Labor Income Determinants in Colombia: An Approach based on Generalized Additive Models for Location, Scale and Shape (GAMLSS)

Determinantes del ingreso laboral en Colombia: una aproximación a partir de un modelo aditivo de localización, escala y forma (GAMLSS)

Human capital theory posits a central hypothesis: there is a direct relationship between individuals' levels of education and their productivity, which in turn leads to higher earnings. To evaluate this hypothesis, the economic literature commonly estimates the Mincer equation using the classical linear regression model. In this paper, both the traditional approach and a GAMLSS model with the Dagum distribution are estimated for wage earners in private firms and the public sector in Colombia in 2024. The hypothesis that an individual's rate of return increases with years of education, and that it rises with years of experience up to a certain point in the life cycle before declining, is confirmed by both the linear regression and the GAMLSS model. Model selection is based on the Generalized Akaike Information Criterion (GAIC), and the results show that the GAMLSS provides a better fit than the linear regression model.

La teoría del capital humano plantea una hipótesis: existe una relación directa entre los niveles de educación de los individuos y sus niveles de productividad y, por tanto, devengarán ingresos más altos. Para evaluarla, la literatura económica estima la ecuación de Mincer a partir del planteamiento de un modelo de regresión lineal clásico. En el presente documento, se estima el enfoque tradicional y un modelo GAMLSS para la distribución Dagum para los trabajadores de empresas y del gobierno en Colombia en 2024. La hipótesis de que la tasa de ganancia de un individuo se incrementa con los años de educación y que la tasa de ganancia incrementa con los años de experiencia hasta cierto punto en el ciclo de la vida y, posteriormente, desciende, se confirman luego de estimar el modelo de regresión lineal y el GAMLSS. Para seleccionar el modelo, se calcula el Criterio de Información de Akaike Genralizado (AIC) y se concluye que el GAMLSS tiene una mejor bondad de ajuste frente al modelo de regresión lineal.