Predicción de transiciones laborales de la actividad a la inactividad en el mercado laboral argentino: un enfoque de aprendizaje automático

Abstract

El presente trabajo se propone comparar la capacidad predictiva que los modelos tradicionales y de machine learning tienen para pronosticar la probabilidad de salida del mercado de trabajo en Argentina, a fin de encontrar el estimador de mayor consistencia y poder predictivo. A su vez, se indaga acerca de la influencia que las características (individuales, familiares y laborales) de las personas activas tienen sobre dicha probabilidad, poniendo especial énfasis en entender el rol del género como determinante de las transiciones laborales. Para esto se utilizan datos de la Encuesta Permanente de Hogares para el período 2004-2018. Los resultados encontrados indican una diferencia estadísticamente significativa del modelo XGBoost a la hora de predecir salidas del mercado laboral respecto a los demás modelos, aunque también se destaca la competitividad de la regresión logit. En cuanto al género, se encuentra que su inclusión como variable es igual o más importante que aumentar la sofisticación del modelo. Ser mujer activa aumenta de manera importante las probabilidades de salir de la fuerza laboral en el siguiente período, en comparación a su contraparte masculina.