Revista Económica
DOI: 10.54753/rve.v12i2.2235
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
ARTÍCULO DE INVESTIGACIÓN
Explorando la relación de largo plazo entre mercado laboral y pobre-
za en Argentina
Exploring the long-run relationship between labor market and poverty in Argen-
tina
José Navarrete ID 1|Daniela Cristina ID 1
1Universidad Nacional de Córdoba. Facultad de
Ciencias Económicas, Instituto de Economía y
Finanzas y Departamento de Economía y Finanzas.
CICE, CIECS UNC-CONICET. Córdoba, Argentina.
Correspondencia
José Luis Navarrete, Departamento de Economía y
Finanzas, Universidad Nacional de Córdoba
Córdoba, Argentina.
Email: jlnavarrete@unc.edu.ar
Fecha de recepción
Mayo 2024
Fecha de aceptación
Junio 2024
RESUMEN
El trabajo analiza la relación de largo plazo entre la tasa de incidencia de la pobreza y
el mercado laboral en Argentina utilizando un modelo autorregresivo de rezagos distri-
buidos lineal aumentado en un panel de 29 aglomerados urbanos para el período 2003-
2023. Se encuentra que el ingreso laboral tiene una relación negativa y estadísticamente
significativa sobre la pobreza en el largo plazo, en tanto que la tasa de desempleo, la tasa
de informalidad laboral y el Coeficiente de Gini presentan una relación positiva con la
pobreza. No se encuentran evidencias de efectos asimétricos del mercado laboral sobre
la pobreza en el largo plazo.
Palabras clave: Mercado laboral; Pobreza; Argentina.
Códigos JEL: I32, J3.
ABSTRACT
This paper analyses the long-run relationship between poverty and labour market in
29 urban centers in Argentina from 2003 to 2021 using a cross-sectionally augmented
linear autorregresive distributed lag model, considering both symmetric and asymmetric
variations. The study reveals a negative relationship between labour income and poverty
whereas the unemployment rate, informality rate, and Gini Coefficient are directly linked
to poverty. Notably, the analysis does not find evidence of asymmetric effects of the
labor market on poverty over the long term.
Keywords: Labour market; Poverty; Argentina.
JEL codes: I32, J3.
112
Navarrete J., Cristina D.
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
1|INTRODUCCIÓN
La pobreza es un fenómeno multidimensional y depende de
diversos factores, entre los que se encuentra el ingreso tanto en ni-
vel como en la desigualdad de su distribución. En este sentido, el
mercado laboral constituye el principal canal por medio del cual la
actividad económica de un país afecta a la pobreza. En general, las
mejoras en el mercado laboral, como las reducciones en la tasa de
desempleo, de la informalidad, incrementos en el nivel de los ingre-
sos laborales reales o en la desigualdad en la distribución del ingreso,
se traducen en reducciones en la incidencia de la pobreza. Si bien
muchos estudios destacan esta relación de corto plazo, es impor-
tante indagar también si estas variables están relacionas en el largo
plazo y conocer, además, cómo es dicha relación.
La motivación de este trabajo surge entonces a partir de la ne-
cesidad de investigar las relaciones de largo plazo entre variables
del mercado laboral y la pobreza en Argentina para el período 2003-
2023 y determinar la existencia de posibles efectos asimétricos, lo
cual tiene implicancias directas para el diseño de políticas. En la lite-
ratura se reconoce que, por ejemplo, tanto el crecimiento económi-
co como la mejora distributiva, generan reducciones en la pobreza.
Sin embargo, luego de las crisis económicas, estos índices no vuel-
ven fácilmente a sus niveles previos, por lo que hay indicios de que
las mencionadas relaciones pueden ser asimétricas (es decir, la re-
lación entre las variables ante una disminución del indicador puede
no ser la misma que ante un incremento en el mismo).
Dado lo anteriormente expuesto, el objetivo de este trabajo
es cuantificar la influencia a largo plazo del mercado laboral sobre
la pobreza en Argentina. Para alcanzar este propósito, se llevarán a
cabo estimaciones de las elasticidades de largo plazo de diferentes
variables que aproximan el desempeño del mercado laboral sobre la
pobreza, a través de un modelo autorregresivo de rezagos distribui-
dos con efectos-correlacionados comunes (CCE common- correlated
effects) para datos de panel largos. También se utilizará una versión
no lineal para contrastar la existencia de posibles asimetrías..
El trabajo se organiza de la siguiente manera. En la Sección 2
se presenta el marco conceptual y resultados de trabajos previos.
En la Sección 3 se detallan las fuentes de datos y se explica la me-
todología empírica utilizada, mientras que la Sección 4 presenta los
resultados obtenidos. Por último, en la Sección 5 se encuentran las
conclusiones.
2|REVISIÓN LITERARIA
A nivel internacional es común encontrar trabajos cuyo propó-
sito es estimar las elasticidades ingreso y desigualdad de la pobreza
como una primera aproximación a los determinantes de esta últi-
ma. Entre otros, se destacan Bourguignon (2004), Marrero y Servén
(2022), López y Servén (2006), Fosu (2017), quienes encuentran que
dichas elasticidades son significativamente distintas de cero, tienen
el signo esperado, difieren entre países, y sus valores dependen po-
sitivamente de los niveles de ingreso y negativamente de la desigual-
dad inicial.
En este sentido, Bourguignon (2004) destaca que para soste-
ner la reducción de la pobreza a largo plazo es necesario crecer, dado
el límite natural que existe para la redistribución. Advierte también,
que las políticas que sean efectivas en la disminución de la desigual-
dad pueden ofrecer una doble ganancia, dado que aminoran la po-
breza en el presente y también aceleran su reducción futura.
Un antecedente para Argentina lo encontramos en el trabajo
de Zack y Sotelsek (2019), quienes utilizando datos trimestrales del
periodo 2003-2017 analizan los efectos asimétricos del ciclo econó-
mico sobre diversos indicadores sociales en Argentina. Los autores
encuentran que existe un efecto asimétrico del ciclo económico so-
bre la pobreza en Argentina. En cambio, no encuentran evidencia
de que el valor de la elasticidad distribución sea diferente según se
trate de una fase ascendente o descendente del ciclo.
La hipótesis de efectos asimétricos del ciclo económico sobre
la tasa de pobreza radica en que la distribución del ingreso mejora
en las etapas de crecimiento y empeora en las recesiones, pero el
deterioro producido durante las fases descendentes es mayor que
la mejora obtenida en las fases ascendentes. Entonces, como el ci-
clo económico tiene un efecto asimétrico sobre la distribución del
ingreso, este efecto tiene que verse reflejado en las variaciones de
la pobreza (Agenor (2004).
Agenor (2004) sostiene además, que las crisis económicas y fi-
nancieras afectan desproporcionadamente a los más a los pobres,
porque carecen de activos y acceso a los mercados financieros que
les permitan protegerse ante los shocks adversos sobre el ingreso
y el empleo. Asimismo, debido a la falta de educación y habilidades
valoradas por el mercado, los pobres tienden a tener menos posibili-
dades de movilidad (entre sectores o regiones) que los trabajadores
más calificados, por lo tanto, les cuesta más capitalizar las oportuni-
dades de empleo que pueden surgir en la etapa de recuperación.
Se suelen identificar al menos cuatro canales mediante los cua-
les las crisis deterioran la distribución del ingreso y perjudican ma-
yormente a los pobres: primero, la caída en el producto genera una
disminución de la demanda laboral que es mayor para los trabajado-
res no calificados; segundo, el alto nivel de inflación que suele ob-
servarse al final de las crisis financieras, deteriora los salarios reales,
pero también afecta más a los ahorros de los pobres, que conser-
van una mayor parte de su riqueza en efectivo (regresividad del im-
puesto inflacionario); tercero, las grandes depreciaciones que ocu-
rren durante las crisis generan un aumento del precio relativo de
los bienes transables sobre los no transables (tipo de cambio real),
que afecta negativamente los salarios reales de las clases medias y
bajas, que suelen ser consumidoras netas de alimentos, sobre todo
en los países con mayor población urbana; y cuarto, el recorte del
gasto público que normalmente se implementa en respuesta a las
crisis financieras provoca un severo impacto en las familias pobres,
quienes reciben menos transferencias y servicios sociales (Halac y
Schmuckler 2004).
Hay motivos para creer que pueden existir asimetrías en las re-
laciones entre el crecimiento, la desigualdad y la pobreza. De acuer-
do con Beker (2016), las causas de la pobreza en la población eco-
nómicamente activa son básicamente dos: el desempleo y un nivel
de ingresos que no permite alcanzar la línea de pobreza. Desde es-
ta perspectiva, se podría decir que si la relación entre la tasa de
crecimiento y la tasa de desempleo es negativa y asimétrica, como
plantean varios trabajos 1, probablemente el crecimiento y la pobre-
za también estén inversamente relacionados de forma asimétrica.
En cuanto a la insuficiencia de ingresos, si los salarios reales de las
personas ubicadas en los percentiles más bajos de la distribución
del ingreso no aumentan rápidamente en las etapas de crecimiento,
tambien se observarán efectos asimétricos, debido al gran perjuicio
que exhiben durante las recesiones por las razones antes explicadas.
Diversos trabajos exploran la relación entre el mercado laboral
y pobreza tanto a nivel internacional como para Argentina. Becca-
ria et al. (2009 y 2011) encuentra que el mercado laboral es uno de
los principales factores que influye sobre los niveles de pobreza en
America Latina.
1Entre ellos se pueden mencionar el de Shin et. al. (2014), Moreno, Gómez, Muñoz y Pereira (2021) y Bod’a y Považanová (2021). Para el caso de Argentina,
trabajos como los de Porras y Martín-Román (2020) y Zanin (2021) confirman la existencia de la relación inversa entre crecimiento y desempleo, aunque su
asimetría ha sido menos estudiada.
113
Explorando la relación a largo plazo entre mercado laboral y pobreza...........
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
Respecto a la realidad económica argentina, se tiene trabajos
como el de Cruces et al. (2017), donde se indaga la relación entre
mercado laboral y la pobreza en Argentina durante la década del
2000. Se encuentra que en los años de crisis económica con dete-
rioro en el mercado laboral la pobreza aumentó, mientras que los
años de mejoras en el mercado laboral se tradujeron en reduccio-
nes en los niveles de pobreza. Beccaria et al. (2006) sostienen que
en el caso que todos los trabajadores informales pasen al mercado
formal, la disminución de la incidencia de la pobreza en Argentina
sería significativa.
Asimismo, Mario y García (2013) destacan que un proceso de
formalización de la fuerza laboral generaría reducciones en los nive-
les de pobreza de las regiones del país, pero no sería suficiente para
erradicar esta problemática. Navarrete et al. (2021) estudia el víncu-
lo entre mercado laboral y pobreza en un panel de provincias argen-
tinas en el periodo 1996-2018, encontrando evidencias de que me-
joras en el nivel de ingreso y su distribución, como así también en la
tasa desempleo, contribuyen a reducir la tasa de pobreza. Además,
se encuentran evidencias de efectos no lineales del ingreso, la infor-
malidad y el desempleo sobre la pobreza, que dependen del grado
de desigualdad de la jurisdicción.
Gasparini et al. (2007), Sconfienza (2017) y Reyes (2022), en-
tre otros, también hallan evidencias del impacto del mercado laboral
sobre la tasa de pobreza en Argentina. En suma, los resultados em-
píricos presentados indican que existe una relación entre mercado
laboral y pobreza a corto plazo. Sin embargo, hay muy poca eviden-
cia empírica de esta relación en el largo plazo. Además, es escasa la
evidencia de efectos asimétricos, lo que motiva una contribución en
este aspecto. La disponibilidad de datos y de nuevas metodologías
econométricas permite estudiar esta problemática, focalizando en
el rol del mercado laboral como canal para mejorar los índices de
pobreza en Argentina a largo plazo.
3|DATOS Y METODOLOGÍA
3.1 |Datos
Para el presente trabajo se utilizan datos trimestrales de 29
aglomerados urbanos 2para el periodo que va desde el tercer tri-
mestre del año 2003 al segundo trimestre del año 2023. Las va-
riables utilizadas son: la tasa de pobreza (o tasa de incidencia de
la pobreza), el ingreso promedio de la actividad principal a precios
constantes de 2003, así como el Coeficiente de Gini del ingreso per
cápita familiar, la tasa de desempleo y la tasa de informalidad.
Con el propósito de obtener una serie comparable de la tasa
de pobreza, se procedió a realizar algunos ajustes que se detallan a
continuación:
Para cálculo de pobreza se toman las canastas básicas tota-
les (CBT) promedio de cada trimestre (2003-2023). Los datos
se toman del trabajo de Zack et al. (2020). Dichos autores
calcularon tasas de pobreza comparables para período 2003-
2019,utilizando datos de todos los aglomerados incluidos en
la EPH en cada momento, y en base a la metodología que uti-
liza el INDEC desde el año 2016.
Los ingresos están expresados a precios de 2003 (agosto
2003=100).
Para los valores de la CBT entre 2007 y 2015 se uti-
lizó la inflación calculada por el sitio Inflación verdadera
(http://www.inflacionverdadera.com/).
En la Tabla 1 , se presenta una descripción de las variables uti-
lizadas en el presente trabajo. La Tabla 2 presenta las principales
medidas descriptivas de las variables. Esta información se presenta
por región, con el propósito de exteriorizar la disparidad presente
entre las diferentes jurisdicciones del país. De la misma se despren-
de que la región con el nivel promedio de pobreza más alta es el
NEA (48.38 %) con valores que oscilaron entre el 17 y 78 % en el
período analizado. Le sigue en nivel la región NOA con un valor me-
dio de 43.05 %. En otro extremo, la región Patagonia presenta el
menor valor promedio de pobreza (25.79 %). También existen dife-
rencias entre los niveles promedios de las variables que pertenecen
al mercado laboral. En este sentido, las mayores tasas de desempleo
promedio se dan en el GBA y en la región Pampeana, mientras que
la desigualdad es mayor en las regiones NOA y NEA. Es importan-
te destacar que existen importantes diferencias hacia el interior de
cada región.
Tabla 1. Descripción de variables
Variable Descripción Fuente
Pobreza Tasa de incidencia de la pobreza. Porcentaje de personas pobres respecto del total de la población. EPH-INDEC
Ingreso Ingreso promedio de la actividad principal de trabajadores asalariados a precios de 2003. EPH-INDEC
Gini Coeficiente de Gini del ingreso per capita familiar EPH-INDEC
TD Tasa de desempleo, calculada como desempleados de la población económicamente activa. EPH-INDEC
Informal Tasa de informalidad, calculada como la proporción de trabajadores asalariados que no realizan aportes jubilato-
rios ni se realizan descuentos para obra social
EPH-INDEC
En la Tabla 3 se presenta una matriz de correlación, destacán-
dose que el signo del coeficiente de correlación entre la pobreza y
las variables del mercado laboral es el esperado. En cuanto a la rela-
ción entre las variables incluidas en este trabajo, se observa que la
tasa de incidencia de la pobreza tiene una alta correlación negativa
con el ingreso (-0.8) y una correlación positiva con la desigualdad y
la tasa de informalidad (0.5 y 0.75 respectivamente). Finalmente, se
tiene que la tasa de pobreza se encuentra correlacionada de forma
directa con la tasa de desempleo.
2Los aglomerados no incluidos en este trabajo son: San Nicolás-Villa Constitución, Rawson-Trelew y Viedma-Carmen de Patagones. La exclusión de estos
aglomerados obedece a que los mismos se incorporaron en la EPH con fecha posterior a 2003.
114
Navarrete J., Cristina D.
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
A continuación, se presenta un diagnóstico de la situación de
Argentina haciendo énfasis en indicadores del mercado laboral pa-
ra poder determinar la influencia de estos sobre la pobreza. Según
se puede observar en la Figura 1 , el fenómeno de la pobreza es
persistente y de larga data en Argentina. A pesar de pequeños vai-
venes de corto plazo, cuando se analiza su evolución de largo plazo
se observa claramente que la tasa de pobreza, después de llegar a su
punto más alto como consecuencia de la crisis del 2001-2002; veri-
ficó un periodo de disminución sostenida, con mínimos de alrededor
del 25 % en los años 2015 y 2017. A partir del año 2018 se observa
un periodo ascendente hasta el año 2020. Durante el año 2021, la
tasa de pobreza desciende temporalmente para iniciar nuevamente
una fase ascendente desde la segunda mitad del año 2022.
Tabla 2. Estadísticas descriptivas
Región 3Variable Observaciones Media4Desvío Estandar
GBA
Pobreza 152 28.53 14.66
Ingreso 152 1038.58 212.67
Gini 152 41.66 2.62
Informal 152 32.18 10.00
TD 152 9.01 2.96
NOA
Pobreza 456 43.05 11.31
Ingreso 456 649.40 113.67
Gini 456 41.47 5.18
Informal 456 42.89 7.26
TD 456 7.67 3.25
NEA
Pobreza 303 48.38 11.81
Ingreso 303 669.76 115.26
Gini 303 41.99 4.62
Informal 303 40.98 8.11
TD 303 4.57 2.54
CUYO
Pobreza 228 41.98 11.00
Ingreso 228 758.55 126.93
Gini 228 40.16 3.44
Informal 228 41.00 6.55
TD 228 5.09 2.95
PAMPEANA
Pobreza 760 36.32 11.43
Ingreso 760 859.68 147.14
Gini 760 41.31 3.52
Informal 760 34.85 8.56
TD 760 8.59 3.21
PATAGONIA
Pobreza 303 25.79 12.41
Ingreso 303 1356.26 314.63
Gini 303 40.24 3.42
Informal 303 18.75 6.89
TD 303 5.92 2.84
Notas: 3GBA: Ciudad de Buenos Aires y Partidos del Gran Buenos Aires; NOA: Santiago del Estero, Jujuy-Palpalá, Gran Catamarca, Salta, La Rioja, Gran Tucumán-Tafí; NEA:
Posadas, Gran Resistencia, Corrientes, Formosa; CUYO: Gran Mendoza, San Luis-El Chorrillo, Gran San Juan; PAMPEANA: La Plata, Bahía Blanca-Cerri, Gran Rosario, Gran Santa
Fe, Gran Paraná, Gran Córdoba, Concordia, Santa Rosa-Toay, Mar del Plata-Batán, Río Cuarto; PATAGONIA: Comodoro Rivadavia-Rada Tilly, Neuquén-Plottier, Río Gallegos,
Ushuaia-Río Grande. 4Los valores corresponden al promedio simple de las jurisdicciones que integran cada región en el periodo 2003 al 2023.
Tabla 3. Matriz de corelación
Variable Pobreza Ingreso Gini TD Informal
Pobreza 1
Ingreso -0.80 1
Gini 0.50 -0.24 1
Informal 0.75 -0.81 0.42 1
TD 0.28 -0.16 0.43 0.26 1
Este trabajo analiza el vínculo entre la pobreza y la situación del
mercado laboral, por lo que a continuación se analizan las tenden-
cias en el empleo registrado, empleo no registrado (tasa de informa-
lidad), tasa de desempleo, evolución de los ingresos laborales de los
individuos y de la distribución del ingreso. En términos de empleo
privado registrado (véase Figura 2), se observa que después de los
bajos niveles de empleo registrado como consecuencia de la crisis
115
Explorando la relación a largo plazo entre mercado laboral y pobreza...........
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
de 2001-2002, hubo un periodo de clara generación de puestos de
trabajo que duró hasta el año 2008. Posteriormente, comenzó un
periodo de estancamiento en la generación de puestos en el sec-
tor privado registrado de la economía que duró hasta el año 2021.
En los últimos dos años de la muestra se aprecia un incremento del
empleo registrado.
Figura 1. Evolución de la pobreza
Figura 2. Evolución del empleo privado registrado
Una de las características de largo plazo de la informalidad la-
boral (véase Figura 3) es que la misma subió sostenidamente. Se
situaba en alrededor del 22 % a comienzos de los años 80 (véase
Gertel et al., 2011), llegando a alcanzar máximos históricos (con una
incidencia de casi el 50 %) en el periodo 2003-2004. Posteriormen-
te, comenzó a disminuir, estabilizándose 5a partir del año 2008 en
alrededor del 34 %.
Para comprender mejor la dinámica del mercado laboral se
cuenta con información de la evolución de la tasa de desempleo.
La Figura 4 muestra la evolución de este indicador para el total de
aglomerados urbanos. Se observa que, después de exhibir valores
altos como consecuencia de la crisis económica de principios de es-
te siglo, la tasa de desempleo cayó sensiblemente estabilizándose
en alrededor del 7 % hasta mediados del año 2015. La disminución
en dicha tasa es reflejo del importante crecimiento del empleo que
existió hasta ese periodo: en el sector privado registrado se observó
entre 2002 y 2015 un incremento de unos tres millones de puestos
de trabajo.
5En la figura se observa con claridad además la incidencia de las restricciones del COVID sobre el mercado laboral.
116
Navarrete J., Cristina D.
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
A partir de este momento, y de manera coincidente con las cre-
cientes dificultades para la generación de nuevos puestos de traba-
jo, la tasa de desempleo comenzó a seguir una tendencia oscilante,
llegando a superar el 10 % en los años 2020 y 20216.
Figura 3. Evolución de la tasa de informalidad laboral
Figura 4. Evolución de la tasa de desempleo
En términos de los ingresos reales de los asalariados (véase Fi-
gura 5), se observa que luego del deterioro de ingresos por la cri-
sis 2001-2002, sobrevino un periodo de recuperación de ingresos
reales (2004-2012). A partir del año 2012, se inicia una fase de pér-
dida de ingresos laborales para los asalariados. De hecho, en el se-
gundo trimestre del año 2023, se tiene un poder adquisitivo exigua-
mente por encima del nivel mínimo de la serie (2003). Por su parte,
para analizar la evolución de la distribución del ingreso se considera
el Coeficiente de Gini del ingreso per cápita familiar (véase Figura
6).
6Es importante destacar que la tasa de desempleo se encuentra influenciada por la existencia de la creciente protección social que existe en Argentina.
117
Explorando la relación a largo plazo entre mercado laboral y pobreza...........
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
Según se puede observar, la distribución del ingreso mejoró
hasta el año 2012, momento en que el Coeficiente de Gini comien-
za una tendencia ligeramente ascendente que marca un movimiento
hacia una distribución más concentrada del ingreso. En general, del
análisis surge que la tasa de pobreza acompañó los ciclos económi-
cos del país. Esto implica que, por ejemplo, incrementos en el ingre-
so, reducciones en la desigualdad, en el desempleo o la informalidad
fueron acompañados de mejoras en términos de pobreza. Para com-
plementar el estudio de los vínculos de largo plazo entre pobreza y
mercado laboral, en la Figura 7 se muestra la relación entre las ta-
sas de crecimiento promedio anual de la pobreza y las variables del
mercado laboral, consideradas por aglomerados, en un período 10
años 7.
Figura 5. Evolución del ingreso real de la ocupación principal de los asalariados
Figura 6. Evolución del Coeficiente de Gini del ingreso per cápita familiar
7Específicamente, se relaciona la tasa de crecimiento promedio observada para las variables en el término de diez años. Así, se tienen las tasas entre los años
2003-2013, 2004-2014, 2005-2015, etc.
118
Navarrete J., Cristina D.
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
Figura 7. Relaciones de largo plazo entre pobreza y mercado laboral
4|METODOLOGÍA
El objetivo del presente trabajo es estudiar la relación de largo
plazo entre la tasa de incidencia de la pobreza y el mercado laboral
en Argentina. Específicamente, se busca estimar las elasticidades de
largo plazo entre la pobreza y diferentes variables explicativas rela-
cionadas al mercado laboral. Para ello, se empleará un modelo de
paneles heterogéneos autorregresivo de rezagos distribuidos lineal
(ARDL) controlado por efectos correlacionados comunes (Chudik, y
Pesaran 2015; Pesaran y Smith 1995; Pesaran, Shin y Smith 1999;
Shin, Yu y Greenwood-Nimmo ;2014).
Existen dos técnicas predominantes para estimar modelos de
datos de panel dinámicos heterogéneos: el estimador Mean Group
(MG) que consiste en estimar una ecuación para cada grupo por se-
parado y calcular el promedio de los coeficientes, obteniendo coefi-
cientes consistentes del promedio aun cuando las variables son inte-
gradas de orden 1 (I(1)); y el estimador Pooled Mean Group (PMG),
que surge de agrupar y promediar, es un camino intermedio entre
una estimación agrupada pura (coeficientes homogéneos) y una es-
timación MG (coeficientes heterogéneos), dado que permite que las
ordenadas al origen, los coeficientes de corto plazo y las varianzas
de los errores varíen entre grupos, pero que los coeficientes de largo
plazo sean iguales.
En términos generales, un modelo ARDL(py,qx)con efectos
correlacionados comunes puede ser presentado de la siguiente ma-
nera:
yi,t=
py
Õ
j=1
λi,jyi,t−j+
qx
Õ
j=0
βi,jxi,t−j+
p
Õ
j=0
γ′
[i,l]¯
Zt−j+µi+ϵi,t(1)
donde yi,tes la variable dependiente, xi t es la variable
explicativa, ¯
Zt=(¯y,¯x)′=(1
NÍN
i=1 yi,t,
1
NÍN
i=1 xi,t)′es el promedio
transversal de las variables dependientes e independientes,µies el
efecto fijo de cada grupo, λi j es el coeficiente asociado a los rezagos
de la variable dependiente y βiel asociado a la variable independien-
te, γ′
tson los coeficientes estimados del promedio de la dependen-
cia transversal, ϵi t los residuos, i= 1,2, . . . , Nyt= 1,2, . . . , T
Siguiendo a Ditzen (2018 y 2021), para estimar la relación de
largo plazo, o el efecto de las variables explicativas sobre la varia-
ble dependiente en estado estacionario a partir de la Ecuación 1, se
tiene
ˆ
θt=Ípx
j=0
ˆ
βj,i
1−Ípy
j=1
ˆ
λi
(2)
De la Ecuación 2 se tiene que ˆ
θtson los coeficientes de largo
plazo de ique pueden ser estimados por medio del estimador mean
group o pooled
Si además se quieren considerar los efectos asimétricos las
variables explicativas pueden descomponerse como una sumatoria
parcial de sus cambios positivos y negativos (Ecuación 3), tal como
lo hacen Shin et. al. (2014). Es decir:
xi t =xi o +x+
i t x−
i t (3)
donde x+
i t =Ít
j=1 max (δxi j ,0):x−
i t =Ít
j=1 mi n (δxi j ,0)
De esta forma, el modelo a estimar quedaría expresado como:
yi,t=
py
Õ
j=1
λi,jyi,t−j+
qx
Õ
j=0
(βi,jxi,t−j) +
p
Õ
j=0
γ′
i,j¯zt−j+µi+ϵi,t(4)
Para el caso bajo estudio, el modelo ARDL(p,q) a ser estimado
es el siguiente:
yi,t=
py
Õ
j=1
λi,jyi,t−j+
qx
Õ
j=0
(βi,jxi,t−j) +
p
Õ
j=0
γ′
i,j¯zt−j+µi+ϵi,t(5)
De la Ecuación 5 se tiene que P(i,t)corresponde a la tasa de
incidencia de la pobreza del aglomerado ien el periodo t(los datos
119
Explorando la relación a largo plazo entre mercado laboral y pobreza...........
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
son trimestrales). Asimismo, Xi,trepresenta a las variables que des-
criben la evolución del mercado laboral: ingreso promedio de la ac-
tividad principal a precios de 2003, Coeficiente de Gini del ingreso
per cápita familiar, la tasa de desempleo y la tasa de informalidad.
Todas las variables se expresan en logaritmos. Finalmente, ¯
Zthace
referencia al promedio de las variables dependiente e independien-
tes.
Por su parte, el modelo con asimetrías a estimar está presenta-
do en la Ecuación 6:
Pi,t=
py
Õ
j=1
λi,jPi,t−j+
qx
Õ
j=0
(β+
i,jx+
i,t−j+β¯
i,jx¯
i,t−j) +
p
Õ
j=0
λ′
i,j¯zt−j+µi+ϵi,t(6)
5|DISCUSIÓN DE RESULTADOS
Para verificar que el orden de integración de las variables in-
cluidas en los modelos sea menor a dos, se utilizó la prueba ADF de
Fisher (F-ADF) y la prueba de Im, Pesaran y Shin (2003) (IPS). Ambas
permiten testear la hipótesis nula de que todos los paneles tienen
raíz unitaria (es decir, son no estacionarios) cuando los paneles no
estén balanceados. También se utiliza la prueba de Pesaran (2007)
(CADF) elaborada para evaluar la estacionariedad en casos donde
se sospecha de la presencia de dependencia entre grupos (CD).
Los tests de cointegración de Pedroni (1999 y 2004), Kao
(1999) y Westerlund (2005) se emplean para comprobar la existen-
cia de una relación de equilibrio de largo plazo entre las variables, sin
importar si son I(0) o I(1). Todas las pruebas tienen como hipótesis
nula la no cointegración.
Además, se utilizan los métodos desarrollados por Pesaran
(2015) para evaluar si los residuos están correlacionados entre gru-
pos; es decir, si existe dependencia entre grupos o cross-sectional
dependence8. De existir, las estimaciones se llevarán a cabo incluyen-
do los promedios rezagados de cada grupo, como proponen Chudik
y Pesaran (2015).
Las pruebas de raíz unitaria realizadas rechazan la hipótesis nu-
la en todos los casos (Tabla 4), lo cual indica que las variables son
estacionarias en niveles (I(0)).
Tabla 4. Pruebas de raíz unitaria para datos de panel
LnPobreza Ingreso Gini TD Informal
IPS –5.6558*** -5.5263*** -8.1124*** -9.9244*** -7.8551***
F-ADF Chi-sq 106.51*** 117.55*** 164.41*** 197.76*** 156.19***
Pesaran CADF -7.561*** -11.893*** -14.051*** -10.251*** -11.146***
Notas: *** representa significancia estadística del 1Para mitigar la presencia de CD en las pruebas IPS y F-ADF, siguiendo a Levin, Lin y Chu (2002) en cada periodo se sustrae la
media de la serie de cada grupo.
Para contrastar la hipótesis de cointegración entre la tasa de
pobreza y variables que aproximan el desempeño del mercado la-
boral, se procedió a realizar diversos test para datos de panel en
especificaciones de modelos alternativas. Así, los modelos A, B, C y
D presentados en la Tabla 5 incluyen como única variable explicati-
va al nivel de ingreso, el Coeficiente de Gini, la tasa de informalidad
y la tasa de desempleo respectivamente. El modelo E incluye co-
mo variables explicativas el nivel de ingreso y el coeficiente de Gini,
mientras que el modelo F suma al anterior, la tasa de desempleo.
Finalmente, el modelo G incluye al Coeficiente de Gini, la tasa de
desempleo y la tasa de informalidad como variables explicativas.
Tabla 5. Pruebas de raíz unitaria para datos de panel
Estadístico A B C D E F G
Pedroni rho -22.635*** -22.881*** -17.108*** -19.477*** -25.419*** -21.966*** -16.499***
Pedroni PP -18.329*** -18.304*** -14.148*** -15.647*** -23.789*** -23.909*** -18.388***
Pedroni ADF -19.501*** -18.889*** -15.427*** -16.340*** -24.306*** -23.798*** -18.071***
Kao ADF -4.273*** -4.054*** -0.867 -3.739*** -6.189*** -8.375*** -3.648***
Westerlund -3.670** -3.019*** -2.595*** -2.868*** -2.719*** -1.775** -0.635
Notas: ** y *** representa significancia estadística del 5 % y 1% respectivamente. Para mitigar la presencia de CD en todas las pruebas, siguiendo a Levin et. al. (2002) en cada
periodo se sustrae la media de la serie de cada grupo. En las pruebas de Pedroni, se consideraron los estadísticos “de grupo”, que permiten que el coeficiente autorregresivo
difiera entre grupos.
8De darse la presencia de cierta dependencia entre las unidades de observación a través de un factor común que afecte a las mismas (cross-sectional depen-
dence o CD), ignorarla al momento de la estimación llevaría a estimadores sesgados e inconsistentes (Chudik, y Pesaran 2015; Ditzen, Jan 2018 y 2021).
120
Navarrete J., Cristina D.
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
Las pruebas de Pedroni (1999 y 2004), Kao (1999) confirma-
rían la existencia de una relación de equilibrio de largo plazo para
todos los modelos propuestos con un nivel de significatividad del
1 %, excepto por la prueba de Kao en el modelo C, que tiene co-
mo única variable explicativa la Informalidad. El test de Westerlund
también rechaza la hipótesis nula de no cointegración al 1 % a excep-
ción del modelo G. Por lo tanto, los diferentes test de cointegración
estarían acreditando una relación de cointegración entre la tasa de
pobreza y las diferentes variables del mercado laboral.
Seguidamente, para contrastar la hipótesis de homogeneidad
de pendientes en paneles largos, se procedió a realizar el test pro-
puesto por Pesaran y Yamagata (2008). La hipótesis nula establece
que todas las pendientes de las unidades de observación (aglome-
rados en nuestro caso) son iguales. Si se rechaza la hipótesis nula,
entonces utilizar un modelo con pendientes iguales conlleva a un
resultado inconsistente y sesgado en las estimaciones. En la Ta-
bla 6 se exponen los resultados de las estimaciones, donde en todos
los modelos propuestos se rechaza la hipótesis nula de homogenei-
dad de pendientes, lo que sugiere que se trata de un panel largo con
coeficientes heterogéneos.
Una vez confirmada la estacionariedad de las variables, la coin-
tegración entre las mismas y la heterogeneidad de pendientes, se
procedió a estimar la Ecuación 5.
Tabla 6. Test de Homogeneidad de Pendientes
A B C D E F G
Delata 8.532*** 3.327*** 4.684*** 7.447*** 5.341*** 6.579*** 7.597***
Delta adj. 8.788*** 3.427*** 4.824*** 7.671*** 5.546*** 6.892*** 7.957***
Notas: ** y *** representa significancia estadística del 5 % y 1% respectivamente. En cada estimación se controla por CD.
El número óptimo de rezagos, tanto para la variable dependien-
te como las variables independientes, se obtiene estimando diferen-
tes especificaciones de p y q para cada unidad de observación y
seleccionado el que minimice el criterio de información. El modelo
general se elige observando los valores de pyqóptimos en cada uni-
da de observación que más se repiten. Procediendo de esta manera,
se llega a que la mejor especificación del modelo ARDL es p= 1 y
q= 0. De lo expuesto en párrafos anteriores, el modelo a estimar
es el siguiente:
Pi,t=λi,tPi,t−1+β1I ng r e soi,t+β2Gi nii,t+β3T Di,t+β4I nf or m ali,t+
p
Õ
j=0
γ[i,j]′¯zt−j+µi+ϵi,t(7)
La Ecuación 7 muestra que, el nivel de pobreza actual depende
de sus valores observados en el período inmediatamente anterior y
de los valores actuales de: el nivel de ingreso, el Coeficiente de Gini,
la tasa de desempleo y la tasa de informalidad. También depende
del promedio de las variables dependientes y explicativas.
La Tabla 7 muestra los resultados de las elasticidades de largo
plazo obtenidas a través del modelo sin asimetrías y con el estima-
dor mean-group. En todas las estimaciones se encuentra que existe
dependencia entre las unidades observacionales, por lo que se debe
incluir la variable Zen cada estimación.
Tabla 7. Elasticidades de largo plazo - Modelos sin asimetrías
A B C D E F G
Velocidad de
ajuste
-0.583*** -0.563*** -0.545*** -0.513*** -0.663*** -0.733*** -0.680***
Ingreso -1.033*** -0.967*** -0.857***
Gini 0.889*** 0.819*** 0.611*** 0.478***
Informal 0.287*** 0.182***
TD 0.171*** 0.102*** 0.099***
N 1757 1757 1757 1749 1757 1749 1749
N_g 29 29 29 29 29 29 29
T 61 61 61 60 61 60 60
F 3.13 1.86 2.02 3.21 1.78 0.82 0.62
r2 0.83 0.82 0.81 0.80 0.84 0.85 0.85
CD test -4.25*** -4.70*** -3.59*** -3.39*** -4.52*** -3.2*** -3.35***
Notas: *, **, *** corresponden a una significatividad del 10, 5 y 1 % respectivamente. CD test corresponde al valor del estadístico utilizado para el test de cross-sectional
dependence. Wald test es p-valor de rechazar la hipótesis nula de igualdad de coeficientes de largo plazo. Todas las variables están en logaritmos.
121
Explorando la relación a largo plazo entre mercado laboral y pobreza...........
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
En primer lugar, se estima la Ecuación 7 incluyendo como única
variable dependiente al ingreso promedio de la actividad principal
de los asalariados. Los resultados se presentan en la columna A y
muestran que la elasticidad ingreso de largo plazo estimada es signi-
ficativa, negativa y asume un valor de -1.033. Este resultado implica
que una mejora en el mercado laboral, medida por un incremento
del ingreso de la actividad principal en una jurisdicción, reduce la
tasa de pobreza en el largo plazo. Asimismo, se tiene que el coefi-
ciente velocidad de ajuste es de -0.583, lo que implica que el 58.3 %
del desequilibrio se ajusta en el primer periodo.
La columna B de la Tabla 7 muestra que la elasticidad de largo
plazo de la desigualdad sobre la tasa de pobreza es positiva, tal co-
mo prevé la teoría, significativa y menor que la unidad (0.889). Un
aumento en la desigualdad (aumento en el Coeficiente de Gini), in-
crementa la pobreza en el largo plazo. La velocidad de ajuste de los
desequilibrios de corto plazo indica que el 56.3 % del desequilibrio
se ajusta en un período. Las elasticidades de largo plazo referidas a
la tasa de informalidad y la correspondiente a la tasa de desempleo
tienen los signos esperados y son significativas. Esto implica que
aumentos en la tasa de desempleo o en la informalidad (es decir,
un deterioro del mercado laboral), incrementan la tasa de pobreza a
largo plazo.
En la columna E, se incluyen como variables independientes al
nivel de ingreso y la desigualdad. Nuevamente las elasticidades de
largo plazo resultan significativas y con los signos esperados. Estos
coeficientes están en línea con resultados de trabajos a nivel mun-
dial, donde se observa que incrementos en desigualdad se encuen-
tran asociados a incrementos en la pobreza mientras que el ingreso
tiene una relación negativa con la pobreza (Gasparini, et al. 2019;
Bourguignon, 2004; Zack, 2019). Respecto a la velocidad de ajus-
te, se tiene que la misma se incrementa y señala que el 66.3% del
desequilibrio de corto plazo se cierra en un período.
En la columna F se incorpora la tasa de desempleo como va-
riable explicativa, además del ingreso y la desigualdad. Todas las
elasticidades tienen el signo esperado y son estadísticamente sig-
nificativas. En esta oportunidad, la elasticidad desempleo asume un
valor de 0.102, señalando la existencia de una relación directa y sig-
nificativa de este indicador con la tasa de pobreza en el largo plazo.
Finalmente, en la columna G se agrega la tasa de informalidad
como variable explicativa, sin incluir el ingreso debido a alta correla-
ción que existe entre las mismas (superior al 0.8 en valor absoluto).
Nuevamente se ratifica la influencia de la informalidad sobre la ta-
sa de pobreza en el largo plazo, alcanzado su elasticidad a un valor
de 0.182. Las elasticidades para la desigualdad y tasa de desempleo
mantienen su signo.
En resumen, a partir de los resultados expuestos en la Tabla 7
se puede confirmar la influencia del mercado laboral sobre los nive-
les de pobreza en el largo plazo. Así, mejoras en el mercado laboral
como por ejemplo aumentos en el ingreso de la actividad principal o
reducciones en la desigualdad, el desempleo o la informalidad tien-
den a reducir la tasa de pobreza a largo plazo. Estos resultados tie-
nen implicancias de política muy claras: la reducción de la tasa de
pobreza en Argentina requiere contar con un mercado laboral diná-
mico, que genere empleo calificado de altos ingresos y baja informa-
lidad.
En este punto, se analiza la posibilidad de existencia de asi-
metrías en las relaciones entre la pobreza y el mercado laboral. Se
consideran impactos asimétricos del ingreso, el Coeficiente de Gi-
ni, la tasa de desempleo y la tasa de informalidad laboral. Esto es,
se analiza si el impacto sobre la pobreza difiere si se considera de
manera separada cuando el ingreso aumenta (Ingreso+) o si ingreso
disminuye (Ingreso−); si hay una diferencia en el impacto cuando el
coeficiente de Gini aumenta (Gini+) o disminuye (Gini−).
Tabla 8. Elasticidades de largo plazo - Modelos con asimetrías
A B C D E F G
Velocidad de ajuste -0.719*** -0.684*** -0.694*** -0.646*** -0.762*** -0.735*** -0.805***
Ingreso+ -0.801*** -0.803*** -0.759***
Ingreso- -0.823*** -0.691*** -0.710***
Gini+ 0.515*** 0.499***
Gini- 0.665*** 0.791***
TD+ 0.147***
TD- 0.180***
Informal+ 0.197**
Informal- 0.293***
Ingreso -0.871***
Gini 0.653*** 0.555***
TD 0.113***
N 1757 1757 1757 1757 1757 1757 1749
N_g 29 29 29 29 29 29 29
T 61 61 61 61 61 61 60
F 1.22 0.98 0.91 0.83 0.92 1.06 0.56
r2 0.83 0.83 0.83 0.82 0.85 0.86 0.85
CD test -4.42*** -4.52*** -4.21*** -3.78*** -4.15*** -4.22 -3.54***
Wald test 0.02 0.75 0.78 0.68 0.33 4.09** 0.10
Notas: *, **, *** corresponden a una significatividad del 10, 5 y 1 % respectivamente. CD test corresponde al valor del estadístico utilizado para el test de cross-sectional
dependence. Wald test es p-valor de rechazar la hipótesis nula de igualdad de coeficientes de largo plazo. Todas las variables están en logaritmos.
122
Explorando la relación a largo plazo entre mercado laboral y pobreza...........
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
En la Tabla 8 se presentan los resultados de las elasticidades
de largo plazo obtenidas para un modelo con asimetrías obtenidos
por el estimador mean-group. Los resultados muestran que, según
la especificación del modelo, los desvíos de corto plazo se ajustan
entre 64,6 % y 80,5% en el primer año, siendo todos ellos estadísti-
camente significativos y con el signo esperado. Respecto al ingreso,
se confirma la relación negativa de largo plazo entre pobreza e ingre-
so. Los coeficientes estimados son significativos estadísticamente y
asumen valores diferentes según sea un aumento del ingreso o una
disminución del mismo (columna A). Para períodos de incrementos
en el ingreso laboral, la elasticidad de largo plazo es de -0.801, mien-
tras que una disminución del ingreso tiene una elasticidad de largo
plazo algo menor e igual a -0.823. A pesar de que estos valores di-
fieran, el test de Wald no rechaza la hipótesis nula de que dichas
elasticidades sean iguales. Por su parte, las elasticidades de largo
plazo de la desigualdad asumen un valor positivo, menor a la uni-
dad y son estadísticamente significativos (columna B), lo que señala
la relación directa entre ambas variables. El test de Wald tampoco
rechaza la hipótesis nula que ambos valores sean iguales.
Cuando se consideran los impactos asimétricos de la tasa de
informalidad y la tasa de desempleo (columnas C y D), los resulta-
dos están en línea con los encontrados con el modelo sin asimetrías.
Ambas variables presentan una relación directa y significativa con
la tasa de pobreza. Nuevamente, el test de Wald no encuentra dife-
rencias significativas entre los coeficientes de asimetrías estimados.
La columna E de la Tabla 8 muestra los resultados de un mode-
lo donde la tasa de pobreza depende en forma asimétrica del nivel
de ingreso, controlando por el efecto de la desigualdad. Los signos
de las elasticidades son los esperados (negativos y levemente infe-
riores a la unidad). El test de Wald no rechaza la hipótesis nula de
igualdad de elasticidades, lo que implica no existen efectos diferen-
ciales del ingreso sobre la tasa de pobreza.
Respecto a la desigualdad y controlando el efecto del ingre-
so laboral tampoco se encuentran efectos asimétricos sobre la tasa
de pobreza a largo plazo (columna F), aunque se confirma el signo
positivo de la elasticidad. Finalmente, el modelo G estudia los efec-
tos asimétricos del ingreso sobre la pobreza, pero controlando por
desigualdad y tasa de desempleo. Los resultados confirman la no
existencia de efectos asimétricos del ingreso laboral sobre la tasa
de pobreza.
En función de lo anteriormente expuesto, los resultados indi-
can que el diseño de políticas públicas orientadas a la reducción de
la pobreza en el largo plazo en Argentina debería orientar las accio-
nes hacia una mayor creación de empleo genuino. Estaríamos ha-
blando, entonces, de la necesidad de fortalecer políticas orientadas
a la desregulación y flexibilización del mercado laboral argentino (sin
que ello implique precarización laboral) como instrumento para la
reducción de la pobreza. Esta flexibilización seguramente implicaría
que, los mercados laborales subnacionales respondieran más bien a
factores inherentes a los propios mercados laborales provinciales y
menos a la influencia del peso de las negociaciones salariales cen-
tralizadas a nivel de todo el país. (Cfr. Blanco et al., 2023).
Lejos se encontraría la receta que el Estado debería generar
trabajo para impulsar la economía, aunque fuera para enterrar y des-
enterrar botellas (o pozos, como dijera Keynes).
6|CONCLUSIONES
En el presente trabajo se estudia la relación de largo plazo entre
la tasa de incidencia de la pobreza y el mercado laboral en Argentina.
Específicamente, se busca estimar las elasticidades de largo plazo
entre la pobreza y distintas variables explicativas relacionadas con
el mercado laboral.
Para un panel de 29 aglomerados urbanos argentinos, en el
período 2003-2023, se utiliza un modelo autorregresivo de reza-
gos distribuidos lineal aumentado CS-ARDL(1,0„,0). Los resultados
muestran que el mercado laboral ejerce una influencia estadística-
mente significativa sobre la pobreza. Esto es, se observa que el in-
greso laboral detenta una relación negativa y significativa con la po-
breza en el largo plazo, mientras que la tasa de desempleo, la tasa
de informalidad laboral y el Coeficiente de Gini presentan una rela-
ción positiva con la pobreza. Los resultados indican que el diseño
de políticas públicas orientadas a la reducción de la pobreza en el
largo plazo en Argentina debería enfocarse, por un lado, en una ma-
yor creación de empleo genuino, es decir, implementar políticas que
impulsen la generación de empleo de calidad, en el sentido de que
este sea tanto formal como bien remunerado. Por ende, el diseño de
programas de capacitación laboral podría ser efectivo para combatir
la pobreza.
Por otro lado, para ayudar a dinamizar el mercado laboral y
generar de esta manera más oportunidades de empleo, se podrían
diseñar políticas orientadas a la desregulación y flexibilización del
mercado laboral argentino (sin que ello implique precarización labo-
ral) como instrumento para la reducción de la pobreza. Esta flexi-
bilización seguramente implicaría que los mercados laborales sub-
nacionales (regionales o provinciales) respondieran más a factores
inherentes a sus propios mercados laborales provinciales (y menos
a la influencia del peso de las negociaciones salariales centralizadas
a nivel nacional). Esto es, las políticas de empleo (y, por ende, de
reducción de la pobreza) podrían beneficiarse de enfoques más des-
centralizados y adaptados a las realidades regionales.
Finalmente, cualquier diseño de política de empleo debe estar
acompañado por políticas que contribuyan al crecimiento sosteni-
do de la economía. La estabilidad macroeconómica colabora con el
aumento del ingreso laboral o la reducción del desempleo y la des-
igualdad, factores que afectan la tasa de pobreza a largo plazo.
Entre las principales líneas de investigación futura, se destaca
la necesidad de indagar el impacto en la reducción de la pobreza a
largo plazo de políticas específicas de inclusión laboral, como pro-
gramas de capacitación, incentivos para la contratación de grupos
vulnerables o medidas de apoyo a emprendedores. Además, sería
de utilidad un análisis de la influencia sobre la pobreza de políticas
focalizadas por género o sobre la formalización laboral.
Referencias bibliográficas
[1] Agénor, P. R. (2004). Macroeconomic adjustment and the poor:
analytical issues and cross country Evidence. Journal of Econo-
mic Surveys, 18 (3), 351-408.
[2] Beccaria, L., Groisman, F. y Monsalvo, P. (2006). Segmentación
del Mercado de Trabajo y Pobreza en Argentina. Asociación Ar-
gentina de Economía Política. Disponible en https://aaep.org.ar/
anales/works06/Beccaria_Groisman_Monsalvo.pdf.
[3] Beccaria, L., y Groisman, F. (2009). Informalidad y pobreza: una
relación compleja. Argentina desigual, 95-155
[4] DATATUR. (2020). Beccaria, L., Maurizio, R., Fernández, A. L. y
Monsalvo, A. L. (2011). Dynamics of Poverty, labor Market and
Public Policies in Latin America. Poverty and Economic Policy Re-
search Network. PMMA Working Paper 2011-0.
[5] Beker, Victor A. (2016). Growth, Inequality and Poverty: What
123
Explorando la relación a largo plazo entre mercado laboral y pobreza...........
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
Do We Know? Disponible en: https://ssrn.com/abstract=
2727231
[6] Blanco, V. J., Cristina, A. D., Figueras, A. J., Iturralde, I. M.
(2023). Convergencia y flexibilidad de los salarios en Argentina.
Economic Analysis Review, 38(2), 39-72.
[7] Bod’a, M., & Považanová, M. (2021). Output-unemployment
asymmetry in Okun coefficients for OECD countries. Economic
Analysis and Policy, 69, 307-323.
[8] Bourguignon, F. (2004). The Poverty-Growth-Inequality Trian-
gle. The World Bank. Indian Council for Research on International
Economic.
[9] Chudik, A., and M. H. Pesaran. (2015). Large panel data mo-
dels with cross-sectional dependence: A survey. In The Oxford
Handbook Of Panel Data, ed. B. H. Baltagi, 2–45. Oxford: Ox-
ford University Press.
[10] Cruces, G., Fields, G., Jaume, D. y Viollaz, M. (2017). Growth,
Employment, and Poverty in Latin America, Oxford University
Press.
[11] Ditzen, J. (2018). xtdcce2: Estimating dynamic common corre-
lated effects in Stata. The Stata Journal, 18:3, 585 - 617.
[12] Ditzen, J. (2021). Estimating long run effects and the exponent
of cross-sectional dependence: an update to xtdcce2. The Sta-
ta Journal 21:3.
[13] Fosu, A. K. (2017). Growth, Inequality and Poverty Reduction
in Developing Countries: Recent Global Evidence. Research in
Economics. 71(2) 306-336
[14] Gasparini, L., Gutiérrez, F., & Tornarolli, L. (2007). Growth and
income poverty in Latin America and the Caribbean: evidence
from household surveys. Review of Income and Wealth, 53(2),
209-245
[15] Gasparini, L., Tornarolli, L., & Gluzmann, P. (2019). El desafío
de la pobreza en Argentina. Diagnóstico y perspectivas. CIPEC,
PNUD y CEDLAS.
[16] Gertel,H., Cristina, D & Navarrete, J. (2011). Diagnóstico y Es-
trategias de Mediano y Largo Plazo en Trabajo y Empleo. En
Kesman (editor), COPEC.
[17] Halac, M., & Schmuckler, S. (2004). Distributional Effects of Cri-
ses: the financial channel. Economía, Journal of LACEA, 5(1), 1-
67.
[18] Levin, A., C.-F. Lin, and C.-S. J. Chu. (2002). Unit root
tests in panel data: Asymptotic and finite-sample proper-
ties.Journal of Econometrics 108: 1–24. https://doi.org/10.1016/
S0304-4076(01)00098-7.
[19] López, H. y Servén, L. (2006). A Normal Relationship? Poverty,
Growth and Inequality. Policy Research. Working Paper Series.
Banco Mundial
[20] Im, K. S., Pesaran M. H. and Shin, Y. (2003). Testing for unit
roots in heterogeneous panels. Journal of Econometrics 115:
53–74. https://doi.org/10.1016/S0304-4076(03)00092-7.
[21] Marrero, G. y Servén L. (2022). Growth, inequality and po-
verty: a robust relationship? Empirical Economics 63:725–791.
https://doi.org/10.1007/s00181-021-02152-x.
[22] Mario, A., y García, A. (2013). Informalidad laboral, pobreza y
regiones. Un análisis desde la coyuntura Argentina. Revista de
estudios regionales y mercado de trabajo, (9), 107-125. Disponi-
ble en: http://www.memoria.fahce.unlp.edu.ar/art_revistas/pr.
6298/pr.6298.pdf.
[23] Moreno, D. C. G., Gómez, M. Á. M., Muñoz, V. E. S., & Pereira,
J. G. S. (2021). Crecimiento y desempleo en Ecuador: Enfoque
asimétrico de la Ley de Okun. ECA Sinergia, 12(1), 27-42.
[24] Navarrete, J. L.; Cristina, Daniela; Blanco, Valeria; y Reyes, Lu-
jan (2021) Mercado laboral y pobreza en Argentina. Revista de
Economía y Estadística. Vol LIX, N°1, pp 85-123.https://revistas.
unc.edu.ar/index.php/REyE.
[25] Pedroni, P. (1999). Critical values for cointegration tests in he-
terogeneous panels with multiple regressors. Oxford Bulletin of
Economics and Statistics 61: 653–670.
[26] Pedroni, P. (2004). Panel cointegration: Asymptotic and finite
sample properties of pooled time series tests with an applica-
tion to the PPP hypothesis. Econometric Theory 20: 597–625.
https://doi.org/10.1017/S0266466604203073.
[27] Pesaran M.H. y Smith R. (1995) Estimating long-run rela-
tionships from dynamic heterogeneous panels. Journal of Eco-
nometrics, 68(1),79–113.
[28] Pesaran M.H., Shin Y. y Smith R.P. (1999) Pooled mean group
estimation of dynamic heterogeneous panels.Journal of the
American Statistical Association, 94(446), 621–634.
[29] Pesaran, M. H. (2007). A simple panel unit root test in the pre-
sence of cross-section dependence.Journal of Applied Econome-
trics, 22(2), 265-312.
[30] Pesaran, M. H. y Yamagata T. (2008). Testing slope homoge-
neity in large panels.Journal of Econometrics, 142 (1), 50-93.
[31] Pesaran, M. H. (2015). Testing weak cross-sectional dependen-
ce in large panels. Econometric Reviews, 34, 1089–1117.
124
Revista Económica
DOI: 10.54753/rve.v12i2.2235
Vol.12-N°2, Julio - Diciembre 2024
p-ISSN:2602-8204 |e-ISSN 2737-6257
[32] Porras, S., y Martín-Román, Á. L. (2020). Relación entre las ca-
racterísticas de los mercados de trabajo latinoamericanos y la
ley de Okun. Serie Documentos de Trabajo 10(20).
[33] Reyes, Luján (2022). Análisis de los determinantes de la pobre-
za monetaria en Argentina en el periodo 2003-2019. Perspec-
tivas Revista de Ciencias Sociales. 7(14), 705-728
[34] Sconfienza, M. E. (2017). Pobreza y Acceso al Empleo en Ar-
gentina ¿Cómo se Relacionan Demanda e Inclusión Laboral?.
Revista de Ciencias Sociales (CR), 4(158). Disponible en https:
//www.redalyc.org/pdf/153/15354921007.pdf.
[35] Shin, Y., Yu, B., Greenwood-Nimmo, M. (2014). Modelling
Asymmetric Cointegration and Dynamic Multipliers in a Nonli-
near ARDL Framework. In: Sickles, R., Horrace, W. (eds) Fes-
tschrift in Honor of Peter Schmidt. Springer, New York, NY.
https://doi.org/10.1007/978-1-4899-8008-3_9
[36] Westerlund, J. (2005). New simple tests for panel cointe-
gration. Econometric Reviews, 24, 297–316. https://doi.org/10.
1080/07474930500243019.
[37] Zack, G., y Sotelsek, D. (2019). The Asymmetric Effect of
the Bussiness Cycle on Poverty in Argentina. Panoeconomicus,
66(3), 347-364.
[38] Zack, G., Schteingart, D. y Favata, F. (2020). Pobreza e indigen-
cia en Argentina: construcción de una serie completa y meto-
dológicamente homogénea. Sociedad y Economía, (40), 69-98.
https://doi.org/10.25100/sye.v0i40.8020.
[39] Zanin, L. (2021). On the estimation of Okun’s coefficient in so-
me countries in Latin America: a comparison between OLS and
GME estimators. Empirical Economics, 60(3), 1575-1592.
Publicado por Revista Económica, este es
un artículo de acceso abierto distribuido bajo los térmi-
nos de la Licencia Internacional Commons Atribución 4.0
Internacional. Para ver una copia de esta licencia, visite
https://creativecommons.org/licenses/by-nc-nd/4.0/
©Autor(es) 2024
125
