior Completa (0.2038). Por otro lado, las cargas factoriales negativas
significativas están asociadas con Educación Primaria Incompleta (-0.3696) y Sin Educación Formal (-
0.2483). Este patrón indica que las puntuaciones altas en este componente corresponden a individuos
de mayor edad con niveles educativos superiores, mientras que las puntuaciones bajas se asocian con
personas más jóvenes con bajos niveles educativos. Las cargas positivas en niveles educativos
superiores y edad sugieren que, a medida que aumenta la edad, es más probable que las personas hayan
alcanzado niveles educativos más altos. Las cargas negativas en niveles educativos bajos indican que
los individuos jóvenes tienden a tener menor educación, lo cual puede influir en su inactividad laboral.
El segundo componente principal, denominado "Estado Civil y Educación Media", explica el 9.62% de
la varianza total. Este componente distingue entre diferentes estados civiles y niveles educativos
intermedios. Las cargas factoriales positivas significativas incluyen ser Soltero (0.4496) y Sin
Educación Formal (0.3589), mientras que las cargas factoriales negativas significativas están asociadas
con Unión Libre (-0.5811) y Educación Secundaria Completa (-0.4274). Este patrón sugiere que las
puntuaciones altas en este componente están asociadas con individuos solteros y con muy bajos niveles
educativos, mientras que las puntuaciones bajas corresponden a personas en unión libre con educación
secundaria completa. Este componente indica que el estado civil y la educación media están
relacionados con la inactividad laboral de maneras específicas, posiblemente reflejando
responsabilidades familiares o diferencias culturales en la participación laboral.
El tercer componente principal, denominado "Área Geográfica y Educación Técnica", explica el 7.31%
de la varianza total. Este componente captura diferencias geográficas y educativas, reflejando
pág. 7578
disparidades entre áreas rurales y urbanas en términos de educación y acceso al empleo. Las cargas
factoriales positivas significativas incluyen residir en área rural (0.4537), Educación Superior
Incompleta (0.4614) y Educación Técnica o Tecnológica (0.3211). Las cargas factoriales negativas
significativas están asociadas con Educación Superior Completa (-0.4171) y Postgrado (-0.3010). Este
patrón indica que las puntuaciones altas en este componente corresponden a individuos en áreas rurales
con educación técnica o superior incompleta, mientras que las puntuaciones bajas corresponden a
personas en áreas urbanas con educación superior completa o postgrado.
Tabla 1. Variables utilizadas en el análisis.
Variable
Descripción
Tipo
Edad estandarizada
Edad estandarizada
Continua
Estado Civil 1-7
Dummies de estado civil
Categóricas (variables dummy)
Nivel Educativo 1-11
Dummies de nivel educativo
alcanzado
Categóricas (variables dummy)
Área geográfica
Área geográfica (1 = Rural, 0 =
Urbana)
Binaria
Pobreza extrema
Pobreza extrema (1 = Sí, 0 = No)
Binaria
Condición de actividad laboral
Condición de actividad laboral
Categórica
Tabla 2. Distribución de frecuencia de las variables categóricas
Tabla 2A. Distribución del estado civil
Estado Civil
Frecuencia
Porcentaje
Sin especificar
56,140
16.26%
Soltero
85,554
24.79%
Divorciado
16,670
4.83%
Viudo
10,031
2.91%
Separado
14,734
4.27%
Casado
45,595
13.21%
Unión Libre
116,450
33.74%
Total
345,174
100.00%
Nota: Los códigos de estado civil no especificados corresponden a categorías no identificadas en los datos.
pág. 7579
Tabla 2B. Distribución del nivel educativo.
Nivel Educativo
Frecuencia
Porcentaje
Sin especificar
20,232
5.86%
1 (Sin Educación Formal)
9,512
2.76%
2
396
0.11%
3
1
0.00%
4 (Educación Secundaria Incompleta)
67,128
19.45%
5 (Educación Técnica o Tecnológica)
66,965
19.40%
6 (Educación Superior Incompleta)
71,576
20.74%
7 (Educación Primaria Incompleta)
40,782
11.81%
8 (Educación Superior Completa)
8,394
2.43%
9 (Educación Secundaria Completa)
53,267
15.43%
10 (Postgrado)
6,921
2.01%
Total
345,174
100.00%
Nota: Los códigos de nivel educativo no especificados corresponden a categorías no identificadas en los datos.
Tabla 3. Resultados del Análisis de Componentes Principales (ACP)
Cargas factoriales de los tres primeros componentes principales
Variable
Comp1
Comp2
Comp3
Comunalidad
Edad estandarizada
0.537
0.0435
0.0642
0.864
Soltero
-0.4102
0.4496
-0.0262
0.8882
Divorciado
0.3237
0.1695
-0.1532
0.3999
Unión Libre
-0.1877
-0.5811
0.1315
0.7792
Sin Educación Formal
-0.2483
0.3589
-0.0846
0.4408
Educación Superior Incompleta
0.2913
0.1794
0.4614
0.6246
Educación Primaria Incompleta
-0.3696
0.1037
0.1018
0.4405
Educación Superior Completa
0.2038
0.0483
-0.4171
0.3818
Educación Secundaria Completa
-0.1199
-0.4274
0.1987
0.4517
Postgrado
0.0611
-0.2142
-0.301
0.2318
Área geográfica
-0.0054
0.0975
0.4537
0.3193
Nota: Solo se incluyen las variables con cargas significativas en al menos uno de los componentes.
pág. 7580
Tabla 4. Estadísticas descriptivas de los componentes principals
Componente
N
Media
Desviación
estándar
Mínimo
Máximo
PC1
345,174
0
1.721
-3.0076
3.0496
PC2
345,174
0
1.386
-2.577
2.9228
PC3
345,174
0
1.209
-2.5261
3.8434
Nota: Las medias son aproximadamente cero debido a la estandarización de las variables.
Resultados del análisis de clústeres
Análisis de Clústeres (K-means)
Se aplicó el Análisis de Clústeres K-means utilizando las puntuaciones de los tres componentes
principales (Edad y Nivel Educativo, Estado Civil y Educación Media, y Área Geográfica y Educación
Técnica). Se decidió segmentar la población en tres clústeres, basándose en la interpretación de los
componentes principales y en métricas de validación como el Método del Codo y el Índice de Silhouette,
que indicó un valor promedio de 0.52, lo que sugiere una buena calidad de la segmentación.
Tabla 5. Resultados de la regresión de condición de actividad laboral sobre los componentes
principales.
Variable
Coeficiente
Error
estándar
Valor t
Valor p
Intervalo de
confianza
(95%)
Edad y Nivel Educativo (PC1)
0.8279
0.003
276.98
0
[0.8221, 0.8338]
Estado Civil y Educación Media
(PC2)
-0.8406
0.0037
-226.61
0
[-0.8479, -
0.8334]
Área Geográfica y Educación
Técnica (PC3)
0.4905
0.0043
115.28
0
[0.4822, 0.4989]
Constante
3.8435
0.0051
747.08
0
[3.8334, 3.8536]
Tabla 6. Resultados del análisis de clústeres (K-means)
Clúster
Frecuencia
Porcentaje
1
56,140
16.26%
2
118,746
34.40%
3
170,288
49.33%
Total
345,174
100.00%
pág. 7581
Relación con la inactividad laboral
La variable condición de actividad laboral mostró patrones diferenciados entre los clústeres,
destacando que los motivos de inactividad varían significativamente según la edad, educación y
ubicación geográfica.
Tabla 7. Estadísticas descriptivas de los componentes principales por clúster
Tabla 7A. Clúster 1
Componente
N
Media
Desviación
estándar
Mínimo
Máximo
PC1
56,140
-2.7571
0.2184
-3.0076
-1.2045
PC2
56,140
1.962
0.6118
1.4394
2.9228
PC3
56,140
-0.087
0.5717
-0.8124
1.9317
Tabla 7B. Clúster 2
Componente
N
Media
Desviación
estándar
Mínimo
Máximo
PC1
118,746
-0.8566
0.7291
-1.8848
1.161
PC2
118,746
-1.5545
0.7184
-2.577
0.6461
PC3
118,746
0.241
0.8617
-1.2683
2.9201
Tabla 7C. Clúster 3
Componente
N
Media
Desviación
estándar
Mínimo
Máximo
PC1
170,288
1.5062
0.5761
-0.6429
3.0496
PC2
170,288
0.4371
0.5197
-1.6916
1.3543
PC3
170,288
-0.1394
1.5085
-2.5261
3.8434
Tabla 8. Distribución de los clústeres según área geográfica
Clúster
Urbana (0)
Rural (1)
Total
1
39,809
16,331
56,140
2
87,668
31,078
118,746
3
124,986
45,302
170,288
Total
252,463
92,711
345,174
pág. 7582
Tabla 9. Medias de variables seleccionadas por clúster
Variable
Clúster 1
Clúster 2
Clúster 3
PC1 (Edad y Nivel Educativo)
-2.7571
-0.8566
1.5062
PC2 (Estado Civil y Educación Media)
1.962
-1.5545
0.4371
PC3 (Área Geográfica y Educación Técnica)
-0.087
0.241
-0.1394
Área geográfica (1 = Rural)
0.2909
0.2617
0.266
Sin Educación Formal
0.3604
0
0
Educación Superior Incompleta
0
0.0353
0.3696
Educación Primaria Incompleta
0.6252
0.2648
0.0025
Educación Superior Completa
0
0.0944
0.3545
Educación Secundaria Completa
0
0.3426
0.0006
Postgrado
0
0.2069
0.1685
Nota: Los valores representan proporciones dentro de cada clúster para las variables categóricas.
Tabla 10. Distribución de la condición de actividad laboral (condact) por clúster
Clúster
condact
0
condact
= 1
condact
= 2
condact
= 3
condact
= 4
condact
= 5
condact
= 6
condact
= 7
condact
= 8
condact
= 9
Total
1
56,140
0
0
0
0
0
0
0
0
0
56,140
2
19,119
20,768
11,706
1,156
12,205
6,771
127
4,747
461
41,686
118,746
3
1
49,859
17,755
1,922
34,657
8,616
388
2,515
443
54,132
170,288
Total
75,260
70,627
29,461
3,078
46,862
15,387
515
7,262
904
95,818
345,174
Nota: Los códigos de condición de actividad laboral no especificados corresponden a categorías de actividad laboral no
identificadas en los datos.
Caracterización detallada de los clústeres
Clúster 1: "Trabajadores activos con baja educación"
Este clúster comprende 56,140 individuos (16.26%) de la muestra total y se caracteriza por ser
exclusivamente trabajadores activos con bajos niveles educativos. Predominantemente jóvenes y
residentes en áreas urbanas, este grupo muestra una alta proporción de personas solteras. A pesar de su
baja educación, estos individuos están integrados en el mercado laboral, posiblemente ocupando
empleos informales o de baja cualificación. Las limitaciones educativas pueden restringir sus
oportunidades de crecimiento económico, aunque su condición de solteros facilita su participación en
pág. 7583
el mercado laboral sin las responsabilidades familiares que podrían limitar su disponibilidad para
trabajar.
Clúster 2: "Inactivos con educación técnica o media"
Este clúster incluye 118,746 individuos (34.40%) y presenta una mezcla de personas activas e inactivas,
destacando a estudiantes y quienes realizan trabajos no remunerados. Con niveles educativos técnicos
o medios y un equilibrio entre residentes en áreas rurales y urbanas, este grupo refleja una diversidad
en la condición de actividad laboral. Algunos individuos pueden estar en transición hacia el mercado
laboral o enfrentando obstáculos específicos que les impiden una plena participación, como desajustes
entre su formación y las demandas del mercado laboral local.
Clúster 3: "Diversos inactivos, estudiantes y trabajo no remunerado"
Compuesto por 170,288 individuos (49.33%), este clúster es el más grande y heterogéneo. Incluye a
estudiantes, personas en trabajos no remunerados y quienes enfrentan barreras estructurales
significativas. Con una alta diversidad en niveles educativos, incluyendo educación superior, y una
presencia tanto en áreas urbanas como rurales, este grupo enfrenta variadas razones de inactividad
laboral. Las barreras estructurales, como la falta de oportunidades o la discriminación, son más
pronunciadas en este clúster, afectando su capacidad para participar activamente en el mercado laboral.
CONCLUSIÓN
El presente estudio ha logrado identificar y caracterizar distintos perfiles de inactividad laboral en
Ecuador mediante la aplicación conjunta del Análisis de Componentes Principales (ACP) y el Análisis
de Clústeres K-means. Los tres clústeres identificados—"Trabajadores activos con baja educación",
"Inactivos con educación técnica o media" y "Diversos inactivos, estudiantes y trabajo no
remunerado"—reflejan la diversidad de factores que influyen en la inactividad laboral en el país, tales
como el nivel educativo, el estado civil y la ubicación geográfica. Estos hallazgos subrayan la necesidad
de diseñar políticas públicas específicas y focalizadas que aborden las particularidades de cada grupo.
Por ejemplo, para los trabajadores activos con baja educación, se recomiendan programas de educación
continua y mejora de condiciones laborales; para los inactivos con educación técnica o media, es crucial
implementar orientaciones profesionales y promover la alineación entre la oferta educativa y las
demandas del mercado laboral; y para el grupo más heterogéneo de diversos inactivos, estudiantes y
pág. 7584
trabajadores no remunerados, se sugieren programas de inclusión laboral y reconocimiento del trabajo
no remunerado.
Los resultados de la segmentación en este estudio son consistentes con análisis previos en América del
Sur, donde el ACP y los clústeres jerárquicos identificaron características claves entre diferentes grupos
de países (Martín-Barreiro, 2021)
Además, la metodología empleada en este estudio, que combina ACP y K-means, demuestra ser una
herramienta eficaz para analizar fenómenos complejos y multidimensionales como la inactividad
laboral. Esta aproximación permite una comprensión más detallada y estructurada de los factores
subyacentes, facilitando así la implementación de intervenciones más efectivas.
La efectividad del ACP y K-means en el análisis de datos multidimensionales es ampliamente
respaldada por la literatura, destacando su utilidad en la optimización de políticas públicas y toma de
decisiones basada en datos. (Tamonob, A. M., Saefuddin, A., & Wigena, A., 2020)
No obstante, futuras investigaciones podrían expandir este análisis incorporando variables adicionales
y considerando cambios temporales en el mercado laboral. En conclusión, este estudio aporta una
perspectiva novedosa y detallada sobre la inactividad laboral en Ecuador, ofreciendo una base sólida
para el desarrollo de estrategias que promuevan una mayor inclusión y participación en el mercado
laboral.
REFERENCIAS BIBLIOGRAFICAS
Afifa, R., Mazdadi, M. I., Saragih, T. H., Indriani, F., & Muliadi, M. (2024). Implementasi Principal
Component Analysis (PCA) dan Gap Statistic untuk Clustering Kanker Payudara pada
Algoritma K-Means. SISTEMASI. doi: https://doi.org/10.32520/stmsi.v13i5.4015
Aguirre, P. A. U., Martínez Valarezo, J. D., & Carrión Ayala, V. E. (2021). Diferencias salariales y
segregación ocupacional en el mercado laboral del Ecuador. INNOVA Research Journal, 6(1),
129-144. doi: https://doi.org/10.33890/innova.v6.n1.2021.1454
Armijos-Bravo, G., & Camino-Mogro, S. . (2023). Covid-19 lockdown in Ecuador: Are there gender
differences in unemployment? The Journal of Development Studies, 833-853.
doi:10.1080/00220388.2023.2192573
pág. 7585
Barbieri, A., & Pan, W. (2013). People, land, and context: Multilevel determinants of off-farm
employment in the Ecuadorian Amazon. Population, Space, and Place, 19(5), 558-579. doi:
http://dx.doi.org/10.1002/psp.1733
Becker, G. S. (1964). Human capital: A theoretical and empirical analysis, with special reference to
education. University of Chicago Press. doi:https://ssrn.com/abstract=1496221
Brown, L., Pavri, F., & Lawson, V. (1998). Gender, migration and the organisation of work under
economic devolution: Ecuador, 1982-90. International Journal of Population Geography, 4(3),
259-274. doi: https://doi.org/10.1002/(sici)1099-1220(199809)4:3%3C259::aid-
ijpg107%3E3.0.co;2-p
Ding, C., & He, X. (2004). K-means clustering via principal component analysis. Proceedings of the
twenty-first international conference on Machine learning. doi:
https://doi.org/10.1145/1015330.1015408
Goodrich, L. G. W., Domínguez Mújica, J., & Parreño Castellano, J. M. (2017). An analysis of the social
profile of 15 to 17-year-old students in Ecuador regarding secondary school attendance and
truancy. Review of European Studies, 9(2), 91. doi: https://doi.org/10.5539/RES.V9N2P91
Herrera, A., Arroyo, Á., Jiménez, A., & Herrero, Á. (2024). Exploratory techniques to analyse Ecuador's
tourism industry. Logic Journal of the IGPL. doi:https://doi.org/10.1093/jigpal%2Fjzae040
López-Cevallos, & D. F., & Chi, C. . (2010). Health care utilization in Ecuador: A multilevel analysis
of socio-economic determinants and inequality issues. . Health Policy and Planning, 25(3),
209-218. doi: https://doi.org/10.1093/heapol/czp052
Marchán, A. B., Delgado, R., & Stefos, E. (2017). A multidimensional statistical analysis of artisans
and unskilled workers of Ecuador. Review of European Studies, 9(2), 237. doi:
http://dx.doi.org/10.5539/res.v9n2p237
Martín-Barreiro, C. R.-F.-S.-V. (2021). Disjoint and functional principal component analysis for
infected cases and deaths due to COVID-19. Sensors. doi: https://doi.org/10.3390/s21124094
Moreano, L. F., & Castro, L. U. (2022). Review of multivariate statistical methods applied to the results
of the Ser Bachiller exam in Ecuador. Minerva. Doi :
https://doi.org/10.47460/minerva.v1iSpecial.86
pág. 7586
Rais, M., Goejantoro, R., & Prangga, S. (2021). Optimalisasi K-Means Cluster dengan Principal
Component Analysis. EKSPONENSIAL. doi: https://doi.org/10.30872/eksponensial.v12i2.805
Tamonob, A. M., Saefuddin, A., & Wigena, A. (2020). Principal component analysis with successive
interval in K-Means Cluster Analysis. IOP Conference Series: Materials Science and
Engineering. doi: https://doi.org/10.1088/1757-899X%2F823%2F1%2F012055
