Blinder Oaxaca

DESCOMPOSICIN
OAXACA-BLINDER EN MODELOS
LINEALES Y NO LINEALES
Marzo 2012 n 20
Jos Vicns Otero
El presente documento realiza una exposicin del popular mtodo

de descomposicin de una variable en dos grupos propuesto por
Blinder (1973) y Oaxaca (1973). En su planteamiento original, la
descomposicin Blinder-Oaxaca determina que la diferencia de
salarios existente entre dos grupos se debe a dos componentes. El
primer de ellos recoge la diferencia entre las variables
explicativas observables de los dos grupos y el segundo
componente recoge la diferencia entre las caractersticas no
observables, medido por las discrepancias entre los parmetros de
ambos grupos. En el documento se exponen las alternativas de
estimacin tanto en modelos lineales como no lineales, los
problemas que conlleva cada una de ellas y las diferentes
alternativas de ponderacin de los componentes de la
descomposicin. (*)
Palabras clave: Descomposicin de diferencias, Blinder,

Oaxaca, discriminacin.
(*) Mi agradecimiento a las profesoras Eva Medina y Ainhoa Herrarte por sus crticas y
correcciones al documento original.
Edita:
Instituto L.R.Klein Centro Gauss

Facultad de CC.EE. y EE.
Universidad Autnoma de Madrid
28049 Madrid
Telfono y Fax: 913974191
Correo Electrnico: klein.gauss@uam.es
Pgina Web: www.uam.es/klein/gauss
ISSN 1696-5035
Depsito Legal: M-30165-2003
Todos los derechos reservados. Queda prohibida la reproduccin

total o parcial de esta publicacin sin la previa autorizacin escrita del
editor.
Descomposicin Blinder-Oaxaca en Modelos Lineales y No Lineales
1. PLANTEAMIENTO
El objetivo de este documento es presentar una aproximacin al popular

mtodo de descomposicin de una variable en dos grupos propuesto por
Blinder (1973) y Oaxaca (1973) y conocido en la literatura como
descomposicin Oaxaca-Blinder.
En su planteamiento inicial, la descomposicin Oaxaca-Blinder determina

que la diferencia de salarios existente entre dos grupos de individuos se
debe a dos componentes. El primero de ellos recoge la diferencia entre las
variables explicativas observables de los dos grupos y el segundo recoge
la diferencia entre las caractersticas no observables, medido ste por las
discrepancias entre los parmetros de ambos grupos.
Entre los muchos desarrollos y extensiones que la literatura ha realizado

sobre la descomposicin Oaxaca-Blinder hay que destacar la utilizacin
de la regresin cuantlica (Albrecht et al., 2003) (Mahadevan y Suardi,
2012) y las aplicaciones con datos binarios (Fairlie, 1999, 2005; Yun,
2004), existiendo multitud de aplicaciones a diferentes contextos en sus
casi 40 aos de existencia.
En general se supone la existencia de dos grupos de individuos A y B

(hombres y mujeres, inmigrantes y nativos, etc.) con diferencias en los
salarios percibidos por cada grupo en funcin de un conjunto K de
variables explicativas o predictores X. El objetivo del anlisis es
determinar que parte de la diferencia en la variable endgena entre los dos
grupos se debe a las diferencias existentes entre las variables explicativas
y que parte a otros factores o variables.
En la econometra convencional el tratamiento de las diferencias suele

realizarse mediante la incorporacin de una variable ficticia, en la forma:
donde G es una variable ficticia que toma el valor 1 para un grupo y 0

para el otro. Esta alternativa considera la existencia de los grupos como
explicacin de los salarios y modifica el trmino constante para cada
grupo. Sin embargo, no permite conocer la influencia diferenciada sobre
Instituto L.R. Klein Centro Gauss. U.A.M. D.T. n 20. Marzo 2012
3
la endgena de las variables explicativas en cada grupo si no se incluyen

interacciones.
2. DESCOMPOSICIN DE OAXACA, BLINDER Y NEUMARK

Con la metodologa que se expone a continuacin s va a ser posible
diferenciar por grupos la influencia de los regresores. El trabajo inicial se
debe a Blinder (1973) y Oaxaca (1973) y ha tenido una amplia aceptacin
en el contexto de la econometra aplicada. El objetivo es conocer cunto
de la diferencia existente en la endgena es consecuencia de las
diferencias en los predictores por grupos y cunto se debe a otros
factores:
( ) ( )
Donde E(YA) es la esperanza matemtica de la variable endgena Y para el

grupo A, E(YB) es la esperanza de Y en el grupo B
El modelo lineal general que consideramos ser:
( ) { }
y con ello:
( ) ( ) ( ) ( )
Si en lugar de las esperanzas matemticas consideramos los valores

medios tenemos que:
dnde y representan el valor medio de la variable Y para el grupo

A y B respectivamente.
4
A partir de
tendremos
con lo que el estimador de las diferencias ser:
Sumando y restando en la expresin anterior
y sacando factor comn
( ) ( ) [1]
obtenemos la ecuacin bsica de la descomposicin. Segn la ecuacin

[1] la diferencia en los salarios de los grupos A y B es igual a la suma de
dos componentes. El primer componente se interpreta como la parte
explicada por las diferencias entre las variables observadas y el segundo
componente como la parte no explicada o perteneciente a variables no
observadas.
Una forma alternativa de plantarlo es mediante una regresin global.

Para ello introducimos una variable ficticia de forma que:
= 0 para los individuos pertenecientes al grupo de referencia

= 1 para los individuos pertenecientes al grupo de comparacin
Admitiendo que en uno o en otro grupo podramos poner tanto al

grupo A como al B, efectuamos la regresin
5
considerando =1 para el grupo A y =0 para el grupo B, tendremos

que:
( )
( )
y la diferencia
( ) ( )
Con lo que la descomposicin de Oaxaca-Blinder tendra por objetivo

explicar , que es el parmetro que recoge la diferencia entre los grupos.
En la ecuacin [1] y en estudios empricos con salarios de grupos

alternativos (hombres y mujeres; blancos y negros; etc.) a la parte no
explicada suele considerrsela como una medida de la discriminacin. En
el grupo que se considera discriminado, pongamos por ejemplo el B,
podramos estimar un valor de la endgena exento de esta discriminacin
por:
indicando el subndice 0 la ausencia de discriminacin.
En este caso la estructura de salarios del grupo A (por ejemplo hombres)

sera la norma de comparacin. De igual forma cuando se considera que
el salario no discriminatorio es el del grupo B (mujeres), en lugar de la
expresin [1] tendremos:
( ) ( ) [2]
Las ecuaciones [1] y [2] pueden plantearse alternativamente por:

6
y en ambas la primera parte recoge la diferencia entre las caractersticas

de los dos grupos y la segunda las diferencias en los coeficientes o
diferencias en la estructura de salarios. Inicialmente podra pensarse que
la proporcin que corresponde a las diferencias en las caractersticas y la
proporcin derivada de las diferencias en las estructuras deberan
coincidir en ambas ecuaciones. Sin embargo este no es el caso y los
resultados obtenidos en trabajos empricos con el porcentaje debido a las
caractersticas y el porcentaje debido a la estructura salarial o parte
discriminatoria, difieren segn se tome la ecuacin [1] [2]. As en el
trabajo original de Oaxaca sobre el diferencial salarial de hombres y
mujeres, se obtiene que un 53% de dicho diferencial es debido a la
discriminacin basndose en la ecuacin [1], mientras que dicho
porcentaje se eleva al 64% a partir de la ecuacin [2].
Neumark (1988) critica el planteamiento inicial de Oaxaca de considerar

este inconveniente como un simple problema de nmeros ndices y de
eleccin de la estructura salarial no discriminatoria de referencia
(hombres o mujeres) y plantea una descomposicin general en la que
exista una estructura terica de salarios no discriminatorios, es decir un
vector de parmetros no discriminatorio tal que:
[ ( ) ( )] [3]
En la descomposicin propuesta por Neumark el primer trmino de la

ecuacin [3] es la diferencia de salarios debida a las diferencias en las
caractersticas de los grupos, es decir, la parte no discriminatoria. El
segundo trmino es la parte debida a la discriminacin y que puede darse
tanto para el grupo A como para el grupo B. Obsrvese que si
consideramos que el grupo A no es discriminatorio ( ) la
expresin coincide con la [1]. Por el contrario si el grupo no
discriminatorio es el B ( ) la expresin [3] coincide con la [2].
Estimar requiere una estimacin promedio de los datos disponibles y la

alternativa propuesta por Neumark es similar a:
( ) ( ) -1
( ) ( )
7
siendo y la proporcin de elementos del grupo A y del grupo B

sobre el total de la muestra.
En un trabajo posterior, Oaxaca y Ransom (1994) generalizan la

utilizacin de los parmetros mezcla o no discriminatorios determinando
su valor mediante la expresin
( )
En esta expresin la propuesta de Oaxaca y Blinder se obtiene cuando

= I, pero tambin otras alternativas de la literatura pueden recogerse. La
de Reimers (1983):
y la de Cotton (1988):
siendo s la proporcin del tamao del grupo mayoritario representado por

el grupo A.
Por su parte Oaxaca y Ransom se alinean con la propuesta de estimar los

parmetros promedio y en general la literatura y posteriores aplicaciones
han seleccionado mayoritariamente la alternativa de Neumark.
Sin embargo un trabajo relativamente reciente de Elder, Godderis y

Haider (2010), relativiza y pone en duda las aplicaciones realizadas con la
descomposicin de Oaxaca-Blinder utilizando la regresin mezcla de
Neumark. La crtica se basa en que la regresin sin discriminacin de
Neumark no incluye un trmino independiente que diferencie los dos
grupos, diferenciacin que de hecho s existe en la realidad y que es el
punto de partida de todos los anlisis. Al realizar la regresin para obtener
los parmetros no discriminatorios ( ) y omitir la diferencia de grupos,
se obtendrn unos parmetros sesgados por omisin de variables, y la
consecuencia ser que en [3] se tender a sobrevalorar la parte explicada
y a infravalorar la parte no explicada o asociada a la discriminacin. Por
ello estos autores proponen realizar la regresin planteada al principio de
este documento
[3]
8
en la que el parmetro recogera la parte no explicada de la diferencia

entre los grupos, en el caso de que los coeficientes no varen entre los
grupos. En este caso la parte no explicada en [3] es menor que la parte no
explicada en [3] y este resultado se mantiene an cuando los coeficientes
varan. Con ello se pone en duda la conveniencia de aplicar la
descomposicin de Oaxaca-Blinder con la solucin de Neumark.
3. Correccin del sesgo de seleccin

En muchos de los trabajos con la descomposicin de Oaxaca-Blinder se
considera que las estimaciones por mnimos cuadrados pueden estar
sesgadas por el hecho de que haya un proceso de seleccin muestral o de
clasificacin. El ejemplo ms habitual de sesgo de seleccin se presenta
cuando en una ecuacin de salarios las variables que explican el salario
influyen en la decisin de trabajar o no y la muestra de individuos incluye
solamente aquellos que trabajan. Otro ejemplo de sesgo de seleccin se
dara cuando los grupos se definen por la pertenencia o no a un sindicato y
las variables que influyen en los salarios fueran las mismas que determinan
la decisin de sindicarse, sean observables o no. Desde un punto de vista
economtrico el problema es que la estimacin por MCO obtendr
estimadores inconsistentes y sesgados ya que la seleccin estar
correlacionada con la variable endgena y con el trmino de error. Ante
esta situacin la solucin generalmente adoptada en la literatura por su
sencillez ha sido la propuesta por Heckman (1979) en un proceso de
estimacin en dos etapas.
En la primera etapa se estima el modelo de inters o ecuacin de resultado

y en la segunda se recoge el proceso de seleccin muestral.
Ecuacin resultado:
Ecuacin de seleccin:
9
con
{
donde es un vector de variables observables y la ecuacin se estima

mediante un modelo probit.
Si las variables son independientes no habr problemas con la

estimacin de la ecuacin resultado, pero s se presentan problemas cuando
los trminos de error y estn correlacionados. En ese caso tendremos:
( )
( )
( )
y para los datos observados
( ) ( )
( )
( ( ( )
En el caso de que y sean independientes ( ) y
( )
puede estimarse por MCO. Pero si hay correlacin entre los dos errores
necesitamos calcular ( ( )
Para ello definimos:
10
y el ratio conocido como el Ratio inverso de Mills
( ) ( )
( )
( ) ( )
Ahora, tal y como se recoge en Greene (2003) tendremos que
( )
( ) [ ] ( )
( )
con lo que ser un parmetro ms a estimar en el modelo.
Ahora la ecuacin resultado ser:
( )
Si en la estimacin omitimos el segundo trmino los estimadores seran

sesgados e inconsistentes, dependiendo el sesgo de la correlacin entre las
perturbaciones , .
Como aclaracin recordaremos que el Ratio inverso de Mills es la relacin

entre la funcin de densidad y la funcin de distribucin acumulada. Ocurre
que si es una variable que se distribuye como una normal con media y
varianza
( )
( )
( )
( )
( )
( )
Siendo la funcin estndar de densidad de una normal y la distribucin

acumulada.
11
Heckman (1979) lo que propuso fue realizar en una primera etapa una
regresin probit para los resultados positivos de la variable , y utilizar
los parmetros estimados para calcular el Ratio inverso de Mills, que se
incluyen en la segunda etapa como variable explicativa de la ecuacin de
inters, estimndose sta por MCO.
4. Descomposicin de Oaxaca-Blinder, Neumark y Heckman
Si ahora retomamos la descomposicin de Oaxaca-Blinder y aplicamos los

resultados obtenidos en el epgrafe anterior, habr que considerar que ante
la existencia de sesgo de seleccin las dos ecuaciones de resultado debern
incluir el sesgo de seleccin, con lo que debern reformularse como:
y la ecuacin [1] ser ahora:
( ) ( ) ( )
o ms intuitivamente, la diferencia entre medias se corrige por el sesgo de

seleccin
( ) ( ) ( ) ( )
o si incluimos el planteamiento de Neumark
( ) ( ) [ ( ) ( )]
12
En un artculo posterior, Neumark y Oaxaca (2004) proponen utilizar:
( ) ( ) ...Diferencia caractersticas
( ) ( ) ......................Discriminacin
( )................................................Seleccin
y donde sera la inversa del ratio de Mills obtenida por las funciones de
densidad y de distribucin de los individuos del grupo B pero utilizando
los parmetros del proceso de clasificacin o seleccin del grupo A.
5. Descomposicin de Oaxaca-Blinder en modelos Logit.

Aproximacin de Fairlie
De forma general, la ecuacin o modelo resultado que se intenta

descomponer en dos grupos no tiene porqu ser lineal. Este es el caso de
utilizar un modelo Logit o Probit, donde la variable endgena es una
variable binaria que es explicada por un conjunto de variables
independientes mediante una relacin logstica.
Si recordamos que la descomposicin original planteada en [1] se deduca

de:
siguiendo el desarrollo propuesto por Fairlie (1999) tendremos que en el

caso de que la relacin ( ) sea no lineal, la anterior expresin
tomar la forma:
( ) ( ) ( ) ( )
[ ] [ ]
13
evitando as el hecho de que al no ser lineal la relacin pueda ocurrir que:
( )
Para el caso de un modelo Logit o Probit, ser la probabilidad media o
porcentaje de unos para el grupo j, y F ser la funcin de distribucin
acumulada de la distribucin Logit o de la distribucin normal.
Al igual que en el modelo inicial de Oaxaca-Blinder este planteamiento

tiene el mismo problema de seleccionar el grupo de referencia pues puede
ser tanto el grupo A como el B. Por ello la ponderacin realizada por
Neumark es igualmente vlida en este contexto.
Tal y como plantea Fairlie (2005) si admitimos que los dos grupos tienen
tamaos iguales, , se pueden utilizar todos los datos para estimar
una regresin Logit de datos mezclados para obtener . Entonces es fcil
calcular F y por ejemplo, en un modelo de dos variables la contribucin de
la variable a la diferencia entre los grupos ser:
( ) ( ) [5]
y la contribucin de la variable
( ) ( ) [6]
donde:
es la variable para el grupo B
es la variable para el grupo A
es la variable para el grupo B
es la variable para el grupo A
El subndice cero indica que los coeficientes han sido estimados para el
total de la muestra y son un promedio de los dos grupos.1
Fairlie, siguiendo a Oaxaca y Ransom (1998), estima la varianza de la

contribucin de cada variable mediante:
1
El orden de seleccin de las variables incide sobre la importancia de la contribucin.
14

( ) ( ) ( )( )
donde se ha reescrito por:
( ) ( )
y

( ) ( )

siendo la funcin de densidad de la logstica.
Dado que los tamaos muestrales raramente son iguales para los dos
grupos Fairlie propone usar la muestra mezclada o total para calcular las
estimaciones , tanto para el grupo A como para el B. Si el grupo B es ms
pequeo que el grupo A, se tomar una submuestra del A de igual tamao
que el B y se realizar la estimacin y descomposicin para ambos grupos.
El procedimiento se puede repetir con mltiples submuestras y de aqu
obtener los valores promedio de la descomposicin. Fairlie tom un total
de 1.000 submuestras.
En su primer trabajo Fairlie (1999) aplica el modelo a las diferencias de

autoempleo entre blancos y negros en Estados Unidos (Tabla 1). Aqu
se recogen los resultados de la modelizacin de la probabilidad de
convertirse en autoempleado, si bien tambin estima otro modelo para la
probabilidad de abandono del autoempleo. En este caso la diferencia de
probabilidad entre negros y blancos es un 2% y esta diferencia se explica
en un 29,1% por las variables incluidas cuando se toman los negros como
grupo de referencia y del 14,2% cuando se toman los blancos. Si bien no
presenta los resultados, estima la regresin con los datos mezcla de blancos
y negros en la forma planteada por Neumark, encontrndolos muy
prximos a la segunda especificacin en la que el grupo de referencia son
los blancos.
15
Tabla 1
En un posterior trabajo, Fairlie (2005), mantiene su planteamiento y realiza

una serie de anlisis y comparaciones con otros procedimientos. En primer
lugar compara su estimacin no lineal con la resultante de aplicar la
descomposicin de Oaxaca-Blinder a un modelo lineal de probabilidad,
encontrando que para algunas aplicaciones en las que el efecto es
importante, Oaxaca-Blinder tiende a aumentar la contribucin fuera de
rangos aceptables. Por otro lado reconoce que el ordenamiento de las
variables en el modelo puede afectar a los resultados, por lo que propone
experimentar con la ordenacin y determinar si sta afecta en una
aplicacin concreta. Si se apreciaran cambios importantes en la
contribucin de las variables la ordenacin puede ser aleatoria y usando un
nmero elevado de simulaciones encontrar la contribucin media de cada
variable. (Ver tabla 2)
16
Tabla 2
17
6. Mtodo general de Yun para modelos no lineales (2004)
Yun (2004) propone un mtodo alternativo de descomposicin para

modelos no lineales al que denomina Mtodo Generalizado de
Descomposicin de Diferencias en el Primer Momento, es decir con
respecto a la media. Al estar trabajando con un modelo no lineal,
pongamos que probit, el modelo tiene la expresin general:
( ) ( )
siendo la funcin de distribucin acumulada de la normal estndar, el

subndice que representa a los dos grupos, el vector de variables
explicativas y el vector de parmetros. La descomposicin de Oaxaca-
Blinder podemos plantearla para valores medios por:
( ) ( ) [ ( ) ( )] [ ( ) ( )]
Con lo que se tratar de calcular los valores medios de las funciones de

distribucin. El anlisis requiere determinar la contribucin de cada
variable a las diferencias de las probabilidades de los dos grupos. Para
obtener tal contribucin Yun propone una transformacin en dos etapas.
En la primera se estima la funcin para los valores medios de los
regresores y en la segunda se efecta una expansin de Taylor de primer
orden en la que se obtienen los valores y errores de la funcin sobre
La expresin final propuesta por Yun es:
( ) ( ) [ ( ) ( )] [ ( ) ( )]
con
( )
( )
( )
( )
18
De esta forma los recogen la influencia o peso de las variables y

coeficientes sobre la descomposicin inicial y el subndice ,
se refiere a las variables incluidas en el modelo.
Con este mtodo es posible calcular la descomposicin inicial,

estableciendo la parte correspondiente a la diferencia en variables y la
parte correspondiente a los parmetros. Posteriormente se calcula la
importancia relativa de cada variable y de cada parmetro en cada una de
las diferencias de la descomposicin.
7. Utilizacin de Stata en modelos no lineales
Tanto la aproximacin de Fairlie como la de Yun tienen por objetivo

estimar la descomposicin de Oaxaca-Bilder cuando las relaciones son no
lineales, siendo un caso especial cuando la variable endgena es una
variable binaria. Dado que el caso de la no linealidad ha sido ms
recientemente introducido y no aparece en los manuales como el de
Cameron y Trivedi (2009), describiremos a continuacin para el caso de
dos variables explicativas y una variable clasificatoria del grupo, los
comandos necesarios para su estimacin con el programa Stata. En ambos
casos se realiza una estimacin Logit mediante:
Para el caso de Fairlie:

fairlie Y X1 X2, by (GRUPO)
Para el caso de Yun:

oaxaca Y X1 X2, by (GRUPO) logit pooled
dnde Y es una variable binaria y X1 y X2 son dos variables explicativas

que pueden ser tanto binarias como cuantitativas.
Tal y como se expuso en los anteriores apartados la utilizacin de la

metodologa de Yun obtiene la contribucin de parmetros y variables a
la diferencia entre los grupos, mientras que la de Fairlie obtiene la
contribucin de las variables.
19
BIBLIOGRAFA
Albrecht, James W., Bjorklund, Anders and Vroman, Susan B. (2001),

Is There a Glass Ceiling in Sweden (April 2001). IZA Discussion Paper
No. 282.
Albrecht, James W., Nguyen, Binh and Vroman, Susan B. (2003), "A
Quantile Regression Decomposition of Urban-Rural Inequality in Vietnam,"
Working Papers gueconwpa-03-03-31, Georgetown University, Department
of Economics.
Blinder, Alan S. (1973), Wage Discrimination: Reduced Form and

Structural Estimates The Journal of Human Resources, Vol. 8, No. 4, pp.
436-455 Autumn, 1973.
Cameron, A.L., Triverdi, P.K. (2009), Microeconometrics using Stata.

Stata Corp LP.
Cotton Jeremiah (1998), On the Decomposition of Wage Differentials,

Review of Economics and Statistics 70 (1988), pp. 236243.
Elder, Todd E., Goddeeris, John H. and Haider, Steven J., (2010),
"Unexplained Gaps and Oaxaca-Blinder Decompositions," Labour
Economics, Vol. 17 (1) 2010.
Fairlie, R. (1999), The absence of African-American owned business: an

analysis of the dynamics of selfemployment Journal of Labor Economics,
17, pp. 80108.
Fairlie, R. (2005), An extension of the Blinder-Oaxaca decomposition

technique to logit and probit models. Journal of Economic and Social
Measurement, Vol 30, pp. 305316.
Greene, W. H. (2003), Econometric Analysis. Fifth Edition. Prentice Hall
Heckman, J. (1979), "Sample Selection Bias as a Specification Error,"

Econometrica, Econometric Society, vol. 47(1), pp. 153-61, January.
20
Mahadevan, R. y Suardi, S. (2012), "Impact of socio-economic factors

and social affiliation on living standards: a quantile regression aproach".
Applied Economics Letters, 2012, Vol 19, pp. 1.231-1.236.
Oaxaca, R. L. (1973), Male-female wage differentials in urban labor

markets," International Economic Review, Vol 14(3), pp. 693-709.
Oaxaca, R. L., and Michael R. Ransom (1988), Searching for the Effect
of Unionism on the Wages of Union and Non-Union Workers, Journal of
Labor Research 9 (1988), pp. 139148.
Oaxaca, R. L., and Michael R. Ransom (1994), On Discrimination and

the Decomposition of Wage Differentials, in Shoshana Neuman and
Jacques Silber (eds), Journal of Econometrics, Vol. 61(1), pp. 5-21, March.
Oaxaca, R., and Michael Ransom (1998), "Calculation of Approximate

Variances for Wage Decomposition Differentials," Journal of Economic and
Social Measurement, 24, pp. 55-61.
Neumark, D. (1988), Employers discriminatory behavior and the

estimation of wage discrimination (The Journal of Human Resources, 23,
pp. 279295)
Reimers, C. (1983), Labor Market Discrimination Against Hispanic and

Black Men, The Review of Economics and Statistics, Vol 65 n 4 (1983),
pp.570579.
Yun, Myeong-Su, (2004), "Decomposing differences in the first moment,"

Economics Letters, Elsevier, vol. 82(2), pages 275-280, February.
21

Blinder Oaxaca

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Blinder Oaxaca

Transféré par

Droits d'auteur :

Formats disponibles

DESCOMPOSICIN

Jos Vicns Otero

El presente documento realiza una exposicin del popular mtodo

Palabras clave: Descomposicin de diferencias, Blinder,

Instituto L.R.Klein Centro Gauss

Depsito Legal: M-30165-2003

Todos los derechos reservados. Queda prohibida la reproduccin

El objetivo de este documento es presentar una aproximacin al popular

En su planteamiento inicial, la descomposicin Oaxaca-Blinder determina

Entre los muchos desarrollos y extensiones que la literatura ha realizado

En general se supone la existencia de dos grupos de individuos A y B

En la econometra convencional el tratamiento de las diferencias suele

donde G es una variable ficticia que toma el valor 1 para un grupo y 0

la endgena de las variables explicativas en cada grupo si no se incluyen

2. DESCOMPOSICIN DE OAXACA, BLINDER Y NEUMARK

Donde E(YA) es la esperanza matemtica de la variable endgena Y para el

El modelo lineal general que consideramos ser:

Si en lugar de las esperanzas matemticas consideramos los valores

dnde y representan el valor medio de la variable Y para el grupo

con lo que el estimador de las diferencias ser:

Sumando y restando en la expresin anterior

y sacando factor comn

obtenemos la ecuacin bsica de la descomposicin. Segn la ecuacin

Una forma alternativa de plantarlo es mediante una regresin global.

= 0 para los individuos pertenecientes al grupo de referencia

Admitiendo que en uno o en otro grupo podramos poner tanto al

considerando =1 para el grupo A y =0 para el grupo B, tendremos

Con lo que la descomposicin de Oaxaca-Blinder tendra por objetivo

En la ecuacin [1] y en estudios empricos con salarios de grupos

indicando el subndice 0 la ausencia de discriminacin.

En este caso la estructura de salarios del grupo A (por ejemplo hombres)

Las ecuaciones [1] y [2] pueden plantearse alternativamente por:

y en ambas la primera parte recoge la diferencia entre las caractersticas

Neumark (1988) critica el planteamiento inicial de Oaxaca de considerar

En la descomposicin propuesta por Neumark el primer trmino de la

Estimar requiere una estimacin promedio de los datos disponibles y la

siendo y la proporcin de elementos del grupo A y del grupo B

En un trabajo posterior, Oaxaca y Ransom (1994) generalizan la

En esta expresin la propuesta de Oaxaca y Blinder se obtiene cuando

siendo s la proporcin del tamao del grupo mayoritario representado por

Por su parte Oaxaca y Ransom se alinean con la propuesta de estimar los

Sin embargo un trabajo relativamente reciente de Elder, Godderis y

en la que el parmetro recogera la parte no explicada de la diferencia

3. Correccin del sesgo de seleccin

En la primera etapa se estima el modelo de inters o ecuacin de resultado

donde es un vector de variables observables y la ecuacin se estima

Si las variables son independientes no habr problemas con la

y para los datos observados

En el caso de que y sean independientes ( ) y

Para ello definimos:

y el ratio conocido como el Ratio inverso de Mills

Ahora, tal y como se recoge en Greene (2003) tendremos que

con lo que ser un parmetro ms a estimar en el modelo.

Ahora la ecuacin resultado ser:

Si en la estimacin omitimos el segundo trmino los estimadores seran

Como aclaracin recordaremos que el Ratio inverso de Mills es la relacin

Siendo la funcin estndar de densidad de una normal y la distribucin

4. Descomposicin de Oaxaca-Blinder, Neumark y Heckman

Si ahora retomamos la descomposicin de Oaxaca-Blinder y aplicamos los

y la ecuacin [1] ser ahora:

o ms intuitivamente, la diferencia entre medias se corrige por el sesgo de

o si incluimos el planteamiento de Neumark

En un artculo posterior, Neumark y Oaxaca (2004) proponen utilizar:

5. Descomposicin de Oaxaca-Blinder en modelos Logit.