Tres ensayos sobre desigualdad económicaThree essays on economic inequality

  1. SALAS ROJO, PEDRO
Zuzendaria:
  1. Juan Gabriel Rodríguez Hernández Zuzendaria

Defentsa unibertsitatea: Universidad Complutense de Madrid

Fecha de defensa: 2022(e)ko uztaila-(a)k 06

Epaimahaia:
  1. Rafael Salas del Mármol Presidentea
  2. Jorge Onrubia Fernández Idazkaria
  3. Francisco de Hollanda Guimaraes Ferreira Kidea
  4. Olga Cantó Sánchez Kidea
  5. Flaviana Palmisano Kidea

Mota: Tesia

Laburpena

Esta tesis doctoral está dividida en tres capítulos. Aunque todos ellos atienden a aspectos relacionados con la medición de la desigualdad económica, cada uno versa sobre un tema distinto y se enfoca en un punto de vista específico. El primer capítulo explora la relación entre las herencias recibidas y la distribución de riqueza (total, financiera y no financiera) en cuatro países desarrollados: los Estados Unidos, Canadá, Italia y España. Siguiendo la literatura de Desigualdad de Oportunidades (DO), y considerando las herencias como la única circunstancia, mostramos que las aproximaciones tradicionales a la DO pueden llevar a medidas no robustas y arbitrarias. Superando esta limitación, aplicamos métodos de Aprendizaje Automatizado (algoritmo ¿random forest¿), y encontramos que la DO explica hasta el 60% de desigualdad de riqueza en los Estados Unidos y España (usando el índice de Gini), y más del 40% en Italia y Canadá. La inclusión de la educación de los padres como circunstancia adicional - disponible para los Estados Unidos e Italia - señala que las herencias recibidas suponen el principal factor contribuyente a la desigualdad en la riqueza. Finalmente, usando el índice S-Gini con diferentes parámetros, ponderamos las distintas partes de la distribución y encontramos que el efecto de las herencias es especialmente prominente en la mitad de la misma, mientras que la educación de los padres es importante para los más desfavorecidos. La literatura ha encontrado que la distribución de factores socioeconómicos tales como la educación, el estatus laboral o los ingresos no explica las grandes diferencias de desigualdad en riqueza entre países. Como resultado, estas diferencias se han atribuido a las instituciones y otros factores latentes. En el segundo capítulo nos enfocarnos en un tipo de desigualdad de riqueza específico: la desigualdad de oportunidades (DO) para la acumulación de riqueza, es decir, la parte de la desigualdad en la riqueza total que puede ser atribuida a circunstancias como las herencias o la educación de los padres. Gracias a la descomposición de un contrafactual encontramos que la imposición de la distribución de los factores socioeconómicos de los Estados Unidos en España tiene un efecto pequeño sobre la desigualdad de riqueza total, financiera y no financiera. Sin embargo, encontramos que estos factores juegan un papel importante cuando consideramos la DO en la riqueza. Una descomposición de Shapley muestra que la distribución de la educación y el estatus laboral en los Estados Unidos aumenta consistentemente la DO de riqueza en España, mientras que para la distribución de ingresos encontramos el efecto opuesto. La medición de la desigualdad se ve afectada por la información incompleta en los ingresos, especialmente si está concentrada en las colas de la distribución objetivo. En el tercer capítulo llevamos a cabo un experimento para comprobar cómo las diferentes técnicas de corrección propuestas por la literatura de estadística, econometría y aprendizaje automatizado, afrontan este sesgo en la medición. Empleamos una encuesta completa, que es corrompida de forma artificial aplicando varias funciones no-lineares que simulan diferentes patrones de información incompleta. La estimación de la desigualdad (con el índice de Gini) en estos datos corruptos nos permite mostrar cuán sesgados están los estadísticos de desigualdad cuando las no-respuestas son ignoradas. El análisis comparativo de técnicas de corrección nos indica que la mayoría de los métodos son capaces de corregir estos sesgos parcialmente, aunque con distinto éxito. Encontramos que la modificación de los pesos muestrales lleva a estimaciones de la desigualdad más cercanas a las correctas que otras técnicas. Otros métodos, como la modelización de una distribución de Pareto, la imputación de medias pareadas o la regresión regularizada también obtienen buenos resultados en algunos patrones.