Determinantes de la participación económica de la mujer en México: un enfoque de calificación laboral
Bibliographic record
Abstract
El presente documento tiene como objetivo indagar en los factores que inciden en la participación laboral reciente de la mujer en México y medir qué grupo de habilidad contribuye en mayor medida a la desigualdad. Como primera estrategia metodológica se analizan variables premercado y, a través de un modelo econométrico de elección discreta, se estima la probabilidad de participación femenina en el mercado laboral. En la segunda parte del análisis se realiza una descomposición del índice de Gini con un enfoque de juegos cooperativos, en el que se clasifica al grupo de mujeres trabajadoras por tipo de calificación (alta, media y baja). Para tal efecto, se utiliza información de la Encuesta Nacional de Ocupación y Empleo (ENOE) de los años 2019 y 2021. Los resultados muestran que la jefatura del hogar y la escolaridad son dos de los factores más importantes que determinan la participación laboral femenina y que el grupo que aporta en mayor medida a la desigualdad es el de calificación media. La principal limitación del documento es que el análisis se realiza únicamente para dos años. Por su parte la originalidad de la investigación se atribuye al análisis de variables premercado. Se concluye que es indispensable que la política pública se oriente hacia una mayor incorporación de la población femenina a la fuerza productiva, así como a la escolarización de nivel superior, sin el descuido de actividades familiares para quienes así lo requieran.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".