Tasa de desempleo de largo plazo en el Ecuador entre 2007 y 2010

Abstract

En la presente investigación trabajamos con cadenas de Markov y series de tiempo para poder predecir el desempleo de largo plazo. El período de estudio es desde junio del 2007 a diciembre del 2010. Para trabajar con cadenas de Markov definimos a la tasa de desempleo de largo plazo como el porcentaje de desempleo dividido para uno menos el porcentaje de inactivos.

Tasa de desempleo de largo plazo=(% de desocupados de largo plazo)/(1-% de inactivos de largo plazo) La tasa de desempleo de largo plazo será la tasa de desocupación (estacionaria) en el largo plazo como resultado de la dinámica del mercado laboral entre t-1 y t, extrapolando la dinámica laboral hacia el lago plazo. Debemos recalcar que este concepto obtiene una tasa de desocupación de "equilibrio", a la cual naturalmente tendería el mercado laboral, siempre y cuando la dinámica del mismo se mantenga en el tiempo, con las mismas tasas de absorción observadas en el último periodo. Sin embargo esta concepción es puramente teórica y no necesariamente tendrá su correlato en la economía, ya que el marco teórico sobre el cual se fundamenta este concepto es de memoria corta mientras que el mercado laboral es dinámico. En el caso de series de tiempo definimos al desempleo de largo plazo como un individuo que busca trabajo por más de 12 semanas. Para lo cual trabajamos con la pregunta No. 33 "Semanas que busca trabajo" de la encuesta ENEMDU para filtrar a los que buscan trabajo por más de 12 semanas como definición de desempleo de largo plazo. Tomamos los datos desde septiembre del 2003 hasta septiembre del 2010. Al tener definido el desempleo de largo plazo para las dos metodologías de trabajo, procedemos al caso práctico. En el uso de la metodología de cadenas de Markov, se realizan los siguientes pasos para llegar al cálculo del desempleo de largo plazo: 1. Formación de matrices de transición 2. Procedemos al cálculo de los vectores de punto fijo para todos los períodos a través de valores y vectores propios de las matrices de transición obtenidas y esto sería la distribución de probabilidades de largo plazo. 3. Al tener el vector de punto fijo se obtiene la distribución de largo plazo de los diferentes estados de actividad, independientemente de la distribución inicial. Se encuentra de esta manera la proporción de la población que tendencialmente se encontrará inactiva, desocupada u ocupada siempre y cuando se mantengan constantes las probabilidades de transición. 4. Finalmente se calcula la tasa de desempleo de largo plazo que será la tasa de desocupación (estacionaria) en el largo plazo como resultado de la dinámica del mercado laboral entre t-1 y t, extrapolando la dinámica laboral hacia el lago plazo. Para el caso de series de tiempo, queremos la estimación del modelo ARIMA para lo cual realizamos el análisis de la estacionariedad de la serie, lo que implica el análisis de la estacionaridad en media, tanto de la detección de presencia de tendencias deterministas y la corrección por medio de aplicación de filtros de tendencia. Seguimos con el análisis de la estacionariedad en varianza, análisis de la estacionalidad de la serie estacionaria y eventual filtrado de la estacionalidad, seguido de la identificación de la estructura ARIMA para la serie estacionaria y finalmente se estiman los parámetros del modelo