POBREZA Y NIVEL EDUCATIVO EN LA
REGIÓN HUANCAVELICA – PERÚ
POVERTY AND EDUCATIONAL LEVEL IN THE
HUANCAVELICA REGION – PERÚ
Max Henrry Alvarado Anampa
Universidad Nacional de Huancavelica
Mabel Yesica Escobar Soldevilla
Universidad Nacional de Huancavelica
José Luis De la Cruz Ccora
Universidad Nacional de Huancavelica
Felix Gomex De la Cruz
Universidad Nacional de Huancavelica
Karina Eddmy Madrid Gómez
Universidad Nacional de Huancavelica
pág. 1388
DOI: https://doi.org/10.37811/cl_rcm.v9i2.16978
Pobreza y nivel educativo en la región Huancavelica - Perú
Max Henrry Alvarado Anampa 1
max.alvarado@unh.edu.pe
https://orcid.org/0000-0003-3746-0775
Universidad Nacional de Huancavelica
Perú
Mabel Yesica Escobar Soldevilla
mabel.escobar@unh.edu.pe
https://orcid.org/0000-0001-9253-5974
Universidad Nacional de Huancavelica
Perú
José Luis De la Cruz Ccora
jose.delacruz@unh.edu.pe
https://orcid.org/0000-0002-0834-4241
Universidad Nacional de Huancavelica
Perú
Felix Gomex De la Cruz
felix.gomez@unh.edu.pe
https://orcid.org/0000-0001-9599-9539
Universidad Nacional de Huancavelica
Perú
Karina Eddmy Madrid Gómez
karina.madrid@unh.edu.pe
https://orcid.org/0000-0002-1831-736X
Universidad Nacional de Huancavelica
Perú
RESUMEN
La educación tiene un impacto en el aseguramiento del consumo de los hogares que les permite superar
las líneas de pobreza. Una adecuada gestión de las políticas públicas enfocadas en la transferencia de
activos como una adecuada formación educativa puede convertirse en un determinante en la reducción
de la probabilidad de caer en condición de pobreza. El objetivo de este trabajo es evaluar el papel que
cumple los distintos niveles de educación para un individuo como determinante de la probabilidad de
ser pobre empleando una metodología de regresión logística para el periodo 2021. Los resultados
sugieren que la probabilidad de caer en condición de pobreza disminuye conforme se incrementa el
grado de instrucción del individuo. Asimismo, se establece que la diferencia entre los efectos impactos
probabilísticos se reducen a medida que se transita hacia un grado de instrucción inmediatamente
superior.
Palabras clave: pobreza, educación, regresión logística
1 Autor principal.
Correspondencia: max.alvarado@unh.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v9i2.16978
Pobreza y nivel educativo en la región Huancavelica - Perú
Max Henrry Alvarado Anampa 1
max.alvarado@unh.edu.pe
https://orcid.org/0000-0003-3746-0775
Universidad Nacional de Huancavelica
Perú
Mabel Yesica Escobar Soldevilla
mabel.escobar@unh.edu.pe
https://orcid.org/0000-0001-9253-5974
Universidad Nacional de Huancavelica
Perú
José Luis De la Cruz Ccora
jose.delacruz@unh.edu.pe
https://orcid.org/0000-0002-0834-4241
Universidad Nacional de Huancavelica
Perú
Felix Gomex De la Cruz
felix.gomez@unh.edu.pe
https://orcid.org/0000-0001-9599-9539
Universidad Nacional de Huancavelica
Perú
Karina Eddmy Madrid Gómez
karina.madrid@unh.edu.pe
https://orcid.org/0000-0002-1831-736X
Universidad Nacional de Huancavelica
Perú
RESUMEN
La educación tiene un impacto en el aseguramiento del consumo de los hogares que les permite superar
las líneas de pobreza. Una adecuada gestión de las políticas públicas enfocadas en la transferencia de
activos como una adecuada formación educativa puede convertirse en un determinante en la reducción
de la probabilidad de caer en condición de pobreza. El objetivo de este trabajo es evaluar el papel que
cumple los distintos niveles de educación para un individuo como determinante de la probabilidad de
ser pobre empleando una metodología de regresión logística para el periodo 2021. Los resultados
sugieren que la probabilidad de caer en condición de pobreza disminuye conforme se incrementa el
grado de instrucción del individuo. Asimismo, se establece que la diferencia entre los efectos impactos
probabilísticos se reducen a medida que se transita hacia un grado de instrucción inmediatamente
superior.
Palabras clave: pobreza, educación, regresión logística
1 Autor principal.
Correspondencia: max.alvarado@unh.edu.pe
pág. 1389
Poverty and educational level in the Huancavelica region – Perú
ABSTRACT
Education has an impact on household consumption assurance that allows them to overcome poverty
lines. An adequate management of public policies focused on the transfer of assets as well as adequate
educational training can become a determinant in reducing the probability of falling into poverty. The
objective of this work is to evaluate the role played by the different levels of education for an individual
as a determinant of the probability of being poor using a logistic regression methodology for the period
2021. The results suggest that the probability of falling into poverty decreases as the individual's level
of education increases. Likewise, it is established that the difference between the probabilistic impact
effects is reduced as one moves towards an immediately higher level of education.
Keywords: poverty, education, logistic regression
Artículo recibido 07 febrero 2025
Aceptado para publicación: 10 marzo 2025
Poverty and educational level in the Huancavelica region – Perú
ABSTRACT
Education has an impact on household consumption assurance that allows them to overcome poverty
lines. An adequate management of public policies focused on the transfer of assets as well as adequate
educational training can become a determinant in reducing the probability of falling into poverty. The
objective of this work is to evaluate the role played by the different levels of education for an individual
as a determinant of the probability of being poor using a logistic regression methodology for the period
2021. The results suggest that the probability of falling into poverty decreases as the individual's level
of education increases. Likewise, it is established that the difference between the probabilistic impact
effects is reduced as one moves towards an immediately higher level of education.
Keywords: poverty, education, logistic regression
Artículo recibido 07 febrero 2025
Aceptado para publicación: 10 marzo 2025
pág. 1390
INTRODUCCIÓN
La educación constituye uno de los activos más relevantes para los hogares, ya que permite acceder y
asegurar un mayor nivel de consumo de forma permanente, acrecentando la probabilidad de las familias
de elevar su nivel de consumo por encima de la línea de pobreza (Yamada & Castro, 2008). Una de las
características de la pobreza es que se encuentra estrechamente vinculada con niveles inferiores de
educación, alcanzado particularmente por el jefe de hogar o familia. Por otro lado, se ha evidenciado
una tendencia creciente de condición de no pobreza a medida que se consigue niveles superiores de
educación. Este último resultado bajo un análisis de la pobreza solo en términos educativos (CIDE,
2002).
En tal sentido, Mishra et al. (2022) define la condición de pobreza como un déficit en el ingreso o el
consumo con referencia a un determinado umbral, denominado línea de pobreza, condición que es
considerada como un fenómeno multidimensional (Mishra et al., 2022). Esta característica
multidimensionalidad de la pobreza y su análisis a través de los jefes de hogar, en función de diversos
componentes tanto cualitativos como cuantitativos, se constituyen en factores preponderantes para
evaluar la condición de pobreza del individuo. Entre los principales factores cualitativos se tiene a la
región y área de procedencia del individuo y el acceso a servicios públicos (como agua y desagüe, entre
otros); y respecto a los factores cuantitativos se considera los años de estudio, la experiencia laboral y
la edad como los factores más determinantes de la condición de pobreza del jefe de hogar o familia
(CIDE, 2002). Por otro lado, según Gong et al. (2022) el estado de pobreza también es susceptible de
ser evaluado comparando el consumo per cápita de los hogares respecto a las líneas de pobreza de un
determinado país.
No obstante, la pobreza se caracteriza por ser un fenómeno que se encuentra presente en la mayoría de
las sociedades; problemática que se ha constituido en el sustento para el diseño de políticas sociales
orientadas en reducir su impacto negativo principalmente en poblaciones bajo condiciones de
vulnerabilidad. Si bien existen diversas definiciones de la condición de pobreza; la mayoría se enfocan
en describir y analizar la situación en que se encuentra un determinado individuo que no disponen de
recursos y/o medios que le permitan generar ingresos permanentes para satisfacer sus principales
necesidades básicas (CIDE, 2002).
INTRODUCCIÓN
La educación constituye uno de los activos más relevantes para los hogares, ya que permite acceder y
asegurar un mayor nivel de consumo de forma permanente, acrecentando la probabilidad de las familias
de elevar su nivel de consumo por encima de la línea de pobreza (Yamada & Castro, 2008). Una de las
características de la pobreza es que se encuentra estrechamente vinculada con niveles inferiores de
educación, alcanzado particularmente por el jefe de hogar o familia. Por otro lado, se ha evidenciado
una tendencia creciente de condición de no pobreza a medida que se consigue niveles superiores de
educación. Este último resultado bajo un análisis de la pobreza solo en términos educativos (CIDE,
2002).
En tal sentido, Mishra et al. (2022) define la condición de pobreza como un déficit en el ingreso o el
consumo con referencia a un determinado umbral, denominado línea de pobreza, condición que es
considerada como un fenómeno multidimensional (Mishra et al., 2022). Esta característica
multidimensionalidad de la pobreza y su análisis a través de los jefes de hogar, en función de diversos
componentes tanto cualitativos como cuantitativos, se constituyen en factores preponderantes para
evaluar la condición de pobreza del individuo. Entre los principales factores cualitativos se tiene a la
región y área de procedencia del individuo y el acceso a servicios públicos (como agua y desagüe, entre
otros); y respecto a los factores cuantitativos se considera los años de estudio, la experiencia laboral y
la edad como los factores más determinantes de la condición de pobreza del jefe de hogar o familia
(CIDE, 2002). Por otro lado, según Gong et al. (2022) el estado de pobreza también es susceptible de
ser evaluado comparando el consumo per cápita de los hogares respecto a las líneas de pobreza de un
determinado país.
No obstante, la pobreza se caracteriza por ser un fenómeno que se encuentra presente en la mayoría de
las sociedades; problemática que se ha constituido en el sustento para el diseño de políticas sociales
orientadas en reducir su impacto negativo principalmente en poblaciones bajo condiciones de
vulnerabilidad. Si bien existen diversas definiciones de la condición de pobreza; la mayoría se enfocan
en describir y analizar la situación en que se encuentra un determinado individuo que no disponen de
recursos y/o medios que le permitan generar ingresos permanentes para satisfacer sus principales
necesidades básicas (CIDE, 2002).
pág. 1391
El Perú es uno de los países que históricamente ha presentado niveles considerables de pobreza en
América del Sur; situación que se ha exacerbado por la crisis sanitaria del COVID-19, evidenciando una
elevada variabilidad en su evolución temporal. En cifras se puede precisar que para el año 2020, el
30,1% de la población peruana (aproximadamente 9 millones 820 mil individuos), se encontraban en
situación de pobreza. Comparando tales resultados con el nivel de pobreza registrado el 2019, se observó
que tales niveles habían sufrido un incremento sustancial de 9,9 %; es decir; el número de pobres se
incrementó en 3 millones 330 mil individuos respecto al 2019 (INEI, 2021).
Según dominios geográficos, los niveles de pobreza alcanzaron sus picos más altos en la Sierra rural
(50,4% de población pobre), la Selva rural (39,2%) y la Costa rural (30,4%). Este incremento se
evidenció en todos los dominios geográficos y particularmente en Lima Metropolitana y en la Provincia
Constitucional del Callao con relación al 2019. A nivel regional los departamentos que registraron una
elevada incidencia de pobreza fueron Ayacucho, Cajamarca, Huancavelica, Huánuco, Pasco y Puno;
cuyas tasas de pobreza oscilaron entre el 41.4% y 45.9% el 2020. Con relación a la condición de extrema
pobreza, las regiones que registraron mayores índices de pobreza extrema fueron Ayacucho, Cajamarca,
Huancavelica, Huánuco y Pasco con tasas que oscilaron entre 11,2% y 14,7% el 2020 (INEI, 2021).
Estas regiones constituyen el primer grupo geográfico que registraron las mayores tasas de pobreza a
nivel nacional, siendo Huancavelica una de las regiones que presentó los mayores índices de pobreza y
pobreza extrema.
Entonces dada la complejidad del fenómeno de la situación de pobreza en el Perú y su evolución
asimétrica entre regiones, es importante analizar las relaciones entre su nivel de incidencia y sus
principales factores explicativos, tales como la educación y los grados de instrucción alcanzados por el
jefe de hogar. De este modo, diversos estudios sugieren que factores como el nivel educativo alcanzado,
la edad, el número de hijos y diversas características sociales, económicas, demográficas, entre otras, se
constituyen como aquellos factores relevantes para explicar la propensión de un individuo en condición
de jefe de familia de caer en situación de pobreza (CIDE, 2002). Tales resultados, evidentemente,
proporcionan información importante para el diseño de opciones de políticas públicas orientadas en
mitigar los efectos nocivos y enfocadas particularmente aquellas regiones con poblaciones consideradas
vulnerables.
El Perú es uno de los países que históricamente ha presentado niveles considerables de pobreza en
América del Sur; situación que se ha exacerbado por la crisis sanitaria del COVID-19, evidenciando una
elevada variabilidad en su evolución temporal. En cifras se puede precisar que para el año 2020, el
30,1% de la población peruana (aproximadamente 9 millones 820 mil individuos), se encontraban en
situación de pobreza. Comparando tales resultados con el nivel de pobreza registrado el 2019, se observó
que tales niveles habían sufrido un incremento sustancial de 9,9 %; es decir; el número de pobres se
incrementó en 3 millones 330 mil individuos respecto al 2019 (INEI, 2021).
Según dominios geográficos, los niveles de pobreza alcanzaron sus picos más altos en la Sierra rural
(50,4% de población pobre), la Selva rural (39,2%) y la Costa rural (30,4%). Este incremento se
evidenció en todos los dominios geográficos y particularmente en Lima Metropolitana y en la Provincia
Constitucional del Callao con relación al 2019. A nivel regional los departamentos que registraron una
elevada incidencia de pobreza fueron Ayacucho, Cajamarca, Huancavelica, Huánuco, Pasco y Puno;
cuyas tasas de pobreza oscilaron entre el 41.4% y 45.9% el 2020. Con relación a la condición de extrema
pobreza, las regiones que registraron mayores índices de pobreza extrema fueron Ayacucho, Cajamarca,
Huancavelica, Huánuco y Pasco con tasas que oscilaron entre 11,2% y 14,7% el 2020 (INEI, 2021).
Estas regiones constituyen el primer grupo geográfico que registraron las mayores tasas de pobreza a
nivel nacional, siendo Huancavelica una de las regiones que presentó los mayores índices de pobreza y
pobreza extrema.
Entonces dada la complejidad del fenómeno de la situación de pobreza en el Perú y su evolución
asimétrica entre regiones, es importante analizar las relaciones entre su nivel de incidencia y sus
principales factores explicativos, tales como la educación y los grados de instrucción alcanzados por el
jefe de hogar. De este modo, diversos estudios sugieren que factores como el nivel educativo alcanzado,
la edad, el número de hijos y diversas características sociales, económicas, demográficas, entre otras, se
constituyen como aquellos factores relevantes para explicar la propensión de un individuo en condición
de jefe de familia de caer en situación de pobreza (CIDE, 2002). Tales resultados, evidentemente,
proporcionan información importante para el diseño de opciones de políticas públicas orientadas en
mitigar los efectos nocivos y enfocadas particularmente aquellas regiones con poblaciones consideradas
vulnerables.
pág. 1392
Ahora dada la naturaleza discreta de las variables explicativas y la evaluación probabilística de la
condición de pobreza que se pretende estudiar, resulta útil el uso de modelos que relacionan el resultado
a través de su aporte en la probabilidad de la realización del fenómeno estudiado en función de un
conjunto de factores o regresores. Tal perspectiva metodológica de analizar y estimar la probabilidad de
uno de dos eventos posibles (ser pobre o no), indica que lo más apropiado es utilizar el marco general
de los modelos de probabilidad de respuesta binaria. Es importante connotar que el enfoque binomial
del presente estudio es debido a que se ha considerado pertinente agrupar la condición de pobreza y
extrema pobreza como una sola categoría “pobre”, ello producto a que las condiciones de pobreza
absoluta y pobreza extrema no podrían considerarse como grupos excluyentes, pues la condición de
pobreza extrema es mucho más precaria respecto a la absoluta. Por tanto, este agrupamiento permite
determinar y cuantificar el aporte marginal de los factores que inciden en la probabilidad de ser pobre o
no. Confirmando de esta manera que el uso del modelo logit (o probit) con variable dependiente discreta
dicotómica es el más adecuado como metodología de estudio.
Con estas consideraciones el objetivo del presente trabajo es evaluar el impacto que tiene el grado de
instrucción de un individuo en la región de Huancavelica como determinante de su condición de pobreza.
En tal sentido, se establece como primera hipótesis que los distintos niveles de instrucción tienen un
impacto marginal significativo en la reducción de la probabilidad de ser pobre. Lo que implicaría que
ha mayor grado de instrucción alcanzado por un individuo promedio incrementaría su probabilidad de
superar la línea de pobreza. Y como segunda hipótesis, se establece que el diferencial entre los efectos
impacto de los distintos niveles de instrucción (primaria, secundaria, superior no universitaria y superior
universitaria) son menores a medida que se alcanza el subsiguiente grado de instrucción académica.
Revisión de la literatura
El rol del capital humano en el proceso de crecimiento económico fue desarrollado y enfatizado
primigeniamente por (Lucas, 1988), (Romer, 1986, 1990) y (Rebelo, 1991), quienes connotaron la
condición de pobreza como una limitante relevante para el desarrollo humano. Sin embargo, aún existe
un amplio debate respecto a la medición de la pobreza. En un principio, el concepto de pobreza dentro
de las teorías económicas estuvo asociado con las privaciones monetarias relacionadas con los niveles
de ingreso, consumo y gasto de las personas (Mishra et al., 2022). Posteriormente, se incluyó otras
Ahora dada la naturaleza discreta de las variables explicativas y la evaluación probabilística de la
condición de pobreza que se pretende estudiar, resulta útil el uso de modelos que relacionan el resultado
a través de su aporte en la probabilidad de la realización del fenómeno estudiado en función de un
conjunto de factores o regresores. Tal perspectiva metodológica de analizar y estimar la probabilidad de
uno de dos eventos posibles (ser pobre o no), indica que lo más apropiado es utilizar el marco general
de los modelos de probabilidad de respuesta binaria. Es importante connotar que el enfoque binomial
del presente estudio es debido a que se ha considerado pertinente agrupar la condición de pobreza y
extrema pobreza como una sola categoría “pobre”, ello producto a que las condiciones de pobreza
absoluta y pobreza extrema no podrían considerarse como grupos excluyentes, pues la condición de
pobreza extrema es mucho más precaria respecto a la absoluta. Por tanto, este agrupamiento permite
determinar y cuantificar el aporte marginal de los factores que inciden en la probabilidad de ser pobre o
no. Confirmando de esta manera que el uso del modelo logit (o probit) con variable dependiente discreta
dicotómica es el más adecuado como metodología de estudio.
Con estas consideraciones el objetivo del presente trabajo es evaluar el impacto que tiene el grado de
instrucción de un individuo en la región de Huancavelica como determinante de su condición de pobreza.
En tal sentido, se establece como primera hipótesis que los distintos niveles de instrucción tienen un
impacto marginal significativo en la reducción de la probabilidad de ser pobre. Lo que implicaría que
ha mayor grado de instrucción alcanzado por un individuo promedio incrementaría su probabilidad de
superar la línea de pobreza. Y como segunda hipótesis, se establece que el diferencial entre los efectos
impacto de los distintos niveles de instrucción (primaria, secundaria, superior no universitaria y superior
universitaria) son menores a medida que se alcanza el subsiguiente grado de instrucción académica.
Revisión de la literatura
El rol del capital humano en el proceso de crecimiento económico fue desarrollado y enfatizado
primigeniamente por (Lucas, 1988), (Romer, 1986, 1990) y (Rebelo, 1991), quienes connotaron la
condición de pobreza como una limitante relevante para el desarrollo humano. Sin embargo, aún existe
un amplio debate respecto a la medición de la pobreza. En un principio, el concepto de pobreza dentro
de las teorías económicas estuvo asociado con las privaciones monetarias relacionadas con los niveles
de ingreso, consumo y gasto de las personas (Mishra et al., 2022). Posteriormente, se incluyó otras
pág. 1393
dimensiones relacionadas con el acceso a la salud, educación y calidad de vida. Adoptando, por tanto,
el concepto de pobreza una perspectiva multidimensional, debido a que la condición de pobreza abarca
múltiples privaciones a los que se encuentran expuestos los individuos a lo largo de su vida (Kolm,
1977; Piachaud, 1987; Sen, 1993, Townsend, 1993 y Mishra et al., 2022).
Por otro lado, diversos estudios sugieren que es posible incluir distintas dimensiones adicionales en la
medición de la pobreza para un alcance local, regional o nacional; no existiendo un criterio unánime
respecto a que dimensiones son las más apropiadas para la medición de la pobreza desde una perspectiva
multidimensional. Además, el concepto de pobreza respecto a esta perspectiva multidimensional debe
complementarse con el concepto de pobreza monetaria (Mishra et al., 2022).
Para Aguilar & Sumner (2019) señalan que el predominio de la condición de pobreza a nivel global se
concentra en el sector agrario-rural, connotándose carencias en términos de desnutrición y limitado
acceso a servicios de saneamiento y agua potable. Por su lado, Burchi et al. (2019) muestran que la
condición de pobreza se concentra en el ámbito rural y en el género femenino. Por otro lado, Santos &
Villatoro ( 2018) evidencian la existencia de amplias disparidades en la condición de pobreza a nivel de
Latinoamérica entre las áreas rurales y urbanas, mostrando carencias particularmente en términos de
calidad de vida y en condiciones de vivienda. Por su parte, Martinez & Perales (2017) señalan que la
condición de pobreza se caracteriza por mostrar carencias en términos de salud, educación y
disponibilidad de diversos recursos y/o activos.
Desde la perspectiva de la medición estadística la pobreza se define como una condición en la cual uno
o más individuos presentan un nivel de bienestar inferior al mínimo socialmente aceptado. Una primera
aproximación de la condición de pobreza se asocia con la imposibilidad del individuo para satisfacer
sus necesidades básicas de alimentación. En un concepto más ampliado la condición de pobreza incluye
la cobertura de salud, el acceso a vivienda, empleo, educación, nivel de ingresos y gastos, entre otros
aspectos relacionados con el ejercicio de la ciudadanía (CIDE, 2002; Mancero & Villatoro, 2013). En
consecuencia, el concepto de pobreza ha transitado por diversos debates, posturas críticas y
redefiniciones.
En general, todas las definiciones de pobreza se enfocan en el análisis de la condición de las personas y
en la disponibilidad y/o acceso a medios y/o activos; entre los que se encuentran la educación; que le
dimensiones relacionadas con el acceso a la salud, educación y calidad de vida. Adoptando, por tanto,
el concepto de pobreza una perspectiva multidimensional, debido a que la condición de pobreza abarca
múltiples privaciones a los que se encuentran expuestos los individuos a lo largo de su vida (Kolm,
1977; Piachaud, 1987; Sen, 1993, Townsend, 1993 y Mishra et al., 2022).
Por otro lado, diversos estudios sugieren que es posible incluir distintas dimensiones adicionales en la
medición de la pobreza para un alcance local, regional o nacional; no existiendo un criterio unánime
respecto a que dimensiones son las más apropiadas para la medición de la pobreza desde una perspectiva
multidimensional. Además, el concepto de pobreza respecto a esta perspectiva multidimensional debe
complementarse con el concepto de pobreza monetaria (Mishra et al., 2022).
Para Aguilar & Sumner (2019) señalan que el predominio de la condición de pobreza a nivel global se
concentra en el sector agrario-rural, connotándose carencias en términos de desnutrición y limitado
acceso a servicios de saneamiento y agua potable. Por su lado, Burchi et al. (2019) muestran que la
condición de pobreza se concentra en el ámbito rural y en el género femenino. Por otro lado, Santos &
Villatoro ( 2018) evidencian la existencia de amplias disparidades en la condición de pobreza a nivel de
Latinoamérica entre las áreas rurales y urbanas, mostrando carencias particularmente en términos de
calidad de vida y en condiciones de vivienda. Por su parte, Martinez & Perales (2017) señalan que la
condición de pobreza se caracteriza por mostrar carencias en términos de salud, educación y
disponibilidad de diversos recursos y/o activos.
Desde la perspectiva de la medición estadística la pobreza se define como una condición en la cual uno
o más individuos presentan un nivel de bienestar inferior al mínimo socialmente aceptado. Una primera
aproximación de la condición de pobreza se asocia con la imposibilidad del individuo para satisfacer
sus necesidades básicas de alimentación. En un concepto más ampliado la condición de pobreza incluye
la cobertura de salud, el acceso a vivienda, empleo, educación, nivel de ingresos y gastos, entre otros
aspectos relacionados con el ejercicio de la ciudadanía (CIDE, 2002; Mancero & Villatoro, 2013). En
consecuencia, el concepto de pobreza ha transitado por diversos debates, posturas críticas y
redefiniciones.
En general, todas las definiciones de pobreza se enfocan en el análisis de la condición de las personas y
en la disponibilidad y/o acceso a medios y/o activos; entre los que se encuentran la educación; que le
pág. 1394
permitan el desarrollo personal y el aseguramiento de su consumo de forma permanente. Pero una
particularidad de la definición de pobreza es su perspectiva relativa y dinámica, característica que se
puede observar en las definiciones inherentes a la condición de pobreza en distintos países y/o en
periodos de tiempo distintos.
METODOLOGÍA
En esta sección se proporciona los detalles de la descripción de datos, variables y el modelo
econométrico empleado en el presente estudio.
Modelo Probabilístico
Siendo el objetivo principal de la presente investigación identificar a un individuo según su condición
de pobreza, es necesario caracterizar a esta variable como una del tipo discreta. En tal sentido, el interés
recaerá en estimar la probabilidad de observar la condición de ser pobre o no pobre en función de un
conjunto de variables explicativas y controles. Estas consideraciones permiten identificar y ejecutar un
modelo probabilístico binomial como el más apropiado.
La información empleada fue tomada de la base datos correspondiente a la Encuesta Nacional de
Hogares (ENAHO) para el año 2021. La construcción de la base de datos requirió en primer lugar
identificar los módulos que contenga la información relevante que permita abordar los objetivos e
hipótesis planteados en la presente investigación. Para ello se procesó los módulos referidos a las
características de los miembros del Hogar, de los niveles de educación, de la situación de empleo e
ingresos y de un conjunto de variables calculadas (sumarias).
En segundo lugar, se procedió a la creación de un identificador por individuo, para ello se utilizaron las
variables año, conglomerado, vivienda, hogar y código del individuo dentro del hogar. Acotando de esta
manera la muestra para aquellos individuos del que se dispone información. A partir de lo anterior se
construyó una base de datos que involucró características para un total 2,236 individuos para un hogar
en particular. Tomando todas estas consideraciones las variables a incluir en el modelo probabilístico se
resumen en el cuadro 1.
permitan el desarrollo personal y el aseguramiento de su consumo de forma permanente. Pero una
particularidad de la definición de pobreza es su perspectiva relativa y dinámica, característica que se
puede observar en las definiciones inherentes a la condición de pobreza en distintos países y/o en
periodos de tiempo distintos.
METODOLOGÍA
En esta sección se proporciona los detalles de la descripción de datos, variables y el modelo
econométrico empleado en el presente estudio.
Modelo Probabilístico
Siendo el objetivo principal de la presente investigación identificar a un individuo según su condición
de pobreza, es necesario caracterizar a esta variable como una del tipo discreta. En tal sentido, el interés
recaerá en estimar la probabilidad de observar la condición de ser pobre o no pobre en función de un
conjunto de variables explicativas y controles. Estas consideraciones permiten identificar y ejecutar un
modelo probabilístico binomial como el más apropiado.
La información empleada fue tomada de la base datos correspondiente a la Encuesta Nacional de
Hogares (ENAHO) para el año 2021. La construcción de la base de datos requirió en primer lugar
identificar los módulos que contenga la información relevante que permita abordar los objetivos e
hipótesis planteados en la presente investigación. Para ello se procesó los módulos referidos a las
características de los miembros del Hogar, de los niveles de educación, de la situación de empleo e
ingresos y de un conjunto de variables calculadas (sumarias).
En segundo lugar, se procedió a la creación de un identificador por individuo, para ello se utilizaron las
variables año, conglomerado, vivienda, hogar y código del individuo dentro del hogar. Acotando de esta
manera la muestra para aquellos individuos del que se dispone información. A partir de lo anterior se
construyó una base de datos que involucró características para un total 2,236 individuos para un hogar
en particular. Tomando todas estas consideraciones las variables a incluir en el modelo probabilístico se
resumen en el cuadro 1.
pág. 1395
Cuadro 1. Descripción de las variables dependiente e independientes
Variable dependiente
Nombre Descripción
Pobre
1. Pobre (condición que agrupas a los individuos en condición de pobreza extrema y
no extrema).
0. De otro modo
Variables explicativas
Nombre Descripción
Prim_inc
1. Si el mayor grado y nivel educativo alcanzado es primaria incompleta.
0. Si no lo es.
Prim_com
1. Si el mayor grado y nivel educativo alcanzado es primaria completa.
0. Si no lo es.
Sec_inc
1. Si el mayor grado y nivel educativo alcanzado es secundaria incompleta.
0. Si no lo es.
Sec_com
1. Si el mayor grado y nivel educativo alcanzado es secundaria completa.
0. Si no lo es.
Sup_nouniv_in
c
1. Si el mayor grado y nivel educativo alcanzado es superior no universitaria
incompleta.
0. Si no lo es.
Sup_nouniv_c
om
1. Si el mayor grado y nivel educativo alcanzado es superior no universitaria
completa.
0. Si no lo es.
Sup_univ_inc
1. Si el mayor grado y nivel educativo alcanzado es superior universitario incompleta.
0. Si no lo es.
Sup_univ_com
1. Si el mayor grado y nivel educativo alcanzado es superior universitario completa.
0. Si no lo es.
Fuente: elaboración propia.
Cuadro 1. Descripción de las variables dependiente e independientes
Variable dependiente
Nombre Descripción
Pobre
1. Pobre (condición que agrupas a los individuos en condición de pobreza extrema y
no extrema).
0. De otro modo
Variables explicativas
Nombre Descripción
Prim_inc
1. Si el mayor grado y nivel educativo alcanzado es primaria incompleta.
0. Si no lo es.
Prim_com
1. Si el mayor grado y nivel educativo alcanzado es primaria completa.
0. Si no lo es.
Sec_inc
1. Si el mayor grado y nivel educativo alcanzado es secundaria incompleta.
0. Si no lo es.
Sec_com
1. Si el mayor grado y nivel educativo alcanzado es secundaria completa.
0. Si no lo es.
Sup_nouniv_in
c
1. Si el mayor grado y nivel educativo alcanzado es superior no universitaria
incompleta.
0. Si no lo es.
Sup_nouniv_c
om
1. Si el mayor grado y nivel educativo alcanzado es superior no universitaria
completa.
0. Si no lo es.
Sup_univ_inc
1. Si el mayor grado y nivel educativo alcanzado es superior universitario incompleta.
0. Si no lo es.
Sup_univ_com
1. Si el mayor grado y nivel educativo alcanzado es superior universitario completa.
0. Si no lo es.
Fuente: elaboración propia.
pág. 1396
Seguidamente, definimos las variables control para el modelo binomial las cuales se muestran en el
cuadro 2. Al respecto se introdujeron variables control, divididos en dos grupos: i) las relacionadas con
las características del individuo (edad, raza, estado civil, jefe de hogar y esposa o compañera del jefe de
hogar) y ii) las referidas a las características del hogar a las que pertenece el individuo (ingresos
monetarios).
Todas estas características tienen el potencial de influir en la condición de pobreza en la que se ubica un
determinado individuo, y por consiguiente incidirán sobre la probabilidad de ser pobre o no pobre
(Yamada & Castro, 2008). Por tanto, resulta relevante estimar sus efectos sobre la variable endógena
poniendo énfasis en la cuantificación de los efectos de los distintos grados de instrucción sobre un
individuo promedio, asumiendo constante los demás factores que pudiesen influir sobre el fenómeno
analizado.
Cuadro 2. Descripción de las variables control
Variables control
Tipo Nombre Descripción
Caracterí
sticas
intrínsec
as de los
individu
os
Raza_dum
1. Si el individuo es indígena u originario (esta condición agrupa a los
individuos que se identifican como nativo o indígena de la amazonia,
aimara, quechua, negro, zambo, moreno, mulato, afrodescendiente o
afroperuano, y/o perteneciente o parte de otro pueblo indígena u
originario).
0. Si no lo es. (esta condición agrupa a los individuos que se identifican
como Blanco, Mestizo u otro tipo de raza).
Est_Civil_du
m
1. Si el individuo es casado o conviviente (esta condición agrupa a los
convivientes o casados).
0. Si no lo es (esta condición agrupa a los individuos identificados como
viudo, divorciado, separado o soltero).
Jefe_hogar_d
um
1. Si el individuo es Jefe/Jefa del hogar.
0. Si no lo es.
Parej_jefe_ho
gar_dum
1. Si el individuo es esposo(a)/compañero(a) con el Jefe del hogar.
0. Si no lo es.
Caracterí
sticas del
individu
o según
el hogar
al que
pertenec
e
Ingreso
Monetario
Ingreso monetario relacionado con la actividad principal de un individuo
con trabajo dependiente o independiente.
Fuente: elaboración propia.
Tomando en consideración lo anterior se plantea el siguiente modelo:
Seguidamente, definimos las variables control para el modelo binomial las cuales se muestran en el
cuadro 2. Al respecto se introdujeron variables control, divididos en dos grupos: i) las relacionadas con
las características del individuo (edad, raza, estado civil, jefe de hogar y esposa o compañera del jefe de
hogar) y ii) las referidas a las características del hogar a las que pertenece el individuo (ingresos
monetarios).
Todas estas características tienen el potencial de influir en la condición de pobreza en la que se ubica un
determinado individuo, y por consiguiente incidirán sobre la probabilidad de ser pobre o no pobre
(Yamada & Castro, 2008). Por tanto, resulta relevante estimar sus efectos sobre la variable endógena
poniendo énfasis en la cuantificación de los efectos de los distintos grados de instrucción sobre un
individuo promedio, asumiendo constante los demás factores que pudiesen influir sobre el fenómeno
analizado.
Cuadro 2. Descripción de las variables control
Variables control
Tipo Nombre Descripción
Caracterí
sticas
intrínsec
as de los
individu
os
Raza_dum
1. Si el individuo es indígena u originario (esta condición agrupa a los
individuos que se identifican como nativo o indígena de la amazonia,
aimara, quechua, negro, zambo, moreno, mulato, afrodescendiente o
afroperuano, y/o perteneciente o parte de otro pueblo indígena u
originario).
0. Si no lo es. (esta condición agrupa a los individuos que se identifican
como Blanco, Mestizo u otro tipo de raza).
Est_Civil_du
m
1. Si el individuo es casado o conviviente (esta condición agrupa a los
convivientes o casados).
0. Si no lo es (esta condición agrupa a los individuos identificados como
viudo, divorciado, separado o soltero).
Jefe_hogar_d
um
1. Si el individuo es Jefe/Jefa del hogar.
0. Si no lo es.
Parej_jefe_ho
gar_dum
1. Si el individuo es esposo(a)/compañero(a) con el Jefe del hogar.
0. Si no lo es.
Caracterí
sticas del
individu
o según
el hogar
al que
pertenec
e
Ingreso
Monetario
Ingreso monetario relacionado con la actividad principal de un individuo
con trabajo dependiente o independiente.
Fuente: elaboración propia.
Tomando en consideración lo anterior se plantea el siguiente modelo:
pág. 1397
𝑦𝑖 = {1 𝑠𝑖 𝑒𝑙 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜 𝑒𝑠 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜 𝑝𝑜𝑏𝑟𝑒
0 𝑑𝑒 𝑜𝑡𝑟𝑜 𝑚𝑜𝑑𝑜 }
𝐸(𝑦𝑖|𝑏𝑎𝑠𝑒 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠) = Pr(𝑦𝑖)
= 𝐹(𝛼 + 𝛽1𝑃𝑅𝐼𝑀𝐼𝑁𝐶 + 𝛽2𝑃𝑅𝐼𝑀𝐶𝑂𝑀 + 𝛽3𝑆𝐸𝐶𝐼𝑁𝐶 + 𝛽4𝑆𝐸𝐶𝐶𝑂𝑀
+ 𝛽5𝑆𝑈𝑃_𝑁𝑂𝑈𝑁𝐼𝑉𝐼𝑁𝐶 + 𝛽6𝑆𝑈𝑃_𝑁𝑂𝑈𝑁𝐼𝑉𝐶𝑂𝑀 + 𝛽7𝑆𝑈𝑃_𝑈𝑁𝐼𝑉𝐼𝑁𝐶
+ 𝛽8𝑆𝑈𝑃_𝑈𝑁𝐼𝑉𝐶𝑂𝑀 + 𝑋1
´ 𝑍)
Donde 𝑋1
´ es el vector que contiene las variables controles de interés antes citadas, y 𝐹(. ) es la función
de distribución acumulada logística. De la hipótesis formulada y de la ecuación especificada se espera
que la probabilidad de ser considerado pobre disminuya conforme se incremente el grado de instrucción
del individuo y que las reducciones marginales más significativas se observen en los primeros niveles
de educación, particularmente en los niveles primaria y secundaria.
En tal sentido, se espera que -según lo señalado en la primera hipótesis- los efectos impactos de las
variables asociadas a los niveles de instrucción (estimados con relación a un individuo sin instrucción
alguna) sean todos negativos y crecientes en valor absoluto (Yamada & Castro, 2008). Y, según lo
establecido en la segunda hipótesis, se esperaría que la diferencia entre los efectos impactos de los
distintos niveles de instrucción (primaria, secundaria, superior no universitaria y superior universitaria)
sea menor a medida que un individuo promedio transite hacia a un grado de instrucción superior. Aquí
es preciso señalar que para el cálculo de los efectos impacto se efectuará tomando como referencia a un
individuo sin instrucción como caso base.
En tal contexto, para validar las hipótesis planteadas se requiere que los efectos impacto respecto al caso
base se estimen mediante el diferencial de funciones de distribución acumulada entre el grado académico
de interés y el caso base. Para el caso del nivel de educación secundaria completa la expresión
matemática tendría la siguiente estructura:
𝑦𝑖 = {1 𝑠𝑖 𝑒𝑙 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜 𝑒𝑠 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎𝑑𝑜 𝑝𝑜𝑏𝑟𝑒
0 𝑑𝑒 𝑜𝑡𝑟𝑜 𝑚𝑜𝑑𝑜 }
𝐸(𝑦𝑖|𝑏𝑎𝑠𝑒 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠) = Pr(𝑦𝑖)
= 𝐹(𝛼 + 𝛽1𝑃𝑅𝐼𝑀𝐼𝑁𝐶 + 𝛽2𝑃𝑅𝐼𝑀𝐶𝑂𝑀 + 𝛽3𝑆𝐸𝐶𝐼𝑁𝐶 + 𝛽4𝑆𝐸𝐶𝐶𝑂𝑀
+ 𝛽5𝑆𝑈𝑃_𝑁𝑂𝑈𝑁𝐼𝑉𝐼𝑁𝐶 + 𝛽6𝑆𝑈𝑃_𝑁𝑂𝑈𝑁𝐼𝑉𝐶𝑂𝑀 + 𝛽7𝑆𝑈𝑃_𝑈𝑁𝐼𝑉𝐼𝑁𝐶
+ 𝛽8𝑆𝑈𝑃_𝑈𝑁𝐼𝑉𝐶𝑂𝑀 + 𝑋1
´ 𝑍)
Donde 𝑋1
´ es el vector que contiene las variables controles de interés antes citadas, y 𝐹(. ) es la función
de distribución acumulada logística. De la hipótesis formulada y de la ecuación especificada se espera
que la probabilidad de ser considerado pobre disminuya conforme se incremente el grado de instrucción
del individuo y que las reducciones marginales más significativas se observen en los primeros niveles
de educación, particularmente en los niveles primaria y secundaria.
En tal sentido, se espera que -según lo señalado en la primera hipótesis- los efectos impactos de las
variables asociadas a los niveles de instrucción (estimados con relación a un individuo sin instrucción
alguna) sean todos negativos y crecientes en valor absoluto (Yamada & Castro, 2008). Y, según lo
establecido en la segunda hipótesis, se esperaría que la diferencia entre los efectos impactos de los
distintos niveles de instrucción (primaria, secundaria, superior no universitaria y superior universitaria)
sea menor a medida que un individuo promedio transite hacia a un grado de instrucción superior. Aquí
es preciso señalar que para el cálculo de los efectos impacto se efectuará tomando como referencia a un
individuo sin instrucción como caso base.
En tal contexto, para validar las hipótesis planteadas se requiere que los efectos impacto respecto al caso
base se estimen mediante el diferencial de funciones de distribución acumulada entre el grado académico
de interés y el caso base. Para el caso del nivel de educación secundaria completa la expresión
matemática tendría la siguiente estructura:
pág. 1398
𝐸𝑓𝑒𝑐𝑡𝑜 𝐼𝑚𝑝𝑎𝑐𝑡𝑜𝑆𝐸𝐶_𝐶𝑂𝑀 =
= 𝐹(𝛼̂ + 𝛽̂1(0) + 𝛽̂2(0) + 𝛽̂3(0) + 𝛽̂4(1) + 𝛽̂5(0) + 𝛽̂6(0) + 𝛽̂7(0) + 𝛽̂8(0)
+ 𝑋̅1
´ 𝑍̂ )
− 𝐹(𝛼̂ + 𝛽̂1(0) + 𝛽̂2(0) + 𝛽̂3(0) + 𝛽̂4(0) + 𝛽̂5(0) + 𝛽̂6(0) + 𝛽̂7(0) + 𝛽̂8(0)
+ 𝑋̅1
´ 𝑍̂ )
RESULTADOS Y DISCUSIÓN
Estimación de resultados
Habiendo identificado las variables de estudio se procede a efectuar la estimación asumiendo una
distribución logística. La elección entre un modelo logit o probit no presenta un regla clara y especifica,
y el criterio de elección dependerá del nivel de concentración de las observaciones de la muestra en las
colas de las distribución (Beltrán B. & Castro, 2010). De la estimación de la ecuación bajo la
especificación de un modelo logit se obtienen los siguientes resultados resumidos en el cuadro 3:
Cuadro 3. Ventana de resultados del modelo logit especificado
Logistic regression Number of obs = 2,236
LR chi2(14) = 501.99
Prob > chi2 = 0.0000
Log likelihood = -1196.3262 Pseudo R2 = 0.1734
pobre Coef. Std. Err. z P>z [95% Conf. Interval]
prim_inc
-
0.3303316
0.193540
0
-1.71 0.0880 -0.7096630 0.0489998
prim_com
-
0.4369544
0.218419
2
-2.00 0.0450 -0.8650482
-
0.0088605
sec_inc
-
0.8781289
0.232030
7
-3.78 0.0000 -1.3329010
-
0.4233572
sec_com
-
0.8455585
0.225033
1
-3.76 0.0000 -1.2866150
-
0.4045017
𝐸𝑓𝑒𝑐𝑡𝑜 𝐼𝑚𝑝𝑎𝑐𝑡𝑜𝑆𝐸𝐶_𝐶𝑂𝑀 =
= 𝐹(𝛼̂ + 𝛽̂1(0) + 𝛽̂2(0) + 𝛽̂3(0) + 𝛽̂4(1) + 𝛽̂5(0) + 𝛽̂6(0) + 𝛽̂7(0) + 𝛽̂8(0)
+ 𝑋̅1
´ 𝑍̂ )
− 𝐹(𝛼̂ + 𝛽̂1(0) + 𝛽̂2(0) + 𝛽̂3(0) + 𝛽̂4(0) + 𝛽̂5(0) + 𝛽̂6(0) + 𝛽̂7(0) + 𝛽̂8(0)
+ 𝑋̅1
´ 𝑍̂ )
RESULTADOS Y DISCUSIÓN
Estimación de resultados
Habiendo identificado las variables de estudio se procede a efectuar la estimación asumiendo una
distribución logística. La elección entre un modelo logit o probit no presenta un regla clara y especifica,
y el criterio de elección dependerá del nivel de concentración de las observaciones de la muestra en las
colas de las distribución (Beltrán B. & Castro, 2010). De la estimación de la ecuación bajo la
especificación de un modelo logit se obtienen los siguientes resultados resumidos en el cuadro 3:
Cuadro 3. Ventana de resultados del modelo logit especificado
Logistic regression Number of obs = 2,236
LR chi2(14) = 501.99
Prob > chi2 = 0.0000
Log likelihood = -1196.3262 Pseudo R2 = 0.1734
pobre Coef. Std. Err. z P>z [95% Conf. Interval]
prim_inc
-
0.3303316
0.193540
0
-1.71 0.0880 -0.7096630 0.0489998
prim_com
-
0.4369544
0.218419
2
-2.00 0.0450 -0.8650482
-
0.0088605
sec_inc
-
0.8781289
0.232030
7
-3.78 0.0000 -1.3329010
-
0.4233572
sec_com
-
0.8455585
0.225033
1
-3.76 0.0000 -1.2866150
-
0.4045017
pág. 1399
sup_nouniv_inc
-
1.4212520
0.389018
0
-3.65 0.0000 -2.1837140
-
0.6587912
sup_nouniv_com
-
1.5186330
0.360325
2
-4.21 0.0000 -2.2248570
-
0.8124085
sup_univ_inc
-
1.8414450
0.395676
8
-4.65 0.0000 -2.6169580
-
1.0659330
sup_univ_com
-
2.2813010
0.565176
6
-4.04 0.0000 -3.3890270
-
1.1735750
edad
-
0.0342889
0.004148
7
-8.26 0.0000 -0.0424203
-
0.0261575
parej_jefe_hogar_dum
-
0.8245961
0.219679
0
-3.75 0.0000 -1.2551590
-
0.3940332
ingreso_monetario_tota
l
-
0.0000870
0.000007
3
-
11.87
0.0000 -0.0001014
-
0.0000726
raza_dum 0.2219416
0.134020
3
1.66 0.0980 -0.0407334 0.4846165
est_civil_dum 1.1526980
0.165560
2
6.96 0.0000 0.8282061 1.4771900
jefe_hogar_dum
-
0.7649269
0.190810
0
-4.01 0.0000 -1.1389080
-
0.3909462
_cons 1.9353270
0.298697
2
6.48 0.0000 1.3498910 2.5207630
Nota. Resultados reportados de la regresión logística por el programa Stata.
Fuente: elaboración propia.
Los resultados reportados por el modelo logístico evidencian, en principio, que los estimadores
asociados a los grados de instrucción son todos significativos y decrecientes en valor absoluto, para un
nivel de significancia del 10%. Asimismo, el signo negativo de los coeficientes relativos a todas las
variables de educación confirma el hecho que el haber cursado un nivel de educativo en particular reduce
sup_nouniv_inc
-
1.4212520
0.389018
0
-3.65 0.0000 -2.1837140
-
0.6587912
sup_nouniv_com
-
1.5186330
0.360325
2
-4.21 0.0000 -2.2248570
-
0.8124085
sup_univ_inc
-
1.8414450
0.395676
8
-4.65 0.0000 -2.6169580
-
1.0659330
sup_univ_com
-
2.2813010
0.565176
6
-4.04 0.0000 -3.3890270
-
1.1735750
edad
-
0.0342889
0.004148
7
-8.26 0.0000 -0.0424203
-
0.0261575
parej_jefe_hogar_dum
-
0.8245961
0.219679
0
-3.75 0.0000 -1.2551590
-
0.3940332
ingreso_monetario_tota
l
-
0.0000870
0.000007
3
-
11.87
0.0000 -0.0001014
-
0.0000726
raza_dum 0.2219416
0.134020
3
1.66 0.0980 -0.0407334 0.4846165
est_civil_dum 1.1526980
0.165560
2
6.96 0.0000 0.8282061 1.4771900
jefe_hogar_dum
-
0.7649269
0.190810
0
-4.01 0.0000 -1.1389080
-
0.3909462
_cons 1.9353270
0.298697
2
6.48 0.0000 1.3498910 2.5207630
Nota. Resultados reportados de la regresión logística por el programa Stata.
Fuente: elaboración propia.
Los resultados reportados por el modelo logístico evidencian, en principio, que los estimadores
asociados a los grados de instrucción son todos significativos y decrecientes en valor absoluto, para un
nivel de significancia del 10%. Asimismo, el signo negativo de los coeficientes relativos a todas las
variables de educación confirma el hecho que el haber cursado un nivel de educativo en particular reduce
pág. 1400
la probabilidad de encontrarse en condición de pobreza, esto último tomando como referencia a un
individuo sin grado de instrucción. Por otro lado, se observa que los coeficientes de las variables
asociadas a un determinado grado de instrucción son crecientes en valor absoluto, lo que aporta
evidencia a favor de que cada nivel educativo reduce la probabilidad de ser pobre, mostrando que el
alcanzar un mayor grado de instrucción éste tendrá un mayor impacto marginal en la reducción de dicha
probabilidad.
Con relación a las características del individuo según el hogar al que pertenece, cabe resaltar el impacto
positivo que presenta el coeficiente asociado a la variable “raza”, proporcionando evidencia a favor a la
posible existencia de cierto nivel de discriminación según la condición originaria del individuo en la
región Huancavelica. Este resultado, indicaría que individuos autoidentificados como nativo o indígena
de la amazonia, aimara, quechua, así como negro, zambo, moreno, mulato, afrodescendiente o
afroperuano, y/o perteneciente o en parte a un pueblo indígena u originario, tienden a ser más pobres o
se incrementan la probabilidad de encontrarse en situación de pobreza.
Otro dato importante que reporta la regresión logística es el hecho de que encontrarse en condición de
casado o conviviente incrementa la probabilidad de ser pobre, ello debido a la naturaleza positiva del
aporte marginal que presenta el coeficiente de esta variable. Resultado contrario proporciona la
condición de ser considerado jefe o cabeza de hogar, así como pareja del jefe del hogar. Finalmente, la
variabilidad positiva y/o creciente de los ingresos de los hogares al que pertenece un individuo promedio
propicia la reducción de la probabilidad de ser pobre.
Ahora, para la estimación de los efectos impactos de las variables asociadas a los niveles educativos se
ha considerado como caso base a un individuo sin grado de instrucción. Para ello se ha fijado en cero
todas las variables dicotómicas referidas a la educación; y los demás regresores se han evaluado en su
media. En tal sentido, lo que se captura es el cambio en la probabilidad de ser considerado pobre cuando
se transita de la condición sin grado de instrucción a un nivel educativo especifico asociado a una
variable educativa en particular. Con estas precisiones se han obtenido los siguientes resultados
mostrados en el cuadro 4:
Cuadro 4. Efecto impacto de las variables referidas al nivel educativo
la probabilidad de encontrarse en condición de pobreza, esto último tomando como referencia a un
individuo sin grado de instrucción. Por otro lado, se observa que los coeficientes de las variables
asociadas a un determinado grado de instrucción son crecientes en valor absoluto, lo que aporta
evidencia a favor de que cada nivel educativo reduce la probabilidad de ser pobre, mostrando que el
alcanzar un mayor grado de instrucción éste tendrá un mayor impacto marginal en la reducción de dicha
probabilidad.
Con relación a las características del individuo según el hogar al que pertenece, cabe resaltar el impacto
positivo que presenta el coeficiente asociado a la variable “raza”, proporcionando evidencia a favor a la
posible existencia de cierto nivel de discriminación según la condición originaria del individuo en la
región Huancavelica. Este resultado, indicaría que individuos autoidentificados como nativo o indígena
de la amazonia, aimara, quechua, así como negro, zambo, moreno, mulato, afrodescendiente o
afroperuano, y/o perteneciente o en parte a un pueblo indígena u originario, tienden a ser más pobres o
se incrementan la probabilidad de encontrarse en situación de pobreza.
Otro dato importante que reporta la regresión logística es el hecho de que encontrarse en condición de
casado o conviviente incrementa la probabilidad de ser pobre, ello debido a la naturaleza positiva del
aporte marginal que presenta el coeficiente de esta variable. Resultado contrario proporciona la
condición de ser considerado jefe o cabeza de hogar, así como pareja del jefe del hogar. Finalmente, la
variabilidad positiva y/o creciente de los ingresos de los hogares al que pertenece un individuo promedio
propicia la reducción de la probabilidad de ser pobre.
Ahora, para la estimación de los efectos impactos de las variables asociadas a los niveles educativos se
ha considerado como caso base a un individuo sin grado de instrucción. Para ello se ha fijado en cero
todas las variables dicotómicas referidas a la educación; y los demás regresores se han evaluado en su
media. En tal sentido, lo que se captura es el cambio en la probabilidad de ser considerado pobre cuando
se transita de la condición sin grado de instrucción a un nivel educativo especifico asociado a una
variable educativa en particular. Con estas precisiones se han obtenido los siguientes resultados
mostrados en el cuadro 4:
Cuadro 4. Efecto impacto de las variables referidas al nivel educativo
pág. 1401
Marginal effects after logit
y = Pr(pobre)
(predict)
= 0.42765502
variable dy/dx Std. Err. z P>z [ 95% C.I. ] X
prim_inc*
-
0.078273
0
0.0465500 -1.68
0.093
0
-
0.169512
0
0.012966
0
0.000000
0
prim_com*
-
0.102104
6
0.0515500 -1.98
0.048
0
-
0.203147
0
-
0.001062
0
0.000000
0
sec_inc*
-
0.190719
4
0.0522800 -3.65
0.000
0
-
0.293190
0
-
0.088249
0
0.000000
0
sec_com*
-
0.184780
4
0.0513000 -3.60
0.000
0
-
0.285326
0
-
0.084234
0
0.000000
0
sup_no~c*
-
0.274838
3
0.0641300 -4.29
0.000
0
-
0.400531
0
-
0.149145
0
0.000000
0
sup_no~m*
-
0.287023
9
0.0588200 -4.88
0.000
0
-
0.402304
0
-
0.171744
0
0.000000
0
sup_un~c*
-
0.321712
2
0.0569000 -5.65
0.000
0
-
0.433228
0
-
0.210197
0
0.000000
0
Marginal effects after logit
y = Pr(pobre)
(predict)
= 0.42765502
variable dy/dx Std. Err. z P>z [ 95% C.I. ] X
prim_inc*
-
0.078273
0
0.0465500 -1.68
0.093
0
-
0.169512
0
0.012966
0
0.000000
0
prim_com*
-
0.102104
6
0.0515500 -1.98
0.048
0
-
0.203147
0
-
0.001062
0
0.000000
0
sec_inc*
-
0.190719
4
0.0522800 -3.65
0.000
0
-
0.293190
0
-
0.088249
0
0.000000
0
sec_com*
-
0.184780
4
0.0513000 -3.60
0.000
0
-
0.285326
0
-
0.084234
0
0.000000
0
sup_no~c*
-
0.274838
3
0.0641300 -4.29
0.000
0
-
0.400531
0
-
0.149145
0
0.000000
0
sup_no~m*
-
0.287023
9
0.0588200 -4.88
0.000
0
-
0.402304
0
-
0.171744
0
0.000000
0
sup_un~c*
-
0.321712
2
0.0569000 -5.65
0.000
0
-
0.433228
0
-
0.210197
0
0.000000
0
pág. 1402
sup_un~m*
-
0.356740
5
0.0576200 -6.19
0.000
0
-
0.469672
0
-
0.243809
0
0.000000
0
edad
-
0.008392
8
0.0010200 -8.26
0.000
0
-
0.010383
0
-
0.006402
0
41.97540
0
parej_~m*
-
0.192530
9
0.0493700 -3.90
0.000
0
-
0.289297
0
-
0.095765
0
0.273703
0
i~mone~l
-
0.000021
3
0.0000000 -11.87
0.000
0
-
0.000025
0
-
0.000018
0
12,322.4
0
raza_dum*
0.053744
3
0.0321100 1.67
0.094
0
-
0.009188
0
0.116677
0
0.776386
0
est_ci~m*
0.272717
4
0.0387400 7.04
0.000
0
0.196789
0
0.348646
0
0.550089
0
jefe_h~m*
-
0.182571
0
0.0437800 -4.17
0.000
0
-
0.268387
0
-
0.096755
0
0.386852
0
(*) dy/dx is for discrete change of dummy variable from
0 to 1
Nota. Efecto impacto estimado con las variables de interés fijados en cero.
Fuente: elaboración propia.
Tales resultados, observados en el cuadro 4, aportaría evidencia a favor respecto al hecho de que alcanzar
un subsiguiente nivel educativo reduce en mayor proporción la probabilidad de que un individuo
promedio sea considerado pobre. Tal efecto se observa por ejemplo en el impacto que proporciona el
tener como ultimo nivel educativo la de universitaria superior completa, la cual indicaría que la
sup_un~m*
-
0.356740
5
0.0576200 -6.19
0.000
0
-
0.469672
0
-
0.243809
0
0.000000
0
edad
-
0.008392
8
0.0010200 -8.26
0.000
0
-
0.010383
0
-
0.006402
0
41.97540
0
parej_~m*
-
0.192530
9
0.0493700 -3.90
0.000
0
-
0.289297
0
-
0.095765
0
0.273703
0
i~mone~l
-
0.000021
3
0.0000000 -11.87
0.000
0
-
0.000025
0
-
0.000018
0
12,322.4
0
raza_dum*
0.053744
3
0.0321100 1.67
0.094
0
-
0.009188
0
0.116677
0
0.776386
0
est_ci~m*
0.272717
4
0.0387400 7.04
0.000
0
0.196789
0
0.348646
0
0.550089
0
jefe_h~m*
-
0.182571
0
0.0437800 -4.17
0.000
0
-
0.268387
0
-
0.096755
0
0.386852
0
(*) dy/dx is for discrete change of dummy variable from
0 to 1
Nota. Efecto impacto estimado con las variables de interés fijados en cero.
Fuente: elaboración propia.
Tales resultados, observados en el cuadro 4, aportaría evidencia a favor respecto al hecho de que alcanzar
un subsiguiente nivel educativo reduce en mayor proporción la probabilidad de que un individuo
promedio sea considerado pobre. Tal efecto se observa por ejemplo en el impacto que proporciona el
tener como ultimo nivel educativo la de universitaria superior completa, la cual indicaría que la
pág. 1403
probabilidad de ser considerado pobre es un 35.67% menor respecto a un individuo sin ningún grado de
instrucción. Entonces, se puede precisar que ha mayor grado de instrucción del individuo su probabilidad
de ser pobre será menor respecto a la condición sin nivel educativo. Consecuentemente, estas
probabilidades presentan una tendencia inversa respecto a la probabilidad de ser pobre. Graficando estas
probabilidades para cada nivel educativo se puede observar con mayor claridad el aporte marginal cada
vez mayor de cada coeficiente (en valor absoluto) para un determinado grado de instrucción (ver Figura
1).
Figura 1. Probabilidad de ser pobre en la región Huancavelica y nivel educativo alcanzado
Nota. Probabilidad calculada para cada nivel de instrucción respecto a una condición sin nivel educativo.
Fuente: elaboración propia.
Por otro lado, corresponde hallar los efectos impacto de las demás variables discretas; para ello fijamos
en su promedio a las dicotómicas educativas y al resto de los regresores. Los resultados de la estimación
logística de tales efectos se pueden observar en el cuadro 5.
probabilidad de ser considerado pobre es un 35.67% menor respecto a un individuo sin ningún grado de
instrucción. Entonces, se puede precisar que ha mayor grado de instrucción del individuo su probabilidad
de ser pobre será menor respecto a la condición sin nivel educativo. Consecuentemente, estas
probabilidades presentan una tendencia inversa respecto a la probabilidad de ser pobre. Graficando estas
probabilidades para cada nivel educativo se puede observar con mayor claridad el aporte marginal cada
vez mayor de cada coeficiente (en valor absoluto) para un determinado grado de instrucción (ver Figura
1).
Figura 1. Probabilidad de ser pobre en la región Huancavelica y nivel educativo alcanzado
Nota. Probabilidad calculada para cada nivel de instrucción respecto a una condición sin nivel educativo.
Fuente: elaboración propia.
Por otro lado, corresponde hallar los efectos impacto de las demás variables discretas; para ello fijamos
en su promedio a las dicotómicas educativas y al resto de los regresores. Los resultados de la estimación
logística de tales efectos se pueden observar en el cuadro 5.
pág. 1404
Cuadro 5. Efectos impacto de las variables asociadas a la raza, estado civil, jefe de hogar y pareja
del jefe de hogar.
Marginal effects after logit
y = Pr(pobre)
(predict)
= 0.25386057
variable dy/dx Std. Err. z P>z [ 95% C.I. ] X
prim_inc*
-
0.059357
2
0.0329000 -1.80
0.071
0
-
0.123843
0
0.005129
0
0.190072
0
prim_com*
-
0.075968
3
0.0345900 -2.20
0.028
0
-
0.143772
0
-
0.008165
0
0.126118
0
sec_inc*
-
0.144401
4
0.0328000 -4.40
0.000
0
-
0.208686
0
-
0.080116
0
0.201252
0
sec_com*
-
0.140709
8
0.0326800 -4.31
0.000
0
-
0.204761
0
-
0.076659
0
0.214669
0
sup_no~c*
-
0.182608
2
0.0303900 -6.01
0.000
0
-
0.242172
0
-
0.123045
0
0.027281
0
sup_no~m*
-
0.194116
4
0.0277300 -7.00
0.000
0
-
0.248466
0
-
0.139767
0
0.050089
0
sup_un~c*
-
0.213118
4
0.0242300 -8.80
0.000
0
-
0.260610
0
-
0.165627
0
0.039803
0
Cuadro 5. Efectos impacto de las variables asociadas a la raza, estado civil, jefe de hogar y pareja
del jefe de hogar.
Marginal effects after logit
y = Pr(pobre)
(predict)
= 0.25386057
variable dy/dx Std. Err. z P>z [ 95% C.I. ] X
prim_inc*
-
0.059357
2
0.0329000 -1.80
0.071
0
-
0.123843
0
0.005129
0
0.190072
0
prim_com*
-
0.075968
3
0.0345900 -2.20
0.028
0
-
0.143772
0
-
0.008165
0
0.126118
0
sec_inc*
-
0.144401
4
0.0328000 -4.40
0.000
0
-
0.208686
0
-
0.080116
0
0.201252
0
sec_com*
-
0.140709
8
0.0326800 -4.31
0.000
0
-
0.204761
0
-
0.076659
0
0.214669
0
sup_no~c*
-
0.182608
2
0.0303900 -6.01
0.000
0
-
0.242172
0
-
0.123045
0
0.027281
0
sup_no~m*
-
0.194116
4
0.0277300 -7.00
0.000
0
-
0.248466
0
-
0.139767
0
0.050089
0
sup_un~c*
-
0.213118
4
0.0242300 -8.80
0.000
0
-
0.260610
0
-
0.165627
0
0.039803
0
pág. 1405
sup_un~m*
-
0.239943
8
0.0247800 -9.68
0.000
0
-
0.288512
0
-
0.191375
0
0.053667
0
edad
-
0.006494
8
0.0007900 -8.26
0.000
0
-
0.008036
0
-
0.004953
0
41.97540
0
parej_~m*
-
0.141433
5
0.0338100 -4.18
0.000
0
-
0.207692
0
-
0.075175
0
0.273703
0
i~mone~l
-
0.000016
5
0.0000000 -14.15
0.000
0
-
0.000019
0
-
0.000014
0
12,322.4
0
raza_dum*
0.040751
3
0.0238100 1.71
0.087
0
-
0.005922
0
0.087424
0
0.776386
0
est_ci~m*
0.210782
7
0.0289600 7.28
0.000
0
0.154026
0
0.267539
0
0.550089
0
jefe_h~m*
-
0.138343
3
0.0327800 -4.22
0.000
0
-
0.202581
0
-
0.074105
0
0.386852
0
(*) dy/dx is for discrete change of dummy variable from
0 to 1
Nota. Efecto impacto estimado con las variables de interés fijados en su media.
Fuente: elaboración propia.
sup_un~m*
-
0.239943
8
0.0247800 -9.68
0.000
0
-
0.288512
0
-
0.191375
0
0.053667
0
edad
-
0.006494
8
0.0007900 -8.26
0.000
0
-
0.008036
0
-
0.004953
0
41.97540
0
parej_~m*
-
0.141433
5
0.0338100 -4.18
0.000
0
-
0.207692
0
-
0.075175
0
0.273703
0
i~mone~l
-
0.000016
5
0.0000000 -14.15
0.000
0
-
0.000019
0
-
0.000014
0
12,322.4
0
raza_dum*
0.040751
3
0.0238100 1.71
0.087
0
-
0.005922
0
0.087424
0
0.776386
0
est_ci~m*
0.210782
7
0.0289600 7.28
0.000
0
0.154026
0
0.267539
0
0.550089
0
jefe_h~m*
-
0.138343
3
0.0327800 -4.22
0.000
0
-
0.202581
0
-
0.074105
0
0.386852
0
(*) dy/dx is for discrete change of dummy variable from
0 to 1
Nota. Efecto impacto estimado con las variables de interés fijados en su media.
Fuente: elaboración propia.
pág. 1406
Al respecto, es importante connotar que los aportes marginales más relevantes los proporciona el estado
civil que presenta una relación directa con la probabilidad de ser pobre, lo que indicaría que el tener la
condición de casado o conviviente incrementa la probabilidad de encontrase en situación de pobreza.
Caso contrario se evidencia si el individuo promedio es considerado jefe de hogar o pareja del mismo,
aportando evidencia a que esta última condición reduce la probabilidad de ser pobre. Asimismo, como
ya se había comentado, el efecto impacto positivo que presenta la variable raza aporta evidencia a favor
de que un individuo promedio es susceptible de sufrir discriminación si es considerado indígena u
originario. Tales resultados para las variables discretas se pueden observar en el cuadro 6.
Cuadro 6. Efectos impacto de las variables discretas
Variables discretas Efectos impactos
Diferencial
(cambios) de
efectos impactos a
nivel educativo
PRIM_INC -0.078273
PRIM_COM -0.1021046 -0.1021046
SEC_INC -0.1907194
SEC_COM -0.1847804 -0.0826758
SUP_NOUNIV_INC -0.2748383
SUP_NOUNIV_COM -0.2870239 -0.1022435
SUP_UNIV_INC -0.3217122
SUP_UNIV_COM -0.3567405 -0.0697166
EDAD -0.0064948
RAZA_DUM 0.0407513
EST_CIVIL_DUM 0.2107827
JEFE_HOGAR_DUM -0.1383433
PAREJ_JEFE_HOGAR_DUM -0.1414335
INGRESO_MONETARIO_TOTAL -0.0000165
Nota. Efecto impacto estimado para las variables discretas fijados en cero para las variables educativas y su media para el resto
de los regresores.
Fuente: elaboración propia.
Al respecto, es importante connotar que los aportes marginales más relevantes los proporciona el estado
civil que presenta una relación directa con la probabilidad de ser pobre, lo que indicaría que el tener la
condición de casado o conviviente incrementa la probabilidad de encontrase en situación de pobreza.
Caso contrario se evidencia si el individuo promedio es considerado jefe de hogar o pareja del mismo,
aportando evidencia a que esta última condición reduce la probabilidad de ser pobre. Asimismo, como
ya se había comentado, el efecto impacto positivo que presenta la variable raza aporta evidencia a favor
de que un individuo promedio es susceptible de sufrir discriminación si es considerado indígena u
originario. Tales resultados para las variables discretas se pueden observar en el cuadro 6.
Cuadro 6. Efectos impacto de las variables discretas
Variables discretas Efectos impactos
Diferencial
(cambios) de
efectos impactos a
nivel educativo
PRIM_INC -0.078273
PRIM_COM -0.1021046 -0.1021046
SEC_INC -0.1907194
SEC_COM -0.1847804 -0.0826758
SUP_NOUNIV_INC -0.2748383
SUP_NOUNIV_COM -0.2870239 -0.1022435
SUP_UNIV_INC -0.3217122
SUP_UNIV_COM -0.3567405 -0.0697166
EDAD -0.0064948
RAZA_DUM 0.0407513
EST_CIVIL_DUM 0.2107827
JEFE_HOGAR_DUM -0.1383433
PAREJ_JEFE_HOGAR_DUM -0.1414335
INGRESO_MONETARIO_TOTAL -0.0000165
Nota. Efecto impacto estimado para las variables discretas fijados en cero para las variables educativas y su media para el resto
de los regresores.
Fuente: elaboración propia.
pág. 1407
En el cuadro 6 se muestran los diferenciales en términos de efectos impacto de transitar los diversos
niveles de grados de instrucción. En tal contexto, si se observa el diferencial asociado al nivel educativo
primario; solo el concluir este grado de instrucción otorgaría una probabilidad del 10.21% menor de
situarse en condición de pobreza respecto a un individuo sin nivel educativo. De similar manera, el
concluir hasta el nivel educativo de secundaria completa proporcionaría una probabilidad de ser pobre
del 8.27% menor respecto a un individuo con primaria completa. De igual forma, un individuo con
educación superior completa no universitaria tiene una probabilidad de ser pobre del 10.22% menor
respecto a un individuo con educación secundaria completa. Finalmente; el poseer educación superior
universitaria completa proporciona una probabilidad de ser pobre del 6.97% menor respecto a un
individuo con educación no universitaria concluida. Estos resultados evidencian que existe un aporte
marginal significativo de la educación en la reducción de la probabilidad de ser pobre.
Sin embargo, se debe señalar que las variables control relativas a la autoidentificación de raza por parte
del individuo y a la condición de su estado civil presentan un impacto marginal positivo incrementando,
por tanto, la probabilidad de ser pobre. En cambio, ser considerado jefe o compañera de hogar, sumado
a un flujo positivo de ingresos monetarios proporcionan un impacto inverso en la probabilidad de ser
pobre. Finalmente, si bien la variable edad presenta una relación inversa con la probabilidad de ser pobre
su aporte marginal en la reducción de dicha probabilidad es limitado.
Por otra parte, habiendo analizado los efectos impacto de las variables discretas, corresponde analizar
la elasticidad de la variable continua, referida a los ingresos monetarios. Este criterio describirá el
cambio porcentual en la probabilidad de ser pobre frente a un incremento del 1% de los ingresos
monetarios. Los resultados de las elasticidades estimadas se presentan en el cuadro 7, cuya estimación
se ha efectuado para todas las variables del modelo logístico, pero se tomará solo en consideración lo
referente a la variable continua ingresos monetarios.
En el cuadro 6 se muestran los diferenciales en términos de efectos impacto de transitar los diversos
niveles de grados de instrucción. En tal contexto, si se observa el diferencial asociado al nivel educativo
primario; solo el concluir este grado de instrucción otorgaría una probabilidad del 10.21% menor de
situarse en condición de pobreza respecto a un individuo sin nivel educativo. De similar manera, el
concluir hasta el nivel educativo de secundaria completa proporcionaría una probabilidad de ser pobre
del 8.27% menor respecto a un individuo con primaria completa. De igual forma, un individuo con
educación superior completa no universitaria tiene una probabilidad de ser pobre del 10.22% menor
respecto a un individuo con educación secundaria completa. Finalmente; el poseer educación superior
universitaria completa proporciona una probabilidad de ser pobre del 6.97% menor respecto a un
individuo con educación no universitaria concluida. Estos resultados evidencian que existe un aporte
marginal significativo de la educación en la reducción de la probabilidad de ser pobre.
Sin embargo, se debe señalar que las variables control relativas a la autoidentificación de raza por parte
del individuo y a la condición de su estado civil presentan un impacto marginal positivo incrementando,
por tanto, la probabilidad de ser pobre. En cambio, ser considerado jefe o compañera de hogar, sumado
a un flujo positivo de ingresos monetarios proporcionan un impacto inverso en la probabilidad de ser
pobre. Finalmente, si bien la variable edad presenta una relación inversa con la probabilidad de ser pobre
su aporte marginal en la reducción de dicha probabilidad es limitado.
Por otra parte, habiendo analizado los efectos impacto de las variables discretas, corresponde analizar
la elasticidad de la variable continua, referida a los ingresos monetarios. Este criterio describirá el
cambio porcentual en la probabilidad de ser pobre frente a un incremento del 1% de los ingresos
monetarios. Los resultados de las elasticidades estimadas se presentan en el cuadro 7, cuya estimación
se ha efectuado para todas las variables del modelo logístico, pero se tomará solo en consideración lo
referente a la variable continua ingresos monetarios.
pág. 1408
Cuadro 7. Elasticidad relativa a la variable ingresos monetarios
Elasticities after logit
y = Pr(pobre)
(predict)
= 0.25386057
variable ey/ex Std. Err. z P>z [ 95% C.I. ] X
prim_inc
-
0.0468476
0.027480
0
-1.71
0.088
0
-
0.1007000
0.0070050
0.190072
0
prim_com
-
0.0411181
0.020590
0
-2.00
0.046
0
-
0.0814650
-
0.0007710
0.126118
0
sec_inc
-
0.1318618
0.034990
0
-3.77
0.000
0
-
0.2004390
-
0.0632850
0.201252
0
sec_com
-
0.1354357
0.036180
0
-3.74
0.000
0
-
0.2063460
-
0.0645260
0.214669
0
sup_no~c
-
0.0289301
0.007950
0
-3.64
0.000
0
-
0.0445110
-
0.0133490
0.027281
0
sup_no~m
-
0.0567569
0.013590
0
-4.18
0.000
0
-
0.0834010
-
0.0301130
0.050089
0
sup_un~c
-
0.0546886
0.011860
0
-4.61
0.000
0
-
0.0779260
-
0.0314520
0.039803
0
sup_un~m
-
0.0913507
0.023140
0
-3.95
0.000
0
-
0.1367080
-
0.0459940
0.053667
0
edad
-
1.0739100
0.133810
0
-8.03
0.000
0
-
1.3361800
-
0.8116410
41.97540
0
parej_~m
-
0.1683995
0.045170
0
-3.73
0.000
0
-
0.2569320
-
0.0798670
0.273703
0
Cuadro 7. Elasticidad relativa a la variable ingresos monetarios
Elasticities after logit
y = Pr(pobre)
(predict)
= 0.25386057
variable ey/ex Std. Err. z P>z [ 95% C.I. ] X
prim_inc
-
0.0468476
0.027480
0
-1.71
0.088
0
-
0.1007000
0.0070050
0.190072
0
prim_com
-
0.0411181
0.020590
0
-2.00
0.046
0
-
0.0814650
-
0.0007710
0.126118
0
sec_inc
-
0.1318618
0.034990
0
-3.77
0.000
0
-
0.2004390
-
0.0632850
0.201252
0
sec_com
-
0.1354357
0.036180
0
-3.74
0.000
0
-
0.2063460
-
0.0645260
0.214669
0
sup_no~c
-
0.0289301
0.007950
0
-3.64
0.000
0
-
0.0445110
-
0.0133490
0.027281
0
sup_no~m
-
0.0567569
0.013590
0
-4.18
0.000
0
-
0.0834010
-
0.0301130
0.050089
0
sup_un~c
-
0.0546886
0.011860
0
-4.61
0.000
0
-
0.0779260
-
0.0314520
0.039803
0
sup_un~m
-
0.0913507
0.023140
0
-3.95
0.000
0
-
0.1367080
-
0.0459940
0.053667
0
edad
-
1.0739100
0.133810
0
-8.03
0.000
0
-
1.3361800
-
0.8116410
41.97540
0
parej_~m
-
0.1683995
0.045170
0
-3.73
0.000
0
-
0.2569320
-
0.0798670
0.273703
0
pág. 1409
i~mone~l
-
0.8000518
0.076280
0
-
10.49
0.000
0
-
0.9495660
-
0.6505380
12,322.40
raza_dum 0.1285691
0.077750
0
1.65
0.098
0
-
0.0238200
0.2809580
0.776386
0
est_ci~m 0.4731174
0.069530
0
6.80
0.000
0
0.3368460 0.6093890
0.550089
0
jefe_h~m
-
0.2207925
0.055540
0
-3.98
0.000
0
-
0.3296410
-
0.1119440
0.386852
0
Nota. La elasticidad se ha estimado para todas las variables, pero solo se toma consideración lo calculado para la variable
ingresos monetarios.
Fuente: elaboración propia.
De la estimación de la elasticidad relativa a los ingresos monetarios promedio, asociado a la actividad
principal del individuo, se precisa que un incremento del 1% de los ingresos reduce la probabilidad de
ser pobre en 0.8%. Debido a que las elasticidades se expresan en términos porcentuales es posible
ordenar de forma prelativa sus impactos marginales en función de su importancia en la reducción de la
probabilidad de que un individuo caiga en situación de pobreza. Con relación a este aspecto se puede
apreciar la importancia que tiene principalmente el acceso a la educación secundaria como determinante
de la condición de pobreza. Esto último debido a que la culminación del nivel educativo secundaria
completa e incompleta proporciona el mayor impacto en la reducción de la probabilidad de ser pobre,
en comparación con los demás grados de instrucción académica. Esto último, confirma la hipótesis
planteada referida a la importancia que presenta el acceso a la educación, particularmente en los
primeros niveles, como factor determinante de la condición de pobreza de un individuo promedio.
No obstante, es preciso señalar que es posible interpretar las elasticidades, asociadas a las variables
discretas, como cambio en la respuesta de la variable dependiente frente a cambios en las variables de
interés discretas. Al respecto se puede observar que la elasticidad relativa a la variable dicotómica estado
civil (0.47), indicaría que, si el porcentaje de casados o convivientes se incrementa en un punto
porcentual, asumiendo todo lo demás constante, la probabilidad de ser pobre de un individuo promedio
en la región Huancavelica se incrementaría en 0.47%. Del mismo modo un incremento del 1% en los
i~mone~l
-
0.8000518
0.076280
0
-
10.49
0.000
0
-
0.9495660
-
0.6505380
12,322.40
raza_dum 0.1285691
0.077750
0
1.65
0.098
0
-
0.0238200
0.2809580
0.776386
0
est_ci~m 0.4731174
0.069530
0
6.80
0.000
0
0.3368460 0.6093890
0.550089
0
jefe_h~m
-
0.2207925
0.055540
0
-3.98
0.000
0
-
0.3296410
-
0.1119440
0.386852
0
Nota. La elasticidad se ha estimado para todas las variables, pero solo se toma consideración lo calculado para la variable
ingresos monetarios.
Fuente: elaboración propia.
De la estimación de la elasticidad relativa a los ingresos monetarios promedio, asociado a la actividad
principal del individuo, se precisa que un incremento del 1% de los ingresos reduce la probabilidad de
ser pobre en 0.8%. Debido a que las elasticidades se expresan en términos porcentuales es posible
ordenar de forma prelativa sus impactos marginales en función de su importancia en la reducción de la
probabilidad de que un individuo caiga en situación de pobreza. Con relación a este aspecto se puede
apreciar la importancia que tiene principalmente el acceso a la educación secundaria como determinante
de la condición de pobreza. Esto último debido a que la culminación del nivel educativo secundaria
completa e incompleta proporciona el mayor impacto en la reducción de la probabilidad de ser pobre,
en comparación con los demás grados de instrucción académica. Esto último, confirma la hipótesis
planteada referida a la importancia que presenta el acceso a la educación, particularmente en los
primeros niveles, como factor determinante de la condición de pobreza de un individuo promedio.
No obstante, es preciso señalar que es posible interpretar las elasticidades, asociadas a las variables
discretas, como cambio en la respuesta de la variable dependiente frente a cambios en las variables de
interés discretas. Al respecto se puede observar que la elasticidad relativa a la variable dicotómica estado
civil (0.47), indicaría que, si el porcentaje de casados o convivientes se incrementa en un punto
porcentual, asumiendo todo lo demás constante, la probabilidad de ser pobre de un individuo promedio
en la región Huancavelica se incrementaría en 0.47%. Del mismo modo un incremento del 1% en los
pág. 1410
individuos promedios autoidentificados como indígenas u originarios incrementaría la probabilidad de
ser pobre en 0.13%.
Discusión de resultados
De los resultados reportados por el modelo binomial y con referencia a la primera hipótesis, tenemos en
primer lugar a Olaoye (2022), quien en su investigación respecto a la prevalencia de la pobreza extrema,
y en el marco de la aplicación de un modelo espacial, señala que la inversión en salud y educación es
un determinante significativo en la reducción de los niveles de pobreza, pero connota que la eficacia de
esta estrategia para reducir la pobreza puede verse afectada ante los efectos indirectos de la corrupción.
Por otro lado, Zeng & Zhang (2022) argumentan que existe una denominada trampa de la pobreza que
parte con un capital humano promedio inicial limitado. En tal contexto, afirman que cuando el capital
humano promedio supera cierto umbral de crecimiento, puede surgir un crecimiento equilibrado a partir
de las externalidades de capital humano para incrementar los rendimientos de escala. Concluyendo de
esta manera que la inversión en educación pública obligatoria o el subsidio educativo pueden contribuir
a superar el umbral del capital humano limitado y poder superar la trampa de la pobreza.
Por su parte, Mussida & Sciulli (2022) proporcionan evidencia sobre la importancia del fenómeno de la
pobreza y su heterogeneidad en los países europeos. Para ello, analizando los determinantes de la
pobreza y su evolución a lo largo del tiempo; mediante la aplicación de modelos probit dinámicos
alternativos; señalan que el papel protector de la educación superior, si bien es relevante, ha disminuido
con el tiempo, mientras que el papel de la estabilidad laboral y el cuidado de los niños durante la primera
infancia se ha vuelto aún más importante en periodos de post recesión. Al respecto, Pattayat et al. (2022)
estiman la incidencia de la pobreza por situación laboral sectorial explorando los factores que
determinan la probabilidad conjunta de que las personas incurran en situación de pobreza. Mediante la
aplicación de modelos de regresión probit bivariados recursivos; encuentran que las capacidades
humanas de las personas, producto de una mejor educación y capacitación; así como por la incidencia
de que el jefe de hogar ocupe un nivel ocupacional más elevado, presentan una incidencia significativa
y positiva en la probabilidad de ser empleado, y en la reducción de la probabilidad de ser pobre.
Por su lado, Luckyardi et al. (2022) señalan que la pobreza es un fenómeno que se encuentra
indisolublemente ligado al papel de la educación como determinante en la reducción de los índices de
individuos promedios autoidentificados como indígenas u originarios incrementaría la probabilidad de
ser pobre en 0.13%.
Discusión de resultados
De los resultados reportados por el modelo binomial y con referencia a la primera hipótesis, tenemos en
primer lugar a Olaoye (2022), quien en su investigación respecto a la prevalencia de la pobreza extrema,
y en el marco de la aplicación de un modelo espacial, señala que la inversión en salud y educación es
un determinante significativo en la reducción de los niveles de pobreza, pero connota que la eficacia de
esta estrategia para reducir la pobreza puede verse afectada ante los efectos indirectos de la corrupción.
Por otro lado, Zeng & Zhang (2022) argumentan que existe una denominada trampa de la pobreza que
parte con un capital humano promedio inicial limitado. En tal contexto, afirman que cuando el capital
humano promedio supera cierto umbral de crecimiento, puede surgir un crecimiento equilibrado a partir
de las externalidades de capital humano para incrementar los rendimientos de escala. Concluyendo de
esta manera que la inversión en educación pública obligatoria o el subsidio educativo pueden contribuir
a superar el umbral del capital humano limitado y poder superar la trampa de la pobreza.
Por su parte, Mussida & Sciulli (2022) proporcionan evidencia sobre la importancia del fenómeno de la
pobreza y su heterogeneidad en los países europeos. Para ello, analizando los determinantes de la
pobreza y su evolución a lo largo del tiempo; mediante la aplicación de modelos probit dinámicos
alternativos; señalan que el papel protector de la educación superior, si bien es relevante, ha disminuido
con el tiempo, mientras que el papel de la estabilidad laboral y el cuidado de los niños durante la primera
infancia se ha vuelto aún más importante en periodos de post recesión. Al respecto, Pattayat et al. (2022)
estiman la incidencia de la pobreza por situación laboral sectorial explorando los factores que
determinan la probabilidad conjunta de que las personas incurran en situación de pobreza. Mediante la
aplicación de modelos de regresión probit bivariados recursivos; encuentran que las capacidades
humanas de las personas, producto de una mejor educación y capacitación; así como por la incidencia
de que el jefe de hogar ocupe un nivel ocupacional más elevado, presentan una incidencia significativa
y positiva en la probabilidad de ser empleado, y en la reducción de la probabilidad de ser pobre.
Por su lado, Luckyardi et al. (2022) señalan que la pobreza es un fenómeno que se encuentra
indisolublemente ligado al papel de la educación como determinante en la reducción de los índices de
pág. 1411
pobreza. Sus resultados indican que la educación puede contribuir a reducir los niveles de pobreza, lo
que resultaría en mejoras significativas de la calidad de vida. Tales resultados, conducen a inferir que la
educación produce cambios positivos, la cual produce un impacto significativo en el bienestar social.
De igual manera, Mina & De Anda Casas (2021) expresan que la identificación de sectores claves
productivos son fundamentales para el crecimiento y el desarrollo enfocado en la reducción de la
pobreza. Para ello, mediante la aplicación de modelos determinantes de la pobreza por ramas de empleo
controlado por factores económicos, demográficos y territoriales; identificaron relaciones heterogéneas
entre la estructura productiva y la pobreza. Entre sus principales hallazgos señalan que sectores como el
transporte, servicios de comunicaciones, educación, salud, gobierno y turismo se encuentran
relacionados con menores índices de pobreza. Estos resultados sugerirían que políticas enfocadas en el
desarrollo de estas estructuras productivas son fundamentales para reducir efectivamente los índices de
pobreza.
De la revisión de la literatura, se puede concluir el papel relevante de la educación en la reducción de la
pobreza, siendo coincidente con lo enunciado en la primera hipótesis. Frente a ello, se puede connotar
el papel crítico que presenta el aporte marginal y significativo que tiene los distintos grados de
instrucción educativa en la reducción de la probabilidad de ser pobre. Lo que sugiere la importancia del
diseño de políticas públicas enfocadas principalmente en el acceso a la educación básica; esto último
debido al mayor aporte marginal en su reducción en la probabilidad de incurrir en situación de pobreza.
Con relación a la segunda hipótesis tenemos en primer lugar a Najarzadeh et al. (2022) quienes estudian
los determinantes del riesgo de pobreza y el desarrollo de la descomposición de la desigualdad en
función del nivel educativo alcanzado por los jefes de hogar urbanos. Para ello, mediante la aplicación
de un modelo de regresión logística, concluyen que el riesgo de caer en situación de pobreza de las
familias disminuye cuando se incrementa el nivel educativo del jefe de hogar. Asimismo, expresan que
el efecto marginal del primer nivel educativo es superior al de otros niveles. Además, señalan que ser
jefe de hogar masculino reduce el riesgo de pobreza de las familias, pero el género de los jefes de hogar
no tiene un efecto significativo. Por otro lado, Bird et al. (2022) en su investigación referente a los nexos
entre tierra, educación y empleo; y la identificación del capital humano vinculado a los determinantes
para superar la situación de pobreza; evidencian que los hogares que tienen como jefe de familia a
pobreza. Sus resultados indican que la educación puede contribuir a reducir los niveles de pobreza, lo
que resultaría en mejoras significativas de la calidad de vida. Tales resultados, conducen a inferir que la
educación produce cambios positivos, la cual produce un impacto significativo en el bienestar social.
De igual manera, Mina & De Anda Casas (2021) expresan que la identificación de sectores claves
productivos son fundamentales para el crecimiento y el desarrollo enfocado en la reducción de la
pobreza. Para ello, mediante la aplicación de modelos determinantes de la pobreza por ramas de empleo
controlado por factores económicos, demográficos y territoriales; identificaron relaciones heterogéneas
entre la estructura productiva y la pobreza. Entre sus principales hallazgos señalan que sectores como el
transporte, servicios de comunicaciones, educación, salud, gobierno y turismo se encuentran
relacionados con menores índices de pobreza. Estos resultados sugerirían que políticas enfocadas en el
desarrollo de estas estructuras productivas son fundamentales para reducir efectivamente los índices de
pobreza.
De la revisión de la literatura, se puede concluir el papel relevante de la educación en la reducción de la
pobreza, siendo coincidente con lo enunciado en la primera hipótesis. Frente a ello, se puede connotar
el papel crítico que presenta el aporte marginal y significativo que tiene los distintos grados de
instrucción educativa en la reducción de la probabilidad de ser pobre. Lo que sugiere la importancia del
diseño de políticas públicas enfocadas principalmente en el acceso a la educación básica; esto último
debido al mayor aporte marginal en su reducción en la probabilidad de incurrir en situación de pobreza.
Con relación a la segunda hipótesis tenemos en primer lugar a Najarzadeh et al. (2022) quienes estudian
los determinantes del riesgo de pobreza y el desarrollo de la descomposición de la desigualdad en
función del nivel educativo alcanzado por los jefes de hogar urbanos. Para ello, mediante la aplicación
de un modelo de regresión logística, concluyen que el riesgo de caer en situación de pobreza de las
familias disminuye cuando se incrementa el nivel educativo del jefe de hogar. Asimismo, expresan que
el efecto marginal del primer nivel educativo es superior al de otros niveles. Además, señalan que ser
jefe de hogar masculino reduce el riesgo de pobreza de las familias, pero el género de los jefes de hogar
no tiene un efecto significativo. Por otro lado, Bird et al. (2022) en su investigación referente a los nexos
entre tierra, educación y empleo; y la identificación del capital humano vinculado a los determinantes
para superar la situación de pobreza; evidencian que los hogares que tienen como jefe de familia a
pág. 1412
graduados de la escuela primaria tienen la mitad de las probabilidad de ser pobre respecto aquellos que
desertaron de la educación primaria; mientras que la finalización de la escuela secundaria o superior
prácticamente elimina el riesgo de pobreza.
Por su parte, Islam et al. (2022) en su estudio con relación a los efectos de la distribución de los ingresos;
aplicando un análisis de la descomposición de la desigualdad basada en una regresión; determinan que
características inherentes al individuo como la edad, el género y la educación superior son determinantes
fundamentales que explican el nivel de desigualdad en los ingresos; y por consiguiente en la reducción
de la pobreza. De la misma manera, Mohamad et al. (2021) señalan que la pobreza es un problema de
vital importancia, ya sea a nivel país o a nivel mundial. En ese sentido, estos autores, analizan la
ponderación de los indicadores de pobreza que afectan la tasa de pobreza, aplicando el método de
ponderación Criteria Importance Through Intercriteria Correlation (CRITIC). Sus resultados revelan que
el indicador más importante que afectan los índices de pobreza son el tamaño del hogar, los ingresos,
los gastos, la condición de jefe de hogar y el lugar de residencia.
De otro lado, Ashraf et al. (2021) en su estudio sobre las causas de la movilidad intergeneracional de la
pobreza; mediante la aplicación de un modelo probit; evidencian que no existe movilidad
intergeneracional de la pobreza en lugares cuyos factores relevantes son el lugar de residencia en áreas
urbanas, la edad, la educación, el valor de los activos, el estado civil casado y el sistema familiar en
conjunto. Por otro lado, señalan que la presencia de movilidad intergeneracional de la pobreza es
producto del gran tamaño de los hogares y la alta tasa de dependencia. Asimismo, Guisan & Exposito
(2021) quienes analizan el desarrollo económico de varios países africanos, destacan la gran importancia
de la educación y la industria en el desarrollo económico y social, teniendo en consideración la evolución
de las tasas de fecundidad y varios indicadores asociados a la calidad de vida como la felicidad, calidad
de gobierno, y otros indicadores relacionados con la disminución de la pobreza y el incremento de la
sanidad. Sus resultados evidencian que varios de estos países han experimentado una evolución positiva,
pero el progreso ha sido demasiado lento en alguno de ellos considerados más pobres, debido
principalmente a los bajos niveles de escolaridad promedio.
Li et al., (2021) considera que el crecimiento económico requiere el desarrollo principalmente del capital
humano y la educación, señalando que estos aspectos desempeñan un papel crítico y necesario en el
graduados de la escuela primaria tienen la mitad de las probabilidad de ser pobre respecto aquellos que
desertaron de la educación primaria; mientras que la finalización de la escuela secundaria o superior
prácticamente elimina el riesgo de pobreza.
Por su parte, Islam et al. (2022) en su estudio con relación a los efectos de la distribución de los ingresos;
aplicando un análisis de la descomposición de la desigualdad basada en una regresión; determinan que
características inherentes al individuo como la edad, el género y la educación superior son determinantes
fundamentales que explican el nivel de desigualdad en los ingresos; y por consiguiente en la reducción
de la pobreza. De la misma manera, Mohamad et al. (2021) señalan que la pobreza es un problema de
vital importancia, ya sea a nivel país o a nivel mundial. En ese sentido, estos autores, analizan la
ponderación de los indicadores de pobreza que afectan la tasa de pobreza, aplicando el método de
ponderación Criteria Importance Through Intercriteria Correlation (CRITIC). Sus resultados revelan que
el indicador más importante que afectan los índices de pobreza son el tamaño del hogar, los ingresos,
los gastos, la condición de jefe de hogar y el lugar de residencia.
De otro lado, Ashraf et al. (2021) en su estudio sobre las causas de la movilidad intergeneracional de la
pobreza; mediante la aplicación de un modelo probit; evidencian que no existe movilidad
intergeneracional de la pobreza en lugares cuyos factores relevantes son el lugar de residencia en áreas
urbanas, la edad, la educación, el valor de los activos, el estado civil casado y el sistema familiar en
conjunto. Por otro lado, señalan que la presencia de movilidad intergeneracional de la pobreza es
producto del gran tamaño de los hogares y la alta tasa de dependencia. Asimismo, Guisan & Exposito
(2021) quienes analizan el desarrollo económico de varios países africanos, destacan la gran importancia
de la educación y la industria en el desarrollo económico y social, teniendo en consideración la evolución
de las tasas de fecundidad y varios indicadores asociados a la calidad de vida como la felicidad, calidad
de gobierno, y otros indicadores relacionados con la disminución de la pobreza y el incremento de la
sanidad. Sus resultados evidencian que varios de estos países han experimentado una evolución positiva,
pero el progreso ha sido demasiado lento en alguno de ellos considerados más pobres, debido
principalmente a los bajos niveles de escolaridad promedio.
Li et al., (2021) considera que el crecimiento económico requiere el desarrollo principalmente del capital
humano y la educación, señalando que estos aspectos desempeñan un papel crítico y necesario en el
pág. 1413
diseño y formulación de diversas políticas públicas enfocadas en la distribución de los ingresos y en la
reducción de la pobreza. En ese contexto, mediante la aplicación de modelamientos econométricos
establecen la existencia de una relación de causalidad bidireccional entre escolaridad y pobreza. Para
Zanbak (2022) en su estudio respecto a la identificación de los niveles de pobreza en las mujeres con
una situación laboral vigente, utilizando un método de medición que incluye una lista de dimensiones
sociales, evidencia que los factores como el ingreso y el empleo son dimensiones relevantes en las que
este grupo social experimentan mayores privaciones.
Finalmente, y con relación a la segunda hipótesis, se confirma la existencia de características inherentes
del individuo que son gravitantes en la probabilidad de caer en situación de pobreza. Si bien estas
investigaciones, antes comentadas, ponen énfasis en diversas dimensiones o características sociales que
presentan una incidencia importante en la probabilidad de ser pobre, las más relevantes se resumen en
las siguientes: nivel educativo del jefe de hogar, sexo del jefe de hogar, niveles de educación secundaria
o superior, lugar de residencia, edad, estado civil, tamaño del núcleo familia, tasa de dependencia y nivel
de ingresos. Estas dimensiones emergen como factores críticos que deben ponderarse al momento de
evaluar los determinantes de la pobreza. Mas aún los resultados sugieren la importancia de la educación
como medio eficaz para promover las oportunidades de desarrollo y el bienestar humano.
CONCLUSIONES
El presente estudio presentó evidencia empírica respecto al papel que cumple el acceso a la educación
como determinante de la condición de pobreza de un individuo promedio durante el periodo 2021 en la
región Huancavelica. En particular se confirma que todos los efectos impacto asociado a las variables
de educación son significativas y presentan una relación inversa con la probabilidad de situarse en
condición de pobreza, cuyos resultados se muestran en valor absoluto crecientes conforme se avanza
hacia el subsiguiente grado de instrucción superior. Validando lo señalado en la primera hipótesis
planteada.
Por otro lado, con relación a la segunda hipótesis se ha determinado que el diferencial entre los efectos
impactos para grados de instrucción consecutivos, los hallazgos empíricos sugieren que tal diferencia,
se reduce a medida que se transita hacia un nivel de educación inmediatamente superior. Tales resultados
diseño y formulación de diversas políticas públicas enfocadas en la distribución de los ingresos y en la
reducción de la pobreza. En ese contexto, mediante la aplicación de modelamientos econométricos
establecen la existencia de una relación de causalidad bidireccional entre escolaridad y pobreza. Para
Zanbak (2022) en su estudio respecto a la identificación de los niveles de pobreza en las mujeres con
una situación laboral vigente, utilizando un método de medición que incluye una lista de dimensiones
sociales, evidencia que los factores como el ingreso y el empleo son dimensiones relevantes en las que
este grupo social experimentan mayores privaciones.
Finalmente, y con relación a la segunda hipótesis, se confirma la existencia de características inherentes
del individuo que son gravitantes en la probabilidad de caer en situación de pobreza. Si bien estas
investigaciones, antes comentadas, ponen énfasis en diversas dimensiones o características sociales que
presentan una incidencia importante en la probabilidad de ser pobre, las más relevantes se resumen en
las siguientes: nivel educativo del jefe de hogar, sexo del jefe de hogar, niveles de educación secundaria
o superior, lugar de residencia, edad, estado civil, tamaño del núcleo familia, tasa de dependencia y nivel
de ingresos. Estas dimensiones emergen como factores críticos que deben ponderarse al momento de
evaluar los determinantes de la pobreza. Mas aún los resultados sugieren la importancia de la educación
como medio eficaz para promover las oportunidades de desarrollo y el bienestar humano.
CONCLUSIONES
El presente estudio presentó evidencia empírica respecto al papel que cumple el acceso a la educación
como determinante de la condición de pobreza de un individuo promedio durante el periodo 2021 en la
región Huancavelica. En particular se confirma que todos los efectos impacto asociado a las variables
de educación son significativas y presentan una relación inversa con la probabilidad de situarse en
condición de pobreza, cuyos resultados se muestran en valor absoluto crecientes conforme se avanza
hacia el subsiguiente grado de instrucción superior. Validando lo señalado en la primera hipótesis
planteada.
Por otro lado, con relación a la segunda hipótesis se ha determinado que el diferencial entre los efectos
impactos para grados de instrucción consecutivos, los hallazgos empíricos sugieren que tal diferencia,
se reduce a medida que se transita hacia un nivel de educación inmediatamente superior. Tales resultados
pág. 1414
confirman la importancia de acceder principalmente a los primeros niveles de educación básica como
mecanismo para reducir la incidencia de situarse en condición de pobreza.
Por último, las características inherentes de los individuos al interior del hogar como la raza y el estado
civil sugieren en primer lugar, la existencia de discriminación en el mercado de trabajo y, en segundo
lugar, que la condición de ser casado o conviviente incrementa la probabilidad de situarse como
individuo pobre. Por el contrario, características como el ser considerado jefe de hogar o compañera del
jefe de hogar, así como una variabilidad creciente en los ingresos, reducen la probabilidad de que su
consumo caiga por debajo de la línea de pobreza.
REFERENCIAS BIBLIOGRÁFICAS
Aguilar, G. R., & Sumner, A. (2019). Who Are the World’s Poor? A New Profile of Global
Multidimensional Poverty (Working Paper No. 499). Center for Global Development.
https://www.cgdev.org/publication/who-are-worlds-poor-new-profile-global-
multidimensional-poverty
Ashraf, M., Naveed, T., Saba, A., Asif, M., Sultan, A., & Haider, A. (2021). Factors That Determine The
Path Of Intergenerational Mobility Of Poverty In Pakistan. Academy of Accounting and
Financial Studies Journal, 25(5), 1-11. Scopus.
Beltrán B., A., & Castro, J. F. (2010). Modelos de datos de panel y variables dependientes limitadas:
Teoría y práctica. Universidad del Pacífico. http://repositorio.up.edu.pe/handle/11354/2858
Bird, K., Chabé-Ferret, B., & Simons, A. (2022). Linking human capabilities with livelihood strategies
to speed poverty reduction: Evidence from Rwanda. World Development, 151. Scopus.
https://doi.org/10.1016/j.worlddev.2021.105728
Burchi, F., Malerba, D., Rippin, N., & Montenegro, C. E. (2019). Comparing global trends in
multidimensional and income poverty and assessing horizontal inequalities (Working Paper N.o
2/2019). Deutsches Institut für Entwicklungspolitik. https://doi.org/10.23661/dp2.2019
CIDE. (2002). LOS MODELOS LOGIT Y PROBIT EN LA INVESTIGACIÓN SOCIAL: El caso de la
pobreza del Perú en el año 2001. (Centro de Investigación y Desarrollo del Instituto Nacional
de Estadística e Informática (INEI)). Centro de Edición de la Oficina Técnica de Difusión del
confirman la importancia de acceder principalmente a los primeros niveles de educación básica como
mecanismo para reducir la incidencia de situarse en condición de pobreza.
Por último, las características inherentes de los individuos al interior del hogar como la raza y el estado
civil sugieren en primer lugar, la existencia de discriminación en el mercado de trabajo y, en segundo
lugar, que la condición de ser casado o conviviente incrementa la probabilidad de situarse como
individuo pobre. Por el contrario, características como el ser considerado jefe de hogar o compañera del
jefe de hogar, así como una variabilidad creciente en los ingresos, reducen la probabilidad de que su
consumo caiga por debajo de la línea de pobreza.
REFERENCIAS BIBLIOGRÁFICAS
Aguilar, G. R., & Sumner, A. (2019). Who Are the World’s Poor? A New Profile of Global
Multidimensional Poverty (Working Paper No. 499). Center for Global Development.
https://www.cgdev.org/publication/who-are-worlds-poor-new-profile-global-
multidimensional-poverty
Ashraf, M., Naveed, T., Saba, A., Asif, M., Sultan, A., & Haider, A. (2021). Factors That Determine The
Path Of Intergenerational Mobility Of Poverty In Pakistan. Academy of Accounting and
Financial Studies Journal, 25(5), 1-11. Scopus.
Beltrán B., A., & Castro, J. F. (2010). Modelos de datos de panel y variables dependientes limitadas:
Teoría y práctica. Universidad del Pacífico. http://repositorio.up.edu.pe/handle/11354/2858
Bird, K., Chabé-Ferret, B., & Simons, A. (2022). Linking human capabilities with livelihood strategies
to speed poverty reduction: Evidence from Rwanda. World Development, 151. Scopus.
https://doi.org/10.1016/j.worlddev.2021.105728
Burchi, F., Malerba, D., Rippin, N., & Montenegro, C. E. (2019). Comparing global trends in
multidimensional and income poverty and assessing horizontal inequalities (Working Paper N.o
2/2019). Deutsches Institut für Entwicklungspolitik. https://doi.org/10.23661/dp2.2019
CIDE. (2002). LOS MODELOS LOGIT Y PROBIT EN LA INVESTIGACIÓN SOCIAL: El caso de la
pobreza del Perú en el año 2001. (Centro de Investigación y Desarrollo del Instituto Nacional
de Estadística e Informática (INEI)). Centro de Edición de la Oficina Técnica de Difusión del
pág. 1415
INEI.
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib0515/Libro.pdf
Gong, J., Wang, G., Wang, Y., & Zhao, Y. (2022). Consumption and poverty of older Chinese: 2011–
2020. The Journal of the Economics of Ageing, 23, 100410.
https://doi.org/10.1016/j.jeoa.2022.100410
Guisan, M.-C., & Exposito, P. (2021). INDUSTRY, EDUCATION, DEVELOPMENT AND QUALITY
OF LIFE IN AFRICAN COUNTRIES, 1995-2020. Regional and Sectoral Economic Studies,
21(2), 53-77. Scopus.
INEI. (2021). Evolución de la Pobreza Monetaria, 2009-2020 (p. 207) [Informe Técnico]. Instituto
Nacional de Estadística e Informática.
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/pobreza2020/Pobr
eza2020.pdf
Islam, T. U., Abrar, M., Arshad, R., & Akram, N. (2022). Income inequality in Pakistan. International
Journal of Social Economics. Scopus. https://doi.org/10.1108/IJSE-09-2021-0573
Kolm, S.-C. (1977). Multidimensional Egalitarianisms. The Quarterly Journal of Economics, 91(1), 1-
13. https://doi.org/10.2307/1883135
Li, S., Li, C., Hasan, M. M., Moudud-Ul-Huq, S., & Iram, R. (2021). Evaluating the role of education
and human capital in poverty reduction and inclusive growth in South Asia. Singapore Economic
Review. Scopus. https://doi.org/10.1142/S0217590821440069
Lucas, R. E. (1988). On the mechanics of economic development. Journal of Monetary Economics,
22(1), 3-42. https://doi.org/10.1016/0304-3932(88)90168-7
Luckyardi, S., Hurriyati, R., Disman, D., & Dirgantari, P. D. (2022). SIGNIFICANCES OF
MARKETING EDUCATION IN REDUCING POVERTY IN INDONESIA: SPECIAL
REVIEW ON QUALITY OF LIFE. Journal of Eastern European and Central Asian Research,
9(1), 101-111. Scopus. https://doi.org/10.15549/jeecar.v9i1.867
Mancero, X., & Villatoro, P. (2013). The multidimensional measurement of poverty. Twelfth Meeting
of the Executive Committee of the Statistical Conference of the Americas. United Nations
ECLAC, 1-11.
INEI.
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib0515/Libro.pdf
Gong, J., Wang, G., Wang, Y., & Zhao, Y. (2022). Consumption and poverty of older Chinese: 2011–
2020. The Journal of the Economics of Ageing, 23, 100410.
https://doi.org/10.1016/j.jeoa.2022.100410
Guisan, M.-C., & Exposito, P. (2021). INDUSTRY, EDUCATION, DEVELOPMENT AND QUALITY
OF LIFE IN AFRICAN COUNTRIES, 1995-2020. Regional and Sectoral Economic Studies,
21(2), 53-77. Scopus.
INEI. (2021). Evolución de la Pobreza Monetaria, 2009-2020 (p. 207) [Informe Técnico]. Instituto
Nacional de Estadística e Informática.
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/pobreza2020/Pobr
eza2020.pdf
Islam, T. U., Abrar, M., Arshad, R., & Akram, N. (2022). Income inequality in Pakistan. International
Journal of Social Economics. Scopus. https://doi.org/10.1108/IJSE-09-2021-0573
Kolm, S.-C. (1977). Multidimensional Egalitarianisms. The Quarterly Journal of Economics, 91(1), 1-
13. https://doi.org/10.2307/1883135
Li, S., Li, C., Hasan, M. M., Moudud-Ul-Huq, S., & Iram, R. (2021). Evaluating the role of education
and human capital in poverty reduction and inclusive growth in South Asia. Singapore Economic
Review. Scopus. https://doi.org/10.1142/S0217590821440069
Lucas, R. E. (1988). On the mechanics of economic development. Journal of Monetary Economics,
22(1), 3-42. https://doi.org/10.1016/0304-3932(88)90168-7
Luckyardi, S., Hurriyati, R., Disman, D., & Dirgantari, P. D. (2022). SIGNIFICANCES OF
MARKETING EDUCATION IN REDUCING POVERTY IN INDONESIA: SPECIAL
REVIEW ON QUALITY OF LIFE. Journal of Eastern European and Central Asian Research,
9(1), 101-111. Scopus. https://doi.org/10.15549/jeecar.v9i1.867
Mancero, X., & Villatoro, P. (2013). The multidimensional measurement of poverty. Twelfth Meeting
of the Executive Committee of the Statistical Conference of the Americas. United Nations
ECLAC, 1-11.
pág. 1416
Martinez, A., & Perales, F. (2017). The Dynamics of Multidimensional Poverty in Contemporary
Australia. Social Indicator Research, 130(2), 479-496.
Mina, O. E. C., & De Anda Casas, A. (2021). Productive structure and poverty in Mexico: A municipal
analysis by three regions. Desarrollo y Sociedad, 2021(88), 129-168. Scopus.
https://doi.org/10.13043/DYS.88.4
Mishra, P. K., Kumar, S., Arif, Mohd., Niyazi, A.-U., & Kaur, K. (2022). Poverty in Multidimensional
Perspective: Policy Insights from Selected North Indian Districts. Millennial Asia, 13(2), 289-
316. https://doi.org/10.1177/0976399620953396
Mohamad, N. A., Mat Desa, N. H., & Kasim, M. M. (2021). Development of Poverty Index for Districts
in Kedah by Using CRITIC and Simple Additive Weighting Methods. Universal Journal of
Accounting and Finance, 9(4), 790-795. Scopus. https://doi.org/10.13189/ujaf.2021.090425
Mussida, C., & Sciulli, D. (2022). The dynamics of poverty in Europe: What has changed after the great
recession? Journal of Economic Inequality. Scopus. https://doi.org/10.1007/s10888-022-09527-
9
Najarzadeh, R., Keikha, A., & Heydari, H. (2022). Poverty Risk, Inequality Decomposition and
Educational Level of Household Heads. Iranian Economic Review, 26(1), 147-159. Scopus.
https://doi.org/10.22059/ier.2020.77211
Olaoye, O. O. (2022). Analysis of the prevalence of extreme poverty in Africa South of the Sahara: Do
geographical proximity and corruption spillovers matter? Journal of Economic Studies. Scopus.
https://doi.org/10.1108/JES-07-2021-0322
Pattayat, S. S., Parida, J. K., & Awasthi, I. C. (2022). Reducing Rural Poverty Through Non-farm Job
Creation in India. Indian Journal of Labour Economics, 65(1), 137-160. Scopus.
https://doi.org/10.1007/s41027-022-00359-9
Piachaud, D. (1987). Problems in the Definition and Measurement of Poverty*. Journal of Social Policy,
16(2), 147-164. https://doi.org/10.1017/S0047279400020353
Rebelo, S. (1991). Long-Run Policy Analysis and Long-Run Growth. Journal of Political Economy,
99(3), 500-521. https://doi.org/10.1086/261764
Martinez, A., & Perales, F. (2017). The Dynamics of Multidimensional Poverty in Contemporary
Australia. Social Indicator Research, 130(2), 479-496.
Mina, O. E. C., & De Anda Casas, A. (2021). Productive structure and poverty in Mexico: A municipal
analysis by three regions. Desarrollo y Sociedad, 2021(88), 129-168. Scopus.
https://doi.org/10.13043/DYS.88.4
Mishra, P. K., Kumar, S., Arif, Mohd., Niyazi, A.-U., & Kaur, K. (2022). Poverty in Multidimensional
Perspective: Policy Insights from Selected North Indian Districts. Millennial Asia, 13(2), 289-
316. https://doi.org/10.1177/0976399620953396
Mohamad, N. A., Mat Desa, N. H., & Kasim, M. M. (2021). Development of Poverty Index for Districts
in Kedah by Using CRITIC and Simple Additive Weighting Methods. Universal Journal of
Accounting and Finance, 9(4), 790-795. Scopus. https://doi.org/10.13189/ujaf.2021.090425
Mussida, C., & Sciulli, D. (2022). The dynamics of poverty in Europe: What has changed after the great
recession? Journal of Economic Inequality. Scopus. https://doi.org/10.1007/s10888-022-09527-
9
Najarzadeh, R., Keikha, A., & Heydari, H. (2022). Poverty Risk, Inequality Decomposition and
Educational Level of Household Heads. Iranian Economic Review, 26(1), 147-159. Scopus.
https://doi.org/10.22059/ier.2020.77211
Olaoye, O. O. (2022). Analysis of the prevalence of extreme poverty in Africa South of the Sahara: Do
geographical proximity and corruption spillovers matter? Journal of Economic Studies. Scopus.
https://doi.org/10.1108/JES-07-2021-0322
Pattayat, S. S., Parida, J. K., & Awasthi, I. C. (2022). Reducing Rural Poverty Through Non-farm Job
Creation in India. Indian Journal of Labour Economics, 65(1), 137-160. Scopus.
https://doi.org/10.1007/s41027-022-00359-9
Piachaud, D. (1987). Problems in the Definition and Measurement of Poverty*. Journal of Social Policy,
16(2), 147-164. https://doi.org/10.1017/S0047279400020353
Rebelo, S. (1991). Long-Run Policy Analysis and Long-Run Growth. Journal of Political Economy,
99(3), 500-521. https://doi.org/10.1086/261764
pág. 1417
Romer, P. M. (1986). Increasing Returns and Long-Run Growth. Journal of Political Economy, 94(5),
1002-1037.
Romer, P. M. (1990). Endogenous Technological Change. Journal of Political Economy, 98(5), S71-
S102.
Santos, M. E., & Villatoro, P. (2018). A Multidimensional Poverty Index for Latin America. Review of
Income and Wealth, 64(1), 52-82. https://doi.org/10.1111/roiw.12275
Sen, A. (1993). Capability and Well‐Being. En M. Nussbaum & A. Sen (Eds.), The Quality of Life (p.
0). Oxford University Press. https://doi.org/10.1093/0198287976.003.0003
Townsend, P. (1993). The International Analysis of Poverty. Harvester Wheatsheaf.
Yamada, G., & Castro, J. F. (2008). Gasto público y desarrollo social en Guatemala: Diagnósitico y
propuestas de medidas. Documento inédito. Universidad del Pacífico.
Zanbak, M. (2022). Multidimensional Measurement of Poverty Among Employed Women in Antalya.
Istanbul University Journal of the School of Business, 51(1), 209-. Gale OneFile: Economics
and Theory.
Zeng, J., & Zhang, J. (2022). Education policies and development with threshold human capital
externalities. Economic Modelling, 108. Scopus.
https://doi.org/10.1016/j.econmod.2021.105744
Romer, P. M. (1986). Increasing Returns and Long-Run Growth. Journal of Political Economy, 94(5),
1002-1037.
Romer, P. M. (1990). Endogenous Technological Change. Journal of Political Economy, 98(5), S71-
S102.
Santos, M. E., & Villatoro, P. (2018). A Multidimensional Poverty Index for Latin America. Review of
Income and Wealth, 64(1), 52-82. https://doi.org/10.1111/roiw.12275
Sen, A. (1993). Capability and Well‐Being. En M. Nussbaum & A. Sen (Eds.), The Quality of Life (p.
0). Oxford University Press. https://doi.org/10.1093/0198287976.003.0003
Townsend, P. (1993). The International Analysis of Poverty. Harvester Wheatsheaf.
Yamada, G., & Castro, J. F. (2008). Gasto público y desarrollo social en Guatemala: Diagnósitico y
propuestas de medidas. Documento inédito. Universidad del Pacífico.
Zanbak, M. (2022). Multidimensional Measurement of Poverty Among Employed Women in Antalya.
Istanbul University Journal of the School of Business, 51(1), 209-. Gale OneFile: Economics
and Theory.
Zeng, J., & Zhang, J. (2022). Education policies and development with threshold human capital
externalities. Economic Modelling, 108. Scopus.
https://doi.org/10.1016/j.econmod.2021.105744