Determinantes del empleo informal en Bolivia: Un análisis conjunto de técnicas econométricas tradicionales y métodos de machine learning
DOI:
https://doi.org/10.23881/idupbo.025.2-5ePalabras clave:
Empleo informal, Probit, Machine learning, Adaptive LassoResumen
Este estudio analiza los determinantes del empleo informal en Bolivia mediante una combinación de técnicas econométricas tradicionales, métodos de machine learning y enfoques híbridos. Utilizando datos de las Encuestas de Hogares 2022 y 2023, se identifican los factores individuales y del hogar que influyen en la probabilidad de pertenecer al empleo informal. Los resultados muestran que variables como la edad, el nivel educativo, el ingreso del hogar y el género son determinantes clave. El Random Forest destaca el papel central de los ingresos laborales, usualmente excluidos por problemas de endogeneidad. El Adaptive Lasso permite identificar relaciones no lineales e interacciones complejas, como las asociadas al género, la pertenencia a grupos originarios y la presencia de niños pequeños en el hogar. Se concluye que el fenómeno del empleo informal responde a dinámicas multidimensionales que requieren enfoques analíticos integradores para el diseño de políticas públicas más efectivas y focalizadas.Descargas
Referencias
Agrawal, A. (2019). The economics of artificial intelligence: An agenda. University of Chicago Press.
Angel-Urdinola, D. F. y Tanabe, K. (2012). Micro-determinants of informal employment. En Striving for better jobs: The challenge of informality in the Middle East and North Africa region
Athey, S. e Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685- 725 https://doi.org/10.1146/annurev-economics-080217-053433
Athey, S. y Wager, S. (2019). Estimating treatment effects with causal forests: An application. Observational Studies, 5(1), 37-51.
Banco Mundial. (2008). Aportes a una nueva visión de la informalidad laboral en la Argentina. Ministerio de Trabajo, Empleo y Seguridad Social.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Canelas, C. y Niño-Zarazúa, M. (2022). Informality and pension reforms in Bolivia: The case of Renta Dignidad. The Journal of Development Studies, 58(7), 1436-1458. https://doi.org/10.1080/00220388.2022.2032678
Cerquera-Losada, O. H., Arias-Barrera, C. J. y Rojas-Velásquez, L. (2020). Determinantes del subempleo en Colombia: Una aproximación a partir de un modelo PROBIT. El Ágora USB, 20(1), 157-172.https://doi.org/10.21500/16578031.4525
Chernozhukov, V., Chetverikov, D., Demirer, M., Duflo, E., Hansen, C., Newey, W. y Robins, J. (2018). Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal, 21(1), C1-C68. https://doi.org/10.1111/ectj.12097
Coaquira-Velásquez, M. A. (2021). Determinantes de la informalidad y subempleo en el departamento de Puno: Un modelo Probit bivariado aplicado para el año 2019. Semestre Económico, 10(1), 49-67.
Dell'Anno, R. (2021). Theories and definitions of the informal economy: A survey. Journal of Economic Surveys, 35(5), 1610-1643. https://doi.org/10.1111/joes.12450
Desai, A. (2023). Machine learning for economics research: When, what and how? arXiv. https://arxiv.org/abs/2301.05026
Duval-Hernández, R. (2022). Choices and constraints: The nature of informal employment in urban Mexico. Journal of Development Studies, 58(7), 1349-1362. https://doi.org/10.1080/00220388.2022.2032677
Espinoza, J. R. (2021). Análisis de la informalidad comercial en el distrito de San Juan de Miraflores. Horizonte Empresarial, 20(2), 782-792.
Freije, S. (2002). Informal employment in Latin America and the Caribbean: Causes, consequences and policy recommendations. Banco Interamericano de Desarrollo.
Grusky, D. B. (2008). Social stratification. Westview Press.
Hastie, T., Tibshirani, R. y Friedman, J. (2017). The elements of statistical learning: Data mining, inference, and prediction (2ª ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
Hussein, A.-O. (2020). How machine learning affects economics/econometrics? A critical review of machine learning and econometrics. Oxford Brookes Business School.
Organización Internacional del Trabajo (OIT). (2015). Policy responses to the informal economy. Oficina Internacional del Trabajo.
Organización Internacional del Trabajo (OIT). (2023). Statistics on the informal economy. https://www.ilo.org/informaleconomy
Instituto Nacional de Estadística (INE). (2022). Bolivia - Encuesta de Hogares 2022 (EH 2022). https://anda.ine.gob.bo/index.php/catalog/106
Instituto Nacional de Estadística (INE). (2023). Bolivia - Encuesta de Hogares 2023 (EH 2023). https://anda.ine.gob.bo/index.php/catalog/108
Liang, Z., Appleton, S. y Song, L. (2016). Informal employment in China: Trends, patterns and determinants of entry. IZA Discussion Paper, N.º 10139
Losby, J. L., Else, J. F., Kingslow, M. E., Edgcomb, E. L., Malm, E. T. y Kao, V. (2002). Informal economy literature review. ISED Consulting and Research.
Muhammad Tanveer, A. K. y Hussain, B. (2021). Measurement and determinants of informal employment: Evidence from Pakistan. Pakistan Social Science Review, 5(2), 309-324.
Mullainathan, S. y Spiess, J. (2017). Machine learning: An applied econometric approach. Journal of Economic Perspectives, 31(2), 87-106. https://doi.org/10.1257/jep.31.2.87
Narváez, A. R., López, J. W. y Ochoa, C. L. (2021). Causas de la informalidad laboral en Montería, Colombia: Un modelo econométrico Probit. Revista de Economía y Finanzas, 15(44), 45-60.
Onofrei, N. (2024). The determinants of informal economy in Eastern European countries. Economy and Sociology, 2, 45-58.
Ortiz, C. H., Uribe, J. I. y García, G. A. (2007). Informalidad y subempleo: Un modelo probit bivariado aplicado al Valle del Cauca. Sociedad y Economía, 13, 104-131.
Pérez-Pons, M. E., Parra-Dominguez, J., Omatu, S., Herrera-Viedma, E. y Corchado, J. M. (2022). Machine learning and traditional econometric models: A systematic mapping study. Journal of Artificial Intelligence and Soft Computing Research, 12(1), 5-20. https://doi.org/10.2478/jaiscr-2022-0001
Steuer, F. (2018). Machine learning for public policy making: How to use data driven predictive modeling for the social good. Student Paper Series. Hertie School.
Thomas, R. y Thomas, H. (1994). The informal economy and local economic development policy. Local Government Studies, 20(3), 486-501 . https://doi.org/10.1080/03003939408433740
Ticona-Carrizales, L., Portillo, H. A., Rodríguez-Limachi, O. M., Incacutipa-Limachi, D. J., Yapuchura-Saico, C. R., Huayta-Flores, L. y Ticona-Campos, V. N. (2024). Socioeconomic determinants of labor informality in the Department of Puno, Peru. Journal of Ecohumanism, 3(8), 7235-7247. https://doi.org/10.33140/JEH.03.08.02
Ulyssea, G. (2020). Informality: Causes and consequences for development. Annual Review of Economics, 12, 525-546. https://doi.org/10.1146/annurev-economics-082119-121914
Ulyssea, G., Bobba, M. y Gadenne, L. (2023). Informality. VoxDevLit. https://voxdev.org
Villalpando, M. N. (2024). Explorando las raíces de la informalidad laboral en Bolivia: Un análisis de sus determinantes. ARU Search, 5(1), 181-207.
Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7ª ed.). Cengage Learning.
Yenilmez Oğuz, S. (2024). Machine learning integration in econometric models. Next Generation Journal for the Young Researchers, 8(1), 77-80.
Zheng, E., Tan, Y., Goes, P., Chellappa, R., Wu, D., Shaw, M. y Sheng, O. (2017). When econometrics meets machine learning. Data and Information Management, 1(2), 75-83. https://doi.org/10.1515/dim-2017-0009
Zou, H. (2006). The adaptive lasso and its oracle properties. Journal of the American Statistical Association, 101(476), 1418-1429. https://doi.org/10.1198/016214506000000735
Descargas
Archivos adicionales
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Ibhar Beramendi, Ivette Illanes
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Reconocimiento-NoComercial-CompartirIgual
CC BY-NC-SA
Esta licencia permite a otros entremezclar, ajustar y construir a partir de su obra con fines no comerciales, siempre y cuando le reconozcan la autoría y sus nuevas creaciones estén bajo una licencia con los mismos términos.
Los autores pueden realizar acuerdos contractuales adicionales separados para la distribución no exclusiva de la versión publicada del artículo publicado en la revista (por ejemplo, publicarlo en un repositorio institucional o en un libro), sujeto a un reconocimiento de su publicación inicial en esta revista