Máster en Análisis de Datos · Uvigo

Trabajo Final Introducción a Python

Reflexión profesional ante la IA y análisis reproducible de brechas salariales

Bloque I  Reflexión: la IA y el futuro profesional Bloque II  Análisis de datos — ECH Uruguay
Objetivo

Objetivo del trabajo

Este trabajo tiene como objetivo invitar a la reflexión, ya sea de lo que se nos viene encima dentro de unos años así como lo qué implica responder a una pregunta concreta con datos.

Trabajar con datos implica, sobre todo, entender el dato. Por ello se les requiere que miren la metodología de cómo se construye la encuesta y luego, la definición de cada variable. Luego analizaran brechas salariales por sexo y ascendencia étnico-racial en Uruguay. No se trata de llegar a un resultado explicito; el objetivo es que ante un problema sean capaces de resolverlo usando Python y los modelos de lenguage.

Bloque I

Reflexión: pensar el propio futuro profesional ante la IA

Lee el artículo "The Work of Helping A.I. Destroy Work", de Lora Kelley (The New York Times, 10 de julio de 2026). Dado que es de pago, el PDF puede verse aquí

El artículo describe cómo empresas como Mercor pagan sumas considerables a profesionales altamente cualificados —físicos, abogados, médicos, actores de voz— para que entrenen modelos de inteligencia artificial capaces de replicar y, eventualmente, automatizar el trabajo que ellos mismos y sus colegas realizan hoy. Es, como plantea la propia autora, a la vez un negocio muy rentable a corto plazo y una situación profesionalmente inquietante a medio plazo.

¿Dónde te ves dentro de 10 años? ensayo
  1. A partir de las ideas planteadas en el artículo, escribe una reflexión personal sobre cómo te imaginas profesionalmente dentro de 10 años. ¿En qué medida crees que tu trabajo —o el trabajo al que aspiras— podría verse transformado, complementado o sustituido por la IA, tal y como se describe en el caso de Mercor? Frente a ese escenario, ¿qué conocimientos, habilidades o actitudes crees que deberías priorizar desde ahora, y por qué?
Extensión orientativa: 400–600 palabras. Se valorará la argumentación propia y el uso de ideas concretas del artículo, no la opinión genérica sobre la IA.
Bloque II

Análisis aplicado: Encuesta Continua de Hogares (Uruguay)

En este bloque trabajarás con datos de la Encuesta Continua de Hogares (ECH) de Uruguay, la fuente oficial de estimaciones del mercado laboral, ingresos, pobreza y condiciones de vida del país, elaborada por el Instituto Nacional de Estadística (INE).

Antes de tocar los microdatos en Python es imprescindible entender cómo se construye la encuesta: su diseño muestral, el sistema de rotación de hogares y, sobre todo, cómo se calculan los ponderadores — sin esto es imposible calcular correctamente ni una simple media. Consulta la Metodología de la ECH (INE, 2022) para responder a las preguntas de esta parte.

Parte A · Comprensión de la metodología
Diseño muestral, rotación y ponderación de la ECH metodología
  1. La ECH utiliza desde julio de 2021 un diseño de panel rotativo con seis grupos de rotación (GR). Explica en qué consiste este diseño: ¿cuánto tiempo permanece un hogar en la encuesta, qué se releva en el primer mes (implantación) frente a los cinco meses siguientes, y qué método de recolección se usa en cada caso (CAPI vs. CATI)?
  2. El documento distingue dos etapas en la selección de la muestra: primero se seleccionan unidades primarias de muestreo (UPM) y después viviendas dentro de cada UPM. Describe brevemente este diseño en dos etapas y explica por qué cada hogar puede tener una probabilidad de selección distinta. Distingue entre el ponderador de diseño —que parte del inverso de esa probabilidad— y el ponderador final, que puede incorporar además ajustes por no respuesta y calibración. ¿Por qué un promedio no ponderado y uno ponderado pueden responder a estimandos distintos?
  3. ¿A quién le hacen la encuesta dentro del hogar: se entrevista a cada integrante por separado, o hay una única persona que responde por todo el hogar? Busca en la metodología cómo se denomina a esa persona y qué porcentaje de la información sobre los integrantes del hogar termina siendo, por esta razón, información "proxy" (reportada por otra persona y no por el propio individuo). ¿Qué características debería tener esa persona para ser un buen informante del resto del hogar?
  4. Los ponderadores finales de mercado laboral (CRE, "calibración compuesta") no solo ajustan por diseño muestral y no respuesta, sino que además utilizan información del mes anterior como variable auxiliar de control. ¿Por qué el solapamiento de 5/6 entre la muestra de un mes y la del mes anterior permite reducir el error estándar de las estimaciones de cambio neto mensual (por ejemplo, la variación del total de ocupados)? ¿Qué problema práctico genera esto para los hogares que recién entran a la encuesta (grupo de rotación de nacimiento), y cómo lo resuelve el INE?
  5. Desde julio de 2021 el INE estima la varianza de sus indicadores mediante el método Bootstrap Rao-Wu, publicando mensualmente 1.000 sistemas de ponderadores de réplica. Explica la lógica general del método: ¿qué se hace con esos 1.000 sistemas para obtener el error estándar de un indicador, como la tasa de desempleo? Si tuvieras que implementarlo en Python, describe los pasos generales y explica por qué debes aplicar la fórmula y el factor de escala indicados por el INE, en lugar de suponer automáticamente que basta con calcular la desviación estándar ordinaria de las 1.000 estimaciones.
  6. El INE distribuye dos tipos de microdatos: (a) microdatos semestrales, con la información del hogar relevada en el mes de implantación (nacimiento del panel), y (b) microdatos mensuales de personas en edad de trabajar (PET), pensados únicamente para indicadores de mercado laboral. ¿Qué error cometerías si usaras los ponderadores del fichero mensual para estimar, por ejemplo, la tasa de pobreza de los hogares? ¿Y si usaras los ponderadores semestrales para estimar la tasa de desempleo de un mes concreto?
Parte B · Conociendo las variables
Ingresos, horas trabajadas, tamaño de empresa y ascendencia étnico-racial variables

En este trabajo vas a estudiar la brechas salariales por sexo y por ascendencia étnico-racial. Antes de tocar una sola línea de código, es imprescindible conocer con precisión cómo se generan las variables que vas a usar: qué pregunta exacta responde el entrevistado, qué instrucciones sigue el encuestador y qué decisiones de medición hay detrás de cada dato. Un análisis de discriminación salarial mal planteado —por ejemplo, comparando sueldos sin tener en cuenta las horas trabajadas— puede llevar a conclusiones completamente erróneas.

Consulta el diccionario de variables de la ECH 2025 para el formulario de implantación (F8 — implantación) y de seguimiento (F9 — seguimiento).

Variable Nombre Dimensión
PT2 Ingresos por la ocupación principal Ingreso por trabajo
PT4 Total de ingresos por trabajo (todas las ocupaciones)
g126_1 Sueldo o jornales líquidos en la actividad principal
YHOG Ingresos del hogar no imputables a personas
f85 Horas trabajadas habitualmente por semana Horas trabajadas
f77 Tamaño de la empresa (personas ocupadas) Tamaño de empresa
e26 Sexo al nacer Brechas por sexo y ascendencia
e29_1 … e29_6 Ascendencia étnico-racial (afro, asiática, blanca, indígena, otra, y principal)
e27 Edad Controles y selección de muestra
f73 Categoría laboral o relación con el empleo (asalariado, patrón, cuenta propia...)
identificar en el diccionario Código de ocupación o profesión según la clasificación CNU Ocupación efectiva
POBPCOAC Condición de actividad económica
Dos precisiones importantes: e26 registra sexo al nacer, no identidad de género. Además, f73 recoge la categoría laboral —asalariado, patrón, cuenta propia, etc.— y no la ocupación o profesión. Para estudiar segregación ocupacional debes localizar en el diccionario la variable de ocupación codificada según la CNU.
  1. Busca en el diccionario las variables PT2, PT4 y g126_1. Las tres se relacionan con el ingreso por trabajo, pero no miden exactamente lo mismo. Explica la diferencia y elige una medida principal para comparar la remuneración neta en la ocupación principal. Valora también si conviene utilizar otra medida como comprobación de robustez, teniendo en cuenta que algunos componentes de PT2 pueden ser ocasionales y no corresponder perfectamente con las horas habituales del mes.
  2. La variable g126_1 mide el "sueldo o jornales líquidos". Según la ficha metodológica, este monto ya tiene descontados aportes a la seguridad social, IRPF y otras retenciones. ¿Qué implica esto si quisieras comparar el costo laboral que asume una empresa por un hombre frente a una mujer, en lugar del ingreso que efectivamente recibe el trabajador? ¿Es g126_1 la variable adecuada para esa pregunta distinta?
  3. f85 registra las horas trabajadas habitualmente por semana. Si dos personas tienen el mismo PT2 pero una trabaja 20 horas y otra 40, ¿tiene sentido decir que reciben la misma remuneración por su trabajo? Explica por qué, para estudiar brechas salariales por sexo o ascendencia, suele convenir construir un ingreso por hora. Señala también la cautela de dividir un ingreso mensual que puede contener componentes extraordinarios por horas habituales.
  4. Lee la instrucción para el encuestador asociada a f77 (tamaño de la empresa). Fíjate que la pregunta indaga sobre el tamaño de toda la empresa, no del establecimiento o sucursal concreta donde trabaja el entrevistado. ¿Por qué esta distinción es relevante si luego quieres usar el tamaño de empresa como variable de control en un análisis de brecha salarial (por ejemplo, para capturar diferencias entre grandes empresas y pequeños negocios)?
  5. Las variables e29_1 a e29_5 registran, de forma independiente, si la persona se autoidentifica con cada una de cinco ascendencias étnico-raciales (afro, asiática, blanca, indígena, otra); una persona puede marcar "sí" en más de una. La variable e29_6 pide, además, cuál considera la principal. Si tuvieras que construir en Python una única columna categórica "grupo étnico-racial" para comparar ingresos entre grupos, ¿usarías directamente e29_6, o combinarías las cinco variables e29_1-e29_5? ¿Qué información se pierde con cada estrategia?
  6. Recuerda que, según la metodología de la ECH, parte de la información de los integrantes del hogar puede ser reportada por un único informante calificado. ¿Qué error de clasificación podría introducir esto en las variables de ascendencia étnico-racial, que se basan en la autoidentificación? ¿Por qué, sin supuestos adicionales sobre ese error, no puede afirmarse de antemano que la brecha estimada quedará necesariamente atenuada?
Parte C · Marco teórico
Teoría económica de la discriminación teoría

Antes de estimar cualquier ecuación de salarios conviene tener claro qué mecanismo económico se está poniendo a prueba. "Discriminación" no es una única teoría: distintos modelos predicen causas, magnitudes y dinámicas distintas, y esto tiene consecuencias directas sobre cómo interpretar un coeficiente estimado más adelante.

  1. Explica el modelo de discriminación por gusto (taste-based discrimination) de Gary Becker: ¿en qué consiste el "coeficiente de discriminación" del empleador prejuicioso, y por qué, en un mercado perfectamente competitivo, la competencia debería tender a eliminar con el tiempo la brecha salarial basada en este mecanismo? ¿Qué condiciones (poder de mercado, información imperfecta, barreras a la entrada) permiten que persista en la práctica?
  2. Explica el modelo de discriminación estadística (Phelps, Arrow): ¿por qué un empleador que no tiene ningún prejuicio personal puede igualmente pagar menos, en promedio, a un grupo determinado? ¿Qué papel juega el costo de observar la productividad individual y el uso de características grupales (género, origen étnico) como señal imperfecta? ¿Por qué este mecanismo, a diferencia del de Becker, no se elimina necesariamente con más competencia?
  3. Distingue entre discriminación por parte del empleador, de los compañeros de trabajo y de los clientes. ¿Qué patrón distinto en los datos predeciría cada una? Por ejemplo, ¿en qué tipo de ocupaciones esperarías que la discriminación por parte de clientes sea más relevante que la de compañeros de trabajo?
  4. Explica la hipótesis de segregación ocupacional o “crowding” (Bergmann): si ciertos grupos son excluidos sistemáticamente de determinadas ocupaciones y quedan concentrados en un conjunto reducido de ellas, ¿qué efecto tiene esto sobre los salarios de esas ocupaciones “permitidas”, aunque no exista trato salarial distinto dentro de cada ocupación? ¿Por qué esto complica interpretar una ecuación que controla por la ocupación efectiva —la variable codificada según la CNU— como si fuera neutral? Recuerda que f73 es categoría laboral y no ocupación.
  5. De las teorías anteriores, ¿cuáles predicen que la brecha debería reducirse con el tiempo por la sola acción de la competencia de mercado, y cuáles predicen que puede persistir en equilibrio indefinidamente? ¿Por qué esta distinción importa a la hora de interpretar la brecha salarial observada en un único corte transversal como la ECH 2025 (en lugar de una serie larga en el tiempo)?
Problemas econométricos y estadísticos de la ecuación de salarios teoría

El punto de partida habitual para estudiar discriminación salarial es una ecuación de salarios tipo Mincer, por ejemplo:

$$\ln(w_i) = \beta_0 + \beta_1 \, educ_i + \beta_2 \, exper_i + \beta_3 \, exper_i^2 + \beta_4 \, mujer_i + \varepsilon_i$$ donde $educ_i$ recoge algun indicador de la educación; $exper_i$ la experiencia.

Antes de estimarla en Python conviene entender qué problemas estadísticos y econométricos afectan la interpretación de β_4 como medida de "discriminación".

En este trabajo, mujer_i se construirá a partir de la variable de sexo al nacer de la ECH. El coeficiente se interpretará como una brecha condicionada por sexo, que puede o no ser una medida directa de identidad de género ni como una prueba causal de discriminación.

Temas conceptuales: Esto no tienen nada que ver con el curso de Introducción a Python, pero Heckman y Oaxaca-Blinder son metodologías muy conocidas; su implementación completa en Python y su profundización es opcional; el núcleo práctico del trabajo es la preparación reproducible de datos, los descriptivos y la regresión lineal.
Hoy en día, el programa lo hace un modelo de lenguage pero los conceptos los tiene que tener el analista.
  1. Un coeficiente β_4 negativo y significativo indica que, controlando por educación y experiencia, las mujeres ganan en promedio menos que los hombres en la muestra. Explica por qué esto no prueba por sí solo la existencia de discriminación en sentido causal. ¿Qué papel juega el sesgo de variable omitida (características no observadas que afectan el salario y están correlacionadas con el sexo, como el sector, la antigüedad en la empresa o habilidades no medidas)?
  2. Explica la idea de la descomposición de Oaxaca-Blinder: separa la brecha total en una parte asociada a diferencias en características observables y otra asociada a diferencias en los retornos estimados. ¿Por qué la parte “no explicada” no es una medida pura de discriminación? Explica cómo puede mezclar discriminación con variables omitidas, error de medición y decisiones sobre la estructura salarial de referencia. Razona también por qué puede sobreestimar o subestimar la discriminación si algunos controles son a su vez resultado de procesos discriminatorios.
  3. Los datos de salario de la ECH solo se observan para las personas ocupadas (POBPCOAC). Si la decisión de participar en el mercado laboral no es aleatoria —por ejemplo, si las mujeres con salarios potenciales más bajos tienen menor probabilidad de estar ocupadas por razones no relacionadas con su productividad— ¿qué problema genera esto para una regresión estimada solo con la submuestra de ocupados? Describe, a grandes rasgos, qué intenta corregir el procedimiento de Heckman en dos etapas frente a este problema.
  4. ¿Por qué la ecuación de salarios se especifica habitualmente en logaritmo del salario y no en el salario en niveles? Menciona tanto la interpretación de los coeficientes (aproximación a efectos porcentuales) como el problema de heterocedasticidad que suele afectar a la distribución del salario en niveles.
  5. La "experiencia potencial" en una ecuación de Mincer se suele aproximar como edad − años de educación − 6, ya que la ECH no releva directamente los años de experiencia laboral efectiva. ¿Por qué esta aproximación puede estar sistemáticamente sesgada de forma distinta para hombres y mujeres (piensa en interrupciones de carrera por cuidados)? ¿Qué consecuencia tiene este sesgo de medición sobre la brecha salarial "no explicada" que arrojaría una descomposición de Oaxaca-Blinder basada en esta variable?
  6. La ECH tiene un diseño muestral complejo y ponderadores finales. Si estimas con statsmodels o scikit-learn sin ponderar, ¿cómo puede cambiar el estimando y la representatividad poblacional? Distingue este problema del cálculo de errores estándar con estratos, conglomerados o pesos de réplica. ¿Por qué pasar el ponderador a WLS o a sample_weight no reproduce por sí solo toda la inferencia de una encuesta compleja? ¿Puede saberse de antemano si ignorar el diseño hará los errores estándar mayores o menores?
Parte D · Descarga y preparación de los datos (2025)

Este bloque es deliberadamente abierto. No hay un único procedimiento correcto ni un resultado numérico esperado: cada decisión —fuente de microdatos, muestra, tratamiento de valores perdidos y construcción de variables— debe justificarse y documentarse. La pregunta de investigación es: ¿qué brechas salariales observadas y condicionadas por sexo y ascendencia étnico-racial se identifican en Uruguay en 2025, y hasta qué punto son compatibles con la existencia de discriminación? Con estos datos no se pretende identificar por sí solo un efecto causal.

Descarga automatizada y elección de la fuente de microdatos práctica

Los microdatos de la ECH 2025 están disponibles en el catálogo del INE. La descarga de los archivos mensuales se utilizará como ejercicio de programación reproducible. Sin embargo, la ecuación salarial transversal requiere variables completas de ingresos, educación y ascendencia y una observación coherente por persona. Antes de construir la base final debes comparar los ficheros mensuales con los de implantación, semestrales o anuales que publique el catálogo y elegir la fuente adecuada.

  1. Explora la página del catálogo. ¿Los 12 enlaces de descarga siguen algún patrón predecible en la URL (por ejemplo, que solo cambie el número de mes), o es necesario inspeccionar el HTML de la página para localizar los enlaces reales de cada archivo? Documenta lo que encuentres.
  2. Escribe un script que descargue automáticamente los archivos mensuales disponibles a una carpeta local, sin intervención manual. Utiliza rutas reproducibles —preferentemente con pathlib—, asigna nombres informativos y evita volver a descargar un archivo válido si ya existe. Emplea requests y, si es necesario extraer enlaces del HTML, BeautifulSoup.
  3. ¿Qué hace tu script si la descarga de un mes falla (por ejemplo, por un timeout o un enlace roto)? Un buen script de descarga masiva no debería detenerse por completo ni fallar en silencio: piensa cómo reportar, al final, un resumen de qué meses se descargaron correctamente y cuáles no.
  4. Justifica por qué automatizar la descarga importa para la reproducibilidad. A continuación, compara el contenido y la unidad de observación de los archivos mensuales con los de implantación, semestrales o anuales disponibles. Decide cuál usarás para el análisis salarial final y explica por qué. La descarga de los 12 meses es un objetivo de Python, pero no obliga a utilizarlos todos en la regresión si otra fuente evita duplicaciones y contiene las variables completas.
Extracción de las variables de interés práctica

Selecciona únicamente las variables necesarias para el análisis: ingreso y horas de la ocupación principal, sexo al nacer, ascendencia, edad, educación, tamaño de empresa, categoría laboral, ocupación efectiva, condición de actividad, identificadores personales y del hogar, período y ponderador apropiado. La base debe permitir saber con claridad si cada fila representa una persona o una persona-mes.

  1. Escribe una función que cargue los ficheros elegidos y seleccione las columnas de interés. Comprueba programáticamente que cada columna existe y genera un mensaje claro si cambia el nombre o falta una variable. Decide si necesitas concatenar archivos y documenta el origen de cada observación mediante una variable de año, semestre o mes.
  2. Comprueba qué variables aparecen en implantación y cuáles se actualizan en el seguimiento. En particular, verifica la disponibilidad temporal de ingresos, educación y ascendencia. No rellenes automáticamente meses de seguimiento con valores de implantación sin explicar que estarías arrastrando información que no fue observada de nuevo.
  3. Para el análisis transversal, construye por defecto una base con una observación por persona y las variables completas del mismo momento de referencia. Si decides conservar varias observaciones de una persona, justifica el estimando, evita tratar las filas como independientes y explica cómo abordarás la dependencia intrapersonal y la elección del ponderador.
Limpieza, tratamiento de missings y definición de variables práctica

Con las variables ya extraídas, hace falta limpiarlas y construir las variables derivadas que realmente vas a usar en la estimación. Esta es la etapa donde más decisiones metodológicas propias tendrás que tomar y documentar.

  1. Define antes de limpiar la población de análisis. Como especificación principal, considera trabajadores asalariados públicos o privados en su ocupación principal, dentro de un rango de edad justificado, con ingreso y horas positivos y una sola observación por persona. Explica por qué el ingreso de patrones o trabajadores por cuenta propia puede mezclar remuneración laboral con beneficios empresariales o rendimientos del capital, y presenta cualquier muestra alternativa como análisis de sensibilidad.
  2. Revisa cómo están codificados los valores faltantes o "no corresponde" en las variables de ingreso, horas y ascendencia (¿son NaN, o algún código numérico especial como 999999?). Decide y justifica un criterio de tratamiento: ¿eliminar esas observaciones, o hay algún caso en que un missing tenga un significado sustantivo (por ejemplo, "no trabajó") que no deba tratarse como un dato perdido?
  3. Construye el ingreso por hora de la ocupación principal. Especifica la variable de ingreso elegida, la conversión de horas semanales a mensuales y el tratamiento de ceros o valores imposibles. Usa PT2 como medida amplia de ingreso neto si esa es tu decisión, pero comprueba la robustez con g126_1 o una medida más regular y discute la posible falta de correspondencia entre pagos extraordinarios y horas habituales.
  4. Construye una variable de nivel educativo. A diferencia de otras variables, la ECH no trae un "nivel educativo" ya calculado: lo que existe son varias variables de "años aprobados" en cada tramo educativo por separado (primaria, ciclo básico, bachillerato, terciario, universidad, posgrado, etc.). Tendrás que decidir cómo combinarlas: ¿una variable continua de años totales de educación, o una variable categórica de nivel máximo alcanzado? Cada opción tiene ventajas distintas para la estimación posterior — elige una y justifica por qué.
  5. Construye una variable de experiencia potencial a partir de edad y educación, imponiendo valores no negativos y explicando la fórmula. Recuerda que no mide experiencia efectiva y que puede contener un error diferencial por sexo debido a interrupciones de carrera, por lo que su coeficiente y su papel en la brecha condicionada deben interpretarse con cautela.
  6. Revisa rangos y coherencia de edad, horas, ingreso y salario por hora, así como la consistencia entre condición de actividad, categoría laboral e ingreso declarado. Documenta cada filtro en una tabla de flujo de la muestra con el número de observaciones inicial, las exclusiones sucesivas y la muestra final. No elimines valores extremos únicamente porque resulten incómodos: define reglas reproducibles y presenta una comprobación de sensibilidad.
Parte E · Análisis descriptivo y validación
Descripción de la muestra y brechas salariales brutas práctica

Antes de estimar una regresión debes comprobar que la muestra y las variables construidas tienen sentido. Los descriptivos permiten detectar errores de codificación y separar la brecha salarial bruta de la brecha condicionada que se estimará después.

  1. Presenta la tabla de flujo de la muestra y una tabla de valores perdidos para las variables principales. Indica el número de observaciones por sexo y ascendencia y, cuando proceda, los totales o proporciones ponderados.
  2. Calcula media, mediana y percentiles del ingreso por hora, horas, educación y experiencia potencial para el conjunto de la muestra y por grupos. Distingue claramente resultados no ponderados y ponderados.
  3. Calcula la brecha salarial bruta por sexo y por ascendencia utilizando el logaritmo del ingreso por hora y también una medida fácil de comunicar basada en medias o medianas.
  4. Construye al menos dos gráficos informativos —por ejemplo, distribuciones del logaritmo salarial y salarios medianos por grupo— con títulos, ejes y unidades claros. Evita gráficos que oculten el tamaño de los grupos o estén dominados por valores extremos.
  5. Describe los principales patrones y cualquier anomalía detectada. Explica qué decisiones de limpieza o sensibilidad surgen de esta revisión antes de estimar los modelos.
Parte F · Estimación e interpretación de brechas salariales
Estimación de brechas salariales observadas y condicionadas práctica

La regresión permite estimar asociaciones salariales condicionadas a las variables incluidas, no identificar por sí sola discriminación causal. Estima una secuencia de modelos transparentes y observa cómo cambia la brecha cuando se añaden controles que pueden reflejar productividad, composición o mecanismos de segregación.

  1. Estima tres modelos con el logaritmo del ingreso por hora: (1) brecha bruta, con sexo y ascendencia; (2) capital humano, añadiendo educación, experiencia potencial y experiencia al cuadrado; y (3) modelo ampliado, incorporando de forma justificada región, tamaño de empresa, sector, categoría laboral u otros controles. Mantén educación en forma lineal salvo que justifiques una especificación distinta. Si incluyes la ocupación efectiva, compara el resultado con y sin ella, porque puede ser un mecanismo de segregación y no un control neutral.
  2. Estima y presenta la versión no ponderada y la ponderada, explicando qué población o estimando representa cada una. Distingue la ponderación de los coeficientes de la inferencia del diseño complejo. Como ampliación, utiliza los ponderadores de réplica Rao-Wu para obtener errores estándar siguiendo la fórmula del INE; no interpretes los errores estándar convencionales de WLS como si incorporaran automáticamente estratos y conglomerados.
  3. Interpreta los coeficientes asociados al sexo y la ascendencia en cada modelo. Para variables binarias en una ecuación logarítmica, presenta tanto la aproximación 100 × β como la transformación exacta 100 × (exp(β) − 1) cuando la magnitud no sea pequeña. Compara signos, magnitudes, intervalos de confianza y cambios entre especificaciones.
  4. Explica si los resultados son compatibles con alguno de los mecanismos teóricos —discriminación por gusto, estadística o segregación— y por qué un corte transversal no permite distinguirlos de forma concluyente. No identifiques un coeficiente negativo con una prueba causal de discriminación.
  5. Como ampliación opcional, implementa una descomposición de Oaxaca-Blinder. Explica la estructura salarial de referencia y deja claro que la parte no explicada puede contener discriminación, variables omitidas, error de medición y efectos de controles que son resultado de la propia desigualdad.
  6. Escribe una conclusión breve que responda a la pregunta de investigación: resume las brechas brutas y condicionadas y señala las limitaciones —selección de la muestra, variables omitidas, error de medición, experiencia potencial, ponderación y naturaleza transversal— que impiden interpretar los resultados como un efecto causal puro.