Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
D O C U M E N T O
D E T R A B A J O
Instituto de EconomíaT
ES
IS d
e M
AG
ÍST
ER
I N S T I T U T O D E E C O N O M Í A
w w w . e c o n o m i a . p u c . c l
Innovacion Tecnologica y Educacion: Un Analisis para Estados Unidos
Jose Ignacio Loeser.
2014
1
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE I N S T I T U T O D E E C O N O M I A MAGISTER EN ECONOMIA
TESIS DE GRADO
MAGISTER EN ECONOMIA
Loeser, Gana, José Ignacio
Diciembre, 2014
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE I N S T I T U T O D E E C O N O M I A MAGISTER EN ECONOMIA
Innovación Tecnológica y Educación: Un
Análisis para Estados Unidos
José Ignacio Loeser Gana
Comisión
José Díaz
Francisco Gallego
Jeanne Lafortune
Rolf Lüders
Cassandra Sweet
Matías Tapia
José Tessada
Gert Wagner
Santiago, diciembre de 2014
Innovacion Tecnologica y Educacion: Un Analisis para Estados
Unidos
Ignacio Loeser
Diciembre, 2014
Resumen
Esta tesis tiene como objetivo principal analizar como la cobertura de distintos niveles de
educacion en la poblacion afectan causalmente a la innovacion tecnologica. Usando datos de panel
para las generaciones que nacieron en los distintos estados de EEUU entre 1910 y 1939, se estudia
el efecto de la cobertura de educacion secundaria y terciaria en variables que tienen relacion con
los niveles de gasto en Investigacion y Desarrollo de cada observacion. Por medio de un metodo de
estimacion de mınimos cuadrados en dos etapas (2SLS) se concluye que los niveles de educacion
terciaria tienen un efecto significativo y positivo en la innovacion tecnologica, mientras que la
educacion secundaria no tiene efecto significativo.
1
1Trabajo realizado en el Seminario de Tesis de Magister EH Clio Lab (Conicyt PIA SOC 1102), Instituto de EconomıaUC. Agradezco los comentarios de Jose Dıaz, Francisco Gallego, Rolf Luders, Jose Tessada y Gert Wagner. Ademas,quisiera agradecer a Jeanne Lafortune, Cassandra Sweet y Matıas Tapia por su gran ayuda y apoyo durante la realizacionde este trabajo, como tambien a mis companeros de trabajo; Pilar de la Barra, Sebastian Eblen y Bernardita Pantoja.Todos los errores son de mi completa responsabilidad, Email: [email protected]
1
I. Introduccion
¿Como afectan los niveles educacionales de la poblacion a la innovacion tecnologica? Es una pregunta
que ha generado el desarrollo de una amplia literatura y que se ha tratado de responder de distintas
maneras. Mientras varios estudios se centran en los efectos marginales de un ano mas de educacion
en alguna variable que mida innovacion (Craig Riddell y Song 2011), muchos otros intentan medir
los efectos de la educacion universitaria especıficamente, en la innovacion (Cowan y Zinovyeva 2013
y Cohen, Nelson y Walsh 2002). Sin embargo, son muy pocos los estudios que intentan medir la
contribucion de los distintos niveles de educacion a algun outcome relacionado con la innovacion
tecnologica o productividad (Ang, Madsen e Islam 2011). De hecho, es escasa la evidencia empırica
que establece una relacion causal de la cobertura de los niveles de educacion secundaria y terciaria en
la innovacion tecnologica, lo que corresponde al objetivo principal de esta tesis.
Las posibles formas de medir educacion son varias (porcentaje de analfabetismo, anos de escolaridad
promedio, porcentaje de la poblacion que se graduo de secundaria, calidad, etcetera) y no todas signi-
fican lo mismo. De hecho, los resultados de diversos estudios cambian radicalmente cuando se modifica
la definicion de esta variable (Hojo 2007). Por esto es clave entender que dentro de lo que se llama
“educacion”, hay una serie de aspectos que no estan siendo considerados al usar metricas tan generales
como pueden ser anos de escolaridad promedio de la poblacion o porcentaje de analfabetismo. Un pun-
to central de esta tesis es que dichas medidas esconden una varianza significativa en la completacion de
distintos niveles de educacion y por lo tanto no son capaces de captar como se distribuyen los niveles
educacionales en la poblacion, sino que solo captan promedios. Dado lo anterior, es clave desglosar lo
que es “educacion” cuando se intentan encontrar mecanismos causales, ya que, como se plantea mas
adelante, y tal como una literatura lo postula (Vandenbussche, Aghion y Meghir 2004), los distintos
niveles de capital humano no son sustitutos perfectos: un aumento de la cobertura de la educacion
secundaria en la poblacion no tiene las mismas consecuencias que un aumento en la cobertura de la
educacion universitaria. En este trabajo esto se logra por medio de separar los niveles de cobertura
educacional en dos de los distintos grados academicos que se pueden obtener; educacion secundaria y
educacion universitaria.
Como ya se explico, el objetivo de esta tesis es testear empıricamente la relacion causal que tienen la
2
cobertura de los niveles de educacion secundaria y terciaria de la poblacion en diferentes definiciones de
un outcome de tecnologıa, que se va a medir de variadas maneras. Se usan datos de panel a nivel estado
para EEUU desglosado en cohortes (una cohorte se define como una generacion que nacio en un ano
especıfico), siendo la base del analisis el censo de 1970. Una relacion causal significativa y positiva en
la regresion principal que tiene como variable dependiente la innovacion tecnologica y como variables
independientes los niveles de educacion establecerıa que efectivamente mayores niveles de educacion
de cualquier tipo conducen a un mayor desarrollo tecnologico, ya que la poblacion habrıa obtenido
mayores y mejores habilidades tecnologicas en su educacion.
Dado que las variables de educacion pueden estar relacionadas con la innovacion tecnologica por medio
del error, ya que podrıa existir un problema de causalidad reversa, o de variables omitidas, estimar
esta regresion por mınimos cuadrados ordinarios (OLS por su sigla en ingles) implicarıa un posible
problema de endogeneidad, lo que se traducirıa en estimadores sesgados. Es por esta razon que la
estrategia empırica a usar es la de mınimos cuadrados en dos etapas (2SLS por su sigla en ingles). Como
se tienen dos posibles variables endogenas en este caso, se necesitan como mınimo dos instrumentos,
que primero tengan una relacion causal significativa con las posibles variables endogenas de educacion,
y que segundo, no tengan ninguna relacion posible con la variable dependiente de tecnologıa de la
regresion principal, que no sea por medio de las variables de educacion. Los dos instrumentos para
educacion que se desarrollan en esta tesis corresponden en primer lugar a Compulsory Schooling Laws
(CSL) que fue obtenido de la literatura existente (Lleras-Muney 2001 y Acemoglu y Angrist 2000), e
indica la cantidad de anos que los ninos estaban obligados por ley a asistir al colegio, lo que obviamente
tiene una correlacion fuerte y positiva con la cobertura de educacion secundaria, tal como se muestra
en la evidencia de esta tesis (Tabla 2) y en la literatura relevante. En segundo lugar, se construyo un
instrumento que tiene una relacion positiva, causal y significativa con la cobertura de la educacion
universitaria (Tabla 3) que corresponde a una proxy de los beneficios que obtuvo cada estado y cada
generacion, producto del programa G.I. Bill. Este programa tuvo como objetivo el apoyo economico
a los veteranos de la Segunda Guerra Mundial, despues del enorme servicio que otorgaron a su paıs
en la guerra. Fue llevado a cabo por el gobierno de EEUU, y una de sus caracterısticas principales
consistıa en que se otorgaban fondos para que los veteranos de guerra pudieran estudiar sin costo, lo
que obviamente incentivo el ingreso a la educacion superior por parte de los veteranos. En la seccion V
3
de estrategia empırica y VI de resultados principales se discute con mas detalle la validez y relevancia
de ambos instrumentos.
Al estimar los coeficientes relevantes a la educacion secundaria y terciaria mediante el metodo 2SLS,
y usando una medida de innovacion tecnologica que se puede interpretar como el gasto en innovacion
y desarrollo (R& D de ahora en adelante) per capita, se observa que efectivamente hay una relacion
causal, positiva y significativa entre el nivel de educacion terciaria y el desarrollo tecnologico. De
hecho, se encuentra que, en promedio, un aumento de un 1 % en los niveles de cobertura de educacion
terciaria implica un aumento de un 2.5 % en la inversion de R& D per capita. Por otro lado, los
niveles de educacion secundaria no tienen un efecto significativamente distinto de cero en la innovacion
tecnologica, ya que su coeficiente estimado es un cero estadıstico. Lo anterior sugiere que la educacion
universitaria juega un rol importante en el desarrollo tecnologico de un paıs, mientras que los niveles
de educacion secundaria no son tan relevantes. El resultado recien descrito es coherente con una amplia
literatura en terminos de signo y magnitud (Elliot y Meisel 1987, McMahon 2009, y Cowan y Zinovyeva
2013).
A diferencia de gran parte de la literatura relevante, este trabajo estima la relacion causal de los
distintos niveles educacionales en una variable que capte el desarrollo tecnologico. Muchos estudios
miden el aporte de la educacion al nivel de ingreso, en los diferentes escenarios tecnologicos posibles,
o tambien miden el aporte del mayor grado de educacion obtenido a las habilidades tecnologicas del
individuo, pero ninguno de los que se han mencionado analiza la relacion directa entre los distintos
niveles educacionales y la variable de tecnologıa a nivel agregado. De la misma manera, a pesar de que
la estrategia empırica que se ocupa es muy comun en la literatura, el hecho de usar dos instrumentos
distintos para los distintos niveles de educacion diferentes es algo relativamente novedoso. De allı que
los dos principales aportes de este trabajo consisten, primero, en encontrar un efecto causal de los
niveles educacionales desagregados en la innovacion tecnologica, y segundo, en usar dos instrumentos
validos para las variables de educacion, aportando ası al desarrollo metodologico de la busqueda de
efectos causales de la educacion en variables agregadas.
Estudiar la relacion causal entre los distintos niveles educacionales y la innovacion tecnologica es
sumamente relevante, ya que el nivel de desarrollo tecnologico tiene variadas implicancias positivas en
4
el crecimiento economico y en la productividad (Mansfield 1984 y Griliches 1992). De hecho Jones y
Williams (1997) encuentran que la tasa de retorno para EEUU de la inversion en R& D en terminos
de productividad tiene como cota mınima el 30 %, lo que implicarıa que es 4 veces mayor que la
rentabilidad de la inversion en capital. Apoya esta hipotesis tambien el estudio hecho por Kogan,
Papanikolaou, Seru y Stoffman (2012), en el que establecen que el desarrollo de la tecnologıa, medida en
base a la cantidad de patentes de las firmas, es una de las principales fuentes de crecimiento economico
a nivel industrial. La intuicion de este resultado consiste en que el desarrollo tecnologico aumenta la
productividad por el hecho de que, primero, permite realizar tareas especıficas en menos tiempo y
segundo, permite hacerlas mejor con la misma cantidad de esfuerzo o tiempo, y/o una combinacion
de ambas. Los resultados de dichos estudios permiten pensar en una relacion causal de los niveles
educacionales en el producto y el crecimiento por medio de la innovacion tecnologica, tal como lo
plantean Vandenbussche, Aghion y Meghir (2004) y Ang, Madsen, e Islam (2011).
Mas aun, los resultados encontrados en este trabajo ayudan a entender mejor las causas del fenomeno
llamado “La Gran Divergencia” en niveles de ingreso per capita, que ocurrio a lo largo del siglo XX.
Este fenomeno hace alusion a las disımiles tasas de crecimiento de las distintas economıas, a pesar de
que en el campo de la educacion los niveles de escolaridad promedio hayan tendido a converger entre
paıses (O´Neill 1995, y Coen Teulings y Thijs van Rens 2003), lo que en primera instancia estarıa
en contradiccion con lo que plantea una parte de la literatura (Solow 1956 y Mansfield 1984), que
postula que la educacion es uno de los principales motores del crecimiento. Ante esto, los resultados de
este trabajo, mas los postulados de Ang, Madsen e Islam (2011) y Vandenbussche, Aghion y Meghir
(2004), que indican que la tecnologıa es el principal mecanismo por el cual la educacion afecta a los
niveles de crecimiento, dan luz a una posible explicacion de este fenomeno: Al observar la supuesta
convergencia en niveles de escolaridad promedio con mas detalle, la evidencia muestra que a pesar
de haber convergido en terminos de anos promedio de escolaridad de la poblacion, las diferencias de
cobertura de la educacion terciaria entre paıses siguen siendo similares a las de principios del siglo
XX. Luego, la convergencia en escolaridad promedio estarıa siendo explicada mayormente por una
disminucion radical en las diferencias de cobertura de la educacion secundaria y primaria entre paıses,
pero no por una disminucion en la cobertura de la educacion superior.
Dado lo anterior y a la luz de los resultados de este trabajo, mas el postulado de la literatura antes
5
mencionada que explica como la tecnologıa es el principal mecanismo por el cual la educacion afecta
a los niveles de crecimiento, es de relacion directa entender las razones de por que la convergencia en
anos de escolaridad promedio no ha afectado mayormente los disımiles niveles de desarrollo. Como la
educacion terciaria es la que afecta causalmente el desarrollo tecnologico, el hecho de que los paıses
subdesarrollados hayan aumentado sus niveles de cobertura en la educacion secundaria y primaria,
pero no ası en la universitaria, implica que estos no han podido alcanzar en terminos de crecimiento
a los paıses desarrollados por sus pobres niveles de innovacion tecnologica. Esta hipotesis es coherente
con Vandenbussche, Aghion y Meghir (2004), quienes postulan que el mecanismo por el cual la conver-
gencia en anos promedio de educacion entre paıses no se traduce a niveles de ingreso per capita mas
homogeneos, es el de la tecnologıa y la rapidez con que esta se adopta (Ang, Madsen y Islam 2011,
Vandenbussche, Aghion y Meghir 2004, y Comin y Ferrer 2014). Esto lo explicarıan por el hecho de que
la completacion de los distintos niveles educacionales aportan de manera muy distinta a las habilidades
tecnologicas de los individuos, ya que un ano mas de educacion universitaria es significativamente mas
util para el desarrollo tecnologico, que un ano de educacion secundaria o primaria.
Estudiar la relacion causal de los niveles de educacion en la innovacion tecnologica es sumamente
relevante, ya que serıan las distintas composiciones de capital humano una de las muchas causantes
de la inequidad a nivel de ingreso per capita entre los paıses o estados. El que los distintos niveles
de educacion afectan a la variable de tecnologıa de diferentes maneras, implica que los retornos de la
inversion en la cobertura de educacion secundaria y terciaria no son marginalmente iguales. El resultado
empırico obtenido nos otorga un mejor entendimiento de como la educacion afecta en primera instancia
a la tecnologıa y despues al crecimiento.
Lo que sigue de este trabajo se organiza de la siguiente manera: la seccion II revisa la literatura relevante
sobre el tema. La seccion III describe el contexto historico relevante para el analisis, con el objetivo de
entender mejor la intuicion de los resultados. La seccion IV se refiere a los datos y a la construccion de
las variables y del panel. La seccion V explica la estrategia empırica a usar, y la relevancia y validez de
los instrumentos. En las secciones VI y VII, se muestran los resultados principales obtenidos y distintos
ejercicios de robustez y extensiones econometricas. Finalmente, la seccion VIII concluye.
6
II. Revision de la Literatura
La literatura sobre el tema es abundante y ademas, dada la estrategia empırica a usar, las aristas del
problema son varias, por lo que no solo se investigo sobre el efecto causal de los niveles educacionales en
la tecnologıa, sino tambien sobre la relacion de estos con el ingreso per capita, y sobre los instrumentos
propuestos.
Dada la motivacion de este trabajo, es importante mencionar primero investigaciones que relacionen
variables de tecnologıa con ingreso per capita; Solow (1956) establece la tecnologıa como una de las
principales fuentes de crecimiento en el modelo que desarrolla. Lo mismo hacen Lucas (1988) y Romer
(1986) en sus modelos posteriores. En la misma lınea Kogan, Papanikolaou, Seru y Stoffman (2012),
estudian el rol de la tecnologıa (medida como innovacion por sector) como fuente de crecimiento,
usando datos de panel para U.S.A. entre los anos 1926 y 2010, ellos encuentran una relacion directa,
positiva y significativa entre la innovacion y la productividad.
Ahora, mas en lınea con lo que se hace en esta investigacion, distintos autores estudian la relacion en-
tre niveles educacionales y productividad en distintos contextos tecnologicos; Comin y Ferrer (2014),
usando la base de datos CHAT, creada por ellos mismos, establecen que la divergencia en ingreso entre
los paıses se debe en un 80 % a las trabas en la difusion de tecnologıa que existen actualmente. De
hecho postulan que la penetracion de la tecnologıa ha divergido con el paso del tiempo, implicando que
las brechas tecnologicas han estado lejos de converger. Ang, Madsen y Rabiul Islam (2011) investigan
empıricamente, usando un panel de 87 paıses, si la contribucion de capital humano al crecimiento
de la productividad depende de las composiciones de capital humano y de la cercanıa a la frontera
tecnologica. Usando el metodo generalizado de momentos concluyen que el aporte de la educacion
superior a la productividad aumenta en la medida que mas cerca de la frontera tecnologica se esta.
En la misma lınea, Vandenbussche, Aghion y Meghir (2004), concluyen que cuando se esta lejos de
la frontera tecnologica, el principal mecanismo de transmision del factor de tecnologıa al crecimiento
en productividad es por medio de la imitacion, en cambio, cuando el paıs es lıder en tecnologıa, el
mecanismo de transmision es la innovacion, y esta depende significativamente mas de la educacion
universitaria que de la primaria o secundaria. Tambien, Acemoglu (2002) postula que el comporta-
miento de los salarios y de los retornos a la educacion en EEUU durante la segunda mitad del siglo
7
XX ha beneficiado mas a los individuos con mayor educacion terciaria, ya que la demanda por fuerza
laboral especializada ha aumentado dadas las necesidades tecnologicas de las empresas. Goldin y Katz
(2009) estudian los cambios en la estructura de salarios y de los retornos de los trabajadores calificados
de todo el siglo XX para EEUU, concluyendo que los cambios en la oferta de trabajo, producidos por
los cambios educacionales de la poblacion estadounidense, constituyen el factor clave para entender las
variaciones de los salarios y de los retornos a los trabajadores calificados.
Los estudios mencionados anteriormente analizan los efectos de la educacion en la productividad dadas
ciertas condiciones de tecnologıa, pero lo que se analiza en este paper es el efecto de los niveles edu-
cacionales en tecnologıa, y en este aspecto la literatura tambien es abundante; Hojo (2007) investiga
como las diferentes definiciones y medidas de educacion afectan a la adopcion de tecnologıa en el sector
agrıcola. El concluye que los resultados varıan considerablemente cuando se cambian las definiciones
de educacion, implicando que muchas medidas de educacion pueden ser escogidas con el objetivo de
obtener los resultados deseados. Por otro lado, Craig Riddell y Song (2011), usando ”The Canadian
workplace and employee survey”, investigan el efecto causal de la educacion en la adopcion de tec-
nologıa, concluyendo que un nivel de educacion mas alto implica una mayor probabilidad de uso del
computador en el trabajo. Ellos usan como instrumento de educacion el cambio en CSL canadiense.
Por otro lado Cohen, Nelson y Walsh (2002) analizan el efecto de la investigacion publica en los niveles
de R& D para distintas industrias, concluyendo que los efectos varıan significativamente entre las
distintas industrias, pero que a nivel agregado la investigacion publica es una causante importante de
los niveles de R& D de una region. Cowan y Zinovyeva (2013) estudian el efecto causal del numero de
universidades en la innovacion regional, usando datos de Italia entre 1985 y 2000, ellos encuentran que
un aumento de un 1 % en el numero de universidades de una region implica un aumento de un 0.68 %
del numero de patentes industriales de la region en cuestion.
Otra literatura relevante trata de los multiplicadores de la inversion en educacion terciaria. Muchas
universidades tratan de medir el monto de sus aportes indirectos a la region en la que se establecen
ocupando los multiplicadores, que captan en cuanto aumenta la inversion de la region en el futuro,
cuando se invierte un dolar mas en la universidad misma, en el fondo, son elasticidades a la inversion
universitaria. Ante esto, han surgido varios estudios que comentan los metodos de estimacion de los
8
multiplicadores y resumen los aportes a la inversion regional de las universidades. Elliot y Meisel
(1987), al igual que Siegfried, Sanderson y McHenry (2006), comentan el metodo de estimacion que
comunmente se lleva a cabo en dichos estudios de las respectivas universidades, y postulan que los
multiplicadores rondean el valor de 2. En la misma lınea McMahon (2009) analiza el aporte de las
universidades al desarrollo regional y estima que el valor comun de los multiplicadores esta subestimado,
ya que normalmente en esta clase de estudios no se consideran los aportes privados y sociales en
conjunto.
Igualmente, se considera relevante la literatura relacionada con la medicion de tecnologıa. Eterovic y
Sweet (2014) estudian si derechos de propiedad mas fuertes aumentan los niveles de innovacion. Dentro
de este analisis presentan posibles problemas asociados a medir tecnologıa por medio de la creacion
de patentes o por medio de estadıstica derivada de los gastos en R& D en empresas. Por otro lado,
Comin y Ferrer (2014), mencionados inicialmente, usando la base de datos CHAT, enfatizan en que
es de mucha importancia distinguir entre lo que es la adopcion de tecnologıa y la penetracion de ella
en los distintos paıses. En efecto, ellos postulan que mientras los lags en adopcion de tecnologıa han
disminuido en el tiempo, la penetracion de la tecnologıa ha divergido, explicando gran parte de la
divergencia a nivel ingreso entre paıses.
En este trabajo la principal medicion de innovacion tecnologica corresponde a una proxy de R& D per
capita, y por eso la literatura que estudia los efectos de los niveles de R& D en distintos outcomes
economicos adquiere una alta relevancia. Jones y Williams (1997) estiman la tasa social de retorno
de invertir en R& D y establecen una cota mınima que corresponderıa a un 30 % en terminos de
productividad, lo que significa que serıa cuatro veces mayor a la tasa social de retorno del capital,
implicando que en EEUU se esta subinvirtiendo fuertemente en R& D. Las causas de esta subinversion
provienen de las externalidades que se generan al invertir en R& D y que no son internalizadas por los
inversionistas. Griliches (1992) intenta medir las distintas externalidades generadas por la inversion en
R& D, identificando el cambio en la TFP como la mayor externalidad generada, ya que la inversion en
R& D explicarıa la mitad del cambio en productividad. Por otro lado, Mansfield (1984) establece una
relacion directa y positiva entre los niveles de gasto en R& D y variables de innovacion tecnologica,
crecimiento economico y productividad.
9
El instrumento CSL utilizado en esta tesis ya ha sido usado ampliamente en la literatura para ins-
trumentar por educacion primaria y/o secundaria; LLeras-Muney (2001) investiga si el efecto de las
distintas implementaciones de las CSL fue significativo en los anos de educacion secundaria de la
poblacion estadounidense. Ella encuentra que los efectos fueron distintos segun la raza y el nivel de
educacion de los individuos; para la poblacion de raza no negra menos educada el efecto fue signifi-
cativo, pero para la poblacion negra, o con mas educacion, el efecto fue no significativo. Acemoglu y
Angrist (2000), ocupan CSL como instrumento para educacion secundaria, con el objetivo de medir
que tan importantes son las externalidades generadas por la educacion secundaria, en los retornos
individuales, llegando a que no son muy significativos y sugiriendo que quizas las externalidades estan
causadas en mayor medida por la educacion terciaria.
Acemoglu, Autor y Lyle (2004) ocupan la implementacion de la ley G.I. Bill en la Segunda Guerra
Mundial y los porcentajes de movilizacion a nivel estado de los hombres en edad de trabajar como
variacion exogena para investigar los efectos de la oferta laboral femenina en la estructura salarial.
Encuentran que la incorporacion femenina al mundo laboral genero una mayor inequidad entre los
hombres con educacion terciaria y secundaria, ademas de bajar en promedio los salarios de hombres y
mujeres en general. Por otro lado, Bound y Turner (1999) miden el efecto del G.I. Bill en el el maximo
grado educacional que alcanzaron los veteranos, encontrando que efectivamente para las generaciones
nacidas entre 1921 y 1928 este efecto es significativo, especialmente en los niveles de educacion terciaria.
Mettler y Welch (2004), con el uso de un procedimiento en dos etapas, intentan identificar los efectos
del G.I. Bill en el grado en que las generaciones se incumbieron en polıtica, encontrando que dicha
polıtica significo un aumento en la participacion democratica y en el nivel de responsabilidad cıvica.
III. Contexto Historico; High School Movement y GI. Bill.
Para entender la relevancia y validez de los instrumentos propuestos, es fundamental analizar el con-
texto historico de EEUU en la primera mitad del siglo XX. Primero se va explicar lo que fue el GI.
Bill, para luego entender el fenomeno llamado como el “High School Movement”.
“The Servicemen’s Readjustment Act of 1944”, mas conocida como G.I. Bill, fue una polıtica publica
implementada en 1944 y su principal objetivo era retribuir de alguna manera el servicio que los soldados
prestaron a su paıs en la Segunda Guerra Mundial. El proyecto de ley fue presentado por el republicano
10
Harry W. Colmery el 10 de enero de 1944 como respuesta a las protestas de los veteranos de la Primera
Guerra Mundial por el escaso apoyo que les habıa brindado el gobierno despues del enorme sacrificio
que habıan hecho por su paıs durante la guerra. El 22 de junio de 1944 esta iniciativa se convirtio en
una ley.
La ley dictaba que cualquier veterano que hubiera servido mas de 90 dıas entre 1940 y 1947 (voluntaria
o no voluntariamente) y que no hubiera sido dado de baja deshonrosamente, podıa acceder a beneficios
economicos para estudiar, siempre y cuando partiera sus estudios antes de julio de 1951. A cualquiera
que cumpliera con dichos requisitos se le financiaban 48 meses de educacion, mas los gastos comunes
de ir a la universidad (alojamiento, transporte, alimento, etc). Ademas la ley proveıa beneficios en el
acceso a credito y seguros de desempleo por un ano. En 1956, 2.2 millones de veteranos habıan sido
beneficiarios de la ley. A pesar de que esta ley ha estado sujeta a cambios en el tiempo, el exito inicial
de esta polıtica ha implicado que esta siga vigente y todos los veteranos de las guerras posteriores a
la Segunda Guerra Mundial han podido acceder a sus beneficios, lo que ha significado importantes
impactos en las generaciones que se vieron beneficiadas.
“High School Movement” fue un fenomeno que ocurrio entre 1910 y 1940 en EEUU en el que los niveles
de educacion secundaria aumentaron drasticamente. Si en 1910 un 9 % de los jovenes estadounidenses
se habıa graduado de la secundaria, en 1940 el porcentaje era de un 51 % (Goldin 2001). En general,
el movimiento se caracterizo por el hecho de que la juventud entraba a la secundaria con el objetivo
de aprender habilidades mas utiles para trabajar que para entrar a la universidad, por lo que muchas
escuelas secundarias proveyeron a sus alumnos de conocimientos tecnicos para entrar a laborar apenas
egresaran de la escuela (Goldin y Katz 2009). En el mismo contexto, las leyes estatales de asistencia
obligatoria a la escuela variaron sistematicamente en el tiempo y entre estados. Mas conocidas como
Compulsory Schooling Laws, estas leyes y los cambios en ellas fueron, en parte, responsables del “High
School Movement”.
IV. Datos
Los datos que se usaron provienen principalmente de muestras de los censos de 1970 y 1940 al 1 % que
se pueden obtener en IPUMS.org. Con ellos se construyo un panel a nivel estado de EEUU para las
cohortes de personas que nacieron entre 1910 y 1940. Para traspasarlo a nivel estado, se hizo inferencia,
11
creando una variable dummy para cada individuo, que adquiere el valor de 1 si es que ese individuo
posee una cierta caracterıstica, tal como puede ser haber cursado algun ano de secundaria, y 0 si
es que no. Luego se promediaron todas las observaciones, obteniendo ası el porcentaje de personas,
de un estado y cohorte, que tenıan dicha caracterıstica, como puede ser haber cursado un ano de
educacion secundaria. Los datos de Compulsory Schooling Laws provienen del sitio web del profesor
Joshua Angrist, en el que estan disponibles los datos de sus distintos papers. Los datos de tecnologıa
fueron obtenidos de la “National Science Foundation”, especıficamente del “Industrial Research and
Development System”, de donde se obtuvieron los gastos promedio en R& D por sector para EEUU
en 1970. Tambien en esta base de datos se encuentran las ventas totales de cada sector, ası como la
cantidad de empleados. El panel construido incluye 49 estados de EEUU y 31 cohortes; obteniendo
1470 observaciones (la multiplicacion de 49 por 31).
La variable de educacion secundaria corresponde al porcentaje de la poblacion del estado “i” de la
generacion “j” que realizo algun curso entre octavo grado y duodecimo grado inclusive. Educacion
terciaria esta definido como el porcentaje de la poblacion que por lo menos curso algun ano de educacion
postsecundaria. Compulsory Schooling Laws (CSL) fue definida como la cantidad de anos a los que
se estaba obligado a asistir al colegio por ley. Para la cohorte que nacio en 1910, la variable relevante
de CSL fue la de 1924, ya que a los 14 anos es cuando la generacion estaba cursando su educacion
secundaria y estaba cercano a egresar; por lo tanto la decision de salirse de la escuela es relevante
recien ahı, y no antes.
La variable de GI Bill fue construida de la siguiente manera: para las cohortes que nacieron antes de
1920 y despues de 1928, la variable adquiere el valor de cero, ya que primero, la generacion que nacio en
1929, en 1946 tenıa 17 anos y era menor de edad, por lo que no pudo ir a la Segunda Guerra Mundial
y tampoco ser beneficiario del GI Bill, y segundo, alguien que nacio en 1919 tenıa 26 anos en 1945 y,
tal como la evidencia indica (Bound y Turner 1999, y Stanley 2014), fueron muy pocos los individuos
nacidos antes de 1920 que hicieron usufructo en materia educacional del GI Bill, ya que tenıan mucha
edad para estudiar. Para aquellos que nacieron entre 1920 y 1928, se ocupo como proxy del beneficio
recibido por el Gi Bill el porcentaje de hombres que son veteranos de la Segunda Guerra Mundial,
tomando en cuenta el estado en el que el individuo nacio para las distintas generaciones. Luego, para
todas las generaciones que nacieron entre 1920 y 1928, la variable GI Bill toma el valor del porcentaje
12
de movilizacion de cada estado para las distintas cohortes que nacieron en dicho perıodo, y cero para
el resto de las generaciones. De esta manera se logra captar los beneficios educacionales del GI Bill
para las distintas generaciones y estados.
Como proxy de innovacion tecnologica se ocuparon los datos de gasto en R& D de cada uno de los
23 sectores que se identifican a nivel global para EEUU en 1970, que se obtienen en www.nsf.gov. Se
dividieron estos niveles de gasto por la cantidad de empleados de cada sector, generando una razon para
cada sector, que va a ser la base de la principal variable de tecnologıa de este trabajo. Para traspasar
esta razon a nivel estatal y generacional, lo que se hizo fue asignarle a cada individuo la razon del
sector en el que trabaja. Luego se hizo inferencia y se promedio el coeficiente de todos los individuos
de una cohorte y de un estado, obteniendo una variable que de alguna manera captura la penetracion
de las industrias mas intensivas en R& D por empleado, para cada estado y cada cohorte. Los valores
de gasto estan en millones de dolares de 1970 y el numero de empleados, en miles de personas.
Un claro beneficio de ocupar este metodo es que la relacion de las variables de innovacion tecnologica y
de educacion provienen, en cierta medida, de la misma base de datos (IPUMS). Si bien es cierto que en
el caso de la variable de innovacion tecnologica se aplico un criterio de clasificacion proveniente de la
National Science Foundation para cada sector, la intensidad de cada sector en las observaciones provino
de la base del IPUMS, segun la industria en la que trabajaba la poblacion de cada observacion; luego,
la relacion entre la educacion y tecnologıa es 100 % directa, y por lo tanto, el valor de la variable de
tecnologıa de una observacion es completamente asignable al valor de las variables de educacion de la
misma observacion. En otras palabras, no se estan cruzando observaciones de educacion con outcomes
que podrıan no provenir de ellas.
Para hacer ejercicios de robustez se ocuparon otras 3 variables que miden de alguna manera innovacion
tecnologica; usando las bases de Jorgenson (2007) y BEA, se construyo una variable de TFP por estado
y ano, que abarca los perıodos de 1963 a 1997. Este ındice se construyo de la misma manera que lo
construyen Empora y Mamuneas (2011). Es importante notar que el ındice construido es por ano y
no por generacion, por lo que para asignar este ındice a cada cohorte por estado lo que se hizo fue
promediar la TFP y los cambios de ella para un perıodo de anos en que una generacion estaba activa
laboralmente. Por ejemplo, a la generacion que nacio en 1910 se le asigno el promedio de la TFP y los
13
cambios de ella, del perıodo entre 1963 y 1968. En cambio, para la generacion que nacio en 1911 se
ocuparon los datos de TFP del perıodo entre 1964 y 1969.
En la misma lınea, para los otros ejercicios de robustez se ocuparon otras dos variables de tecnologıa.
Una consiste en una medida de penetracion de las industrias mas intensivas en R& D partido por las
ventas del sector (antes era partido por la cantidad de empleados), que fue construida de la misma
manera que la variable principal de tecnologıa de este trabajo. La otra mide tecnologıa segun las
ocupaciones de los individuos. Se creo una variable dummy que toma el valor 1 si es que la ocupacion
de cada individuo es intensiva en tecnologıa, y 0 si es que no. Para justificar el ranking recien descrito,
se analizaron las industrias en las que trabajan los individuos con una ocupacion determinada y, usando
la razon de R& D por empleado de las industrias en las que dichos individuos trabajan, se genero una
variable que es 1 si es que la ocupacion trabaja en promedio en las industrias mas intensivas en R&
D por empleado, y 0 si es que no, como ya se explico, para luego promediar para cada observacion,
obteniendo ası la variable de innovacion tecnologica por ocupacion relevante para cada estado y cada
cohorte.
Resumen Variables Estadısticas
Variable Promedio Desv. Est.Ed.Ter 0.282 0.115Ed.Sec 0.627 0.099Gibill 0.222 0.344CSL 8.867 1.114RD emp 1.964 0.386RD ventas 0.069 0.014Ocupacion 0.233 0.064Cambio tfp 0.019 0.015TFP niveles 427.491 132.042
N 1470
Es muy importante mencionar que todas las variables usadas, exceptuando los controles, son datos
que fueron observados en el censo de 1970; o sea los datos de tecnologıa, educacion y movilizacion
militar son correspondientes a las distintas generaciones en 1970. Se eligio especıficamente dicho censo,
porque en ese ano, todas las cohortes de la muestra tenıan entre 31 y 60 anos, todos estaban en
edad productiva, y se puede asumir tranquilamente que casi todos los individuos habıan terminado su
perıodo de educacion. Asimismo, que todos los individuos de la muestra hayan nacido entre 1910 y
14
1939 permite que el uso de los instrumentos de educacion sean relevantes para dichas generaciones.
V. Estrategia Empırica
Para el analisis empırico se van a estimar los parametros de la siguiente regresion;
Tecnologıaij = α+ β1Ed.Tercij + β2Ed.Secij + θXij + µi + δj + εij
Donde el subındice “i” denota el estado, y el subındice “j” denota la cohorte. La regresion incluye
efectos fijos de estado y tiempo (cohorte) y X corresponde a un vector de controles. Beta uno y Beta
dos, son los dos coeficientes mas importantes para esta tesis, el signo y significancia que estos adquieran
va a determinar si es que efectivamente hay una relacion causal entre los niveles de educacion y la
tecnologıa.
El uso de efectos fijos por generacion y estado tiene como objetivo captar todo lo que es relevante a una
generacion y/o a un estado, que pueda estar sesgando los coeficientes relevantes. En otras palabras,
con estos controles se eliminan posibles efectos de localizacion espacial y temporal que esten afectando
a la variable de innovacion tecnologica. Ası se logra obtener en los coeficientes el efecto unicamente de
las variables educacionales, y no de otra cosa. Tambien, en todas las regresiones que se corren en esta
tesis se incluyen clusters por estado, para ası evitar que los errores correlacionen entre sı.
Dado que las variables de educacion pueden estar relacionadas con la tecnologıa por medio del error, ya
que podrıa existir un problema de causalidad reversa, o de variables omitidas, se va a tener un posible
problema de endogeneidad cuando se estime esta regresion por OLS. Es por esta razon que la estrategia
empırica que se va a usar es la de 2SLS. Como se tienen dos variables posiblemente endogenas, se van a
necesitar dos instrumentos como mınimo que, primero tengan una relacion significativa con las variables
de educacion y que, segundo, se relacionen con la variable de tecnologıa solamente por medio de la
educacion. Los instrumentos a usar consisten en los cambios en Compulsory Schooling Laws (CSL) en
EEUU entre los anos 1924 y 1954, que va a instrumentar educacion secundaria y una variable que mida
los beneficios que recibio cada estado en promedio para cada generacion del panel producto del GI
Bill, que tiene como objetivo instrumentar educacion terciaria. El correr una primera etapa, en que se
instrumenten las dos variables de educacion, para luego correr una segunda etapa con dichas variables
15
instrumentadas, elimina los posibles problemas de endogeneidad. El hecho de que en la primera etapa
se tengan efectos fijos, en conjunto con la forma en que se construyo la variable GI Bill, explicada en
la seccion de Datos, implican que la estrategia empırica consistirıa en un 2SLS, usando un diff in diff
como instrumento en la primera etapa.
El primer instrumento a usar es el de CSL, que corresponde a los anos que por ley tenıa que asistir un
nino a la escuela. La cantidad de anos obligatorios fueron cambiando en el tiempo y entre estados, lo
que otorga una fuente de variacion exogena necesaria para instrumentar por educacion secundaria. Este
instrumento ha sido usado ampliamente en la literatura (Acemoglu Angrist 2000, Lleras Muney 2001
y Goldin 1998), y los argumentos que justifican su exogeneidad tienen relacion con el hecho de que las
leyes en cuestion fueron determinadas por fuerzas sociales que operaron en cada estado en su debido
tiempo, lo que implica que no fueron afectadas por la tecnologıa del futuro (la variable dependiente
de este trabajo). De esta manera, las CSL estarıan afectando los distintos outputs de tecnologıa en
1970, solamente por medio de la correlacion que tienen con los niveles de educacion secundaria de la
poblacion, lo que es requisito para que el instrumento sea valido.
Ahora, en la utilizacion de la variable construida del GI Bill (que consiste en los porcentajes de
movilizacion militar estatal solamente para las generaciones que nacieron entre 1920 y 1928) como
instrumento de educacion terciaria, se presentan dos potenciales problemas. Por un lado hay variables
omitidas que podrıan estar afectando los porcentajes de movilizacion que correlacionan con la variable
de educacion y, por otro lado, el porcentaje de movilizacion podrıa afectar la variable dependiente de
tecnologıa por medio de otro mecanismo que no sea la educacion terciaria.
Tal como se argumenta en Acemoglu, Autor y Lyle (2004), las determinantes de los porcentajes de
movilizacion tienen que ver con cuestiones de polıtica federal exogenas, propias al gobierno federal de
turno, demografıa racial y estructura de produccion. De hecho, para mantener la oferta de alimentos
estable, en los estados mas agrıcolas los niveles de movilizacion fueron menores. En todas las tablas
que muestran una segunda etapa en esta tesis, se controla por el porcentaje de la poblacion que vivıa
en una granja, y tambien por el porcentaje de la poblacion que era de raza negra en 1940 para las
generaciones relevantes a la muestra (como la generacion mas joven nacio en 1939, no hay problema
en hacer esto); o sea, se controla por las variables relevantes a las observaciones de la muestra, pero
16
antes de que partiera la Segunda Guerra Mundial, ya que, como se postula que estas tuvieron efectos
sobre los niveles de movilizacion, habrıa que controlar por ellas, pero tomando su valor antes de que
la movilizacion se lleve a cabo. Aun incluyendo dichos controles, los resultados de la primera etapa
se mantienen, e indican que a pesar de que puedan existir variables omitidas relevantes, la inclusion
de estas en la regresion no afecta la significancia de los coeficientes, como tampoco su signo. Esto
soluciona el primer posible problema planteado.
En segundo lugar, dado que la variable dependiente de tecnologıa es observada en 1970, por lo menos 25
anos despues de que las movilizaciones militares se hayan llevado a cabo se reducen considerablemente
los posibles mecanismos alternativos a la educacion recibida por los veteranos producto del GI Bill por
los cuales los porcentajes de movilizacion puedan haber afectado los niveles de inversion en R & D de
los distintos sectores industriales en 1970, y la intensidad con la que la poblacion trabajo en dichos
sectores para cada estado y cohorte.
Otro aspecto que podrıa ser relevante es que los porcentajes de movilizacion hayan estado motivados
por el hecho de que la poblacion se enrolaba en el ejercito considerando que despues iban a poder
acceder a una educacion universitaria gratuita, pero este no es el caso, ya que la ley se empezo a
discutir el 10 de enero de 1944 y la inscripcion voluntaria en el ejercito se termino en 1943, y desde
ahı el reclutamiento estuvo en manos de la autoridad local. Por lo que los soldados de la Segunda
Guerra Mundial no se inscribieron voluntariamente con los beneficios del G.I. Bill como motivacion,
lo que elimina un posible sesgo de seleccion.
VI. Resultados Principales
Primero se analizaran los resultados de la primera etapa, que corresponden a las tablas 2 y 3, y despues
se estudiara la segunda etapa, que se presenta principalmente en la tabla 4 y en las siguientes tablas,
que describen los ejercicios de robustez.
Las ecuaciones que se estiman a continuacion, y que corresponden a una primera etapa de la estrategia
empırica, son las siguientes;
17
Ed.Seci,j = α+ β1CSLi,j + β2GIBilli,j + µi + δj + εi,j
Ed.Teri,j = α+ β1CSLi,j + β2GIBilli,j + µi + δj + εi,j
Los resultados empıricos de estimar estas dos ecuaciones se muestran en las tablas 2 y 3.
La tabla 2 muestra los resultados obtenidos de estimar la ecuacion que tiene como variable dependiente
a la educacion secundaria. En la primera columna no se incluyen los controles agrıcolas ni de raza, y
en la segunda columna sı. Tal como se observa, y como se podrıa esperar, Compulsory Schooling Laws
(que, como ya se dijo, son los anos que por ley se tienen que ir a la escuela) tiene un efecto positivo
y significativo en el porcentaje de la poblacion de un estado y generacion que tiene algun grado de
educacion secundaria. Los resultados no cambian cuando le agregamos controles. El hecho de que el
GIBill no tenga efecto significativo en educacion secundaria es intuitivo, ya que para ir a la guerra
habıa que ser mayor de 18 anos y a esa edad en general la educacion secundaria ya esta cumplida.
Tabla 2: Primera Etapa Educacion Secundaria
(1) (2)Ed Sec Ed Sec controles
VARIABLES Ed.Sec Ed.Sec
CSL 0.0303*** 0.0294***(0.00860) (0.00792)
Gibill -0.0930* -0.0776(0.0474) (0.0554)
dfarm 0.108*(0.0572)
drace 0.0542(0.0939)
Constant 0.318*** 0.290***(0.0768) (0.0748)
Controles No SiObservaciones 1,470 1,470R-cuadrado 0.095 0.101N◦ de estados 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
De la misma manera, como se observa en la tabla 3, el GI Bill tiene un efecto significativo y positivo
18
en el porcentaje de la poblacion que tiene algun curso en educacion universitaria; o sea, el hecho de
que en un estado haya habido mas movilizacion que en otro, para las generaciones que nacieron entre
1920 y 1928, implica mayor cobertura de la educacion universitaria, ya que los veteranos de guerra
aprovecharon los beneficios otorgados por el programa gubernamental, estudiando en la universidad sin
ningun costo. Es de esperar que los estados y cohortes con mas veteranos sean los que tienen mayores
niveles de educacion terciaria, ya que dichas observaciones del panel fueron las mas beneficiadas por
el GI Bill, lo cual es efectivamente lo que los resultados avalan.
Tabla 3: Primera Etapa Educacion Terciaria
(1) (2)Ed Ter Ed Ter controles
VARIABLES Ed.Ter Ed.Ter
CSL -0.00748** -0.00817**(0.00346) (0.00358)
GiBill 0.197*** 0.209***(0.0624) (0.0642)
dfarm 0.0857*(0.0448)
drace 0.0504(0.106)
Constant 0.444*** 0.420***(0.0340) (0.0352)
Controles No SiObservaciones 1,470 1,470R-cuadrado 0.481 0.484N◦ de estados 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
Es importante notar el coeficiente negativo y significativo, de CSL en los niveles de educacion terciaria.
Si bien a primera vista parece contra intuitivo, hay que analizarlo en el contexto del “High School
Movement”. De hecho, tal como se menciono antes, este fenomeno implico que las escuelas se centraran
mas en ensenar habilidades para trabajar apenas se egresaba de la secundaria, desincentivando ası el
ingreso a la Universidad (Goldin 2001). Dado esto, se entiende que mas anos de escuela secundaria
daban la sensacion a los alumnos recien egresados, de que ya habıan estudiado lo suficiente y que, por
lo tanto, la Universidad no era necesaria para su desarrollo laboral. En el anexo se encuentra la figura
19
1, que muestra como cambia el coeficiente que acompana a CSL cuando se agregan anos de educacion
a la variable. Es decir, el primer punto representa el valor del beta cuando se considera el porcentaje
de la poblacion que cumplio 8 anos de educacion, el segundo punto es lo mismo, pero considera el
porcentaje de la poblacion que cumplio 9 anos educandose, y ası continua. Como se puede apreciar, el
coeficiente pasa a ser negativo de forma muy abrupta cuando se pasa de 12 anos (cuando se termina
la educacion secundaria) a 13 anos, lo que apoya la hipotesis de que en este perıodo, mas anos de
escolaridad secundaria, desincentivaban el ingreso a la educacion superior, ya que se tenıa la sensacion
de que la educacion secundaria era suficiente para tener una satisfactoria vida laboral.
La tabla 4 muestra los resultados de la segunda etapa, que serıan los principales de esta tesis. La variable
de innovacion tecnologica que se usa en este caso es R& D por empleado, que se construyo asignandole
a cada individuo la razon de R& D por empleado de la industria en la que trabaja, para luego hacer
un promedio de esta razon por estado y cohorte, obteniendo ası la variable relevante de innovacion
tecnologica, tal como se explica en la seccion IV de Datos. El hecho de haber construido esta variable
de la forma recien descrita permite interpretar facilmente lo que significa la variable, ya que, como se
ocupa la razon de R& D por empleado y se le asigna esta a cada individuo segun la industria en la
que trabaje, al promediar estas razones para cada generacion en cada estado lo que se esta haciendo es
que se pondera el R& D por trabajador segun la distribucion de empleo dentro de un estado para cada
generacion especıfica, obteniendo ası una proxy de R& D per capita para cada observacion. Es por esta
razon que esta metrica es la que mejor captura lo que esta tesis quiere medir; niveles de innovacion
tecnologica para cada observacion de la muestra, ponderados por el tamano de la observacion (lo que
se logra con el hecho de que sea per capita). Como R& D es una clara medida de innovacion (Mansfield
1984), ya que son los fondos que se dedican a ese objetivo, esta variable es la que se considera que
mejor mide lo que se quiere medir.
La razon descrita en el parrafo anterior es la que justifica la eleccion de la tabla 4 como el resultado
principal de esta tesis, ya que en las regresiones de esta tabla se usa la medida que se considera mas
precisa e interpretable que se pudo obtener de los datos. Tal como se senala en la tabla, la primera
columna es la estimacion por OLS, en la segunda columna se ocupa el metodo 2SLS o de variables
instrumentales, y en la tercera columna se controla por las variables de produccion agrıcola y de raza
para cada generacion y estado, pero en 1940, o sea antes de que las tropas se movilizaran, por las
20
razones ya explicadas anteriormente.
Tabla 4: Segunda Etapa, Gasto en R& D partido en N◦ de empleados
(1) (2) (3)OLS IV IV controles
VARIABLES RD emp RD emp RD emp
Ed.Sec -0.348** 0.667 0.677(0.166) (0.517) (0.498)
Ed.Ter 1.604*** 5.333*** 4.952***(0.260) (2.048) (1.591)
Constante 1.664***(0.163)
Controles No No SıObservaciones 1,470 1,470 1,470N◦ de estados 49 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
La tercera columna es la que se considera la estimacion mas completa, ya que se usa el metodo 2SLS y
por lo tanto se elimina el problema de endogeneidad. Ademas se controla por las variables que pueden
haber afectado el instrumento de GIBill, que consisten en cuan dedicada a la produccion agrıcola era
la observacion en 1940 y en cuestiones raciales. Como estas dos variables son las que pueden estar
afectando el instrumento habrıa que controlar por ellas, con la intencion de que el efecto del GIBill
consista solamente en el efecto de los beneficios educacionales que recibieron las observaciones producto
de haber servido en la Segunda Guerra Mundial, tal como se explica en la seccion V.
Se observa que los niveles de educacion secundaria no tienen un efecto significativamente distinto de
cero sobre la innovacion tecnologica, mientras que los niveles de educacion universitaria o terciaria
sı tienen un efecto positivo y significativo, tal como se planteo en la hipotesis inicial de este trabajo.
Con respecto a los coeficientes que nos entrega esta tabla, hay que tener precaucion con las unida-
des de medida. En la base de datos original (http://www.nsf.gov/statistics/iris/tables) los niveles de
gasto son anuales y estan en millones de dolares de 1970 como unidad de medida, mientras que la
cantidad de empleados esta en miles de personas. Por lo tanto, el coeficiente de 4.952 significa que un
aumento de un 1 % de la poblacion que tiene educacion universitaria aumenta el nivel de gasto anual
per capita en R& D en 49.52 dolares de 1970, lo que en dolares del 2013 equivale a 297.12 dolares
21
(http://www.measuringworth.com).
En la tabla 1 de la seccion IV de Datos, se muestra el promedio de la variable de R& D por empleado,
que es de 1.964, lo que implica que el valor promedio de gasto anual en R& D por trabajador de
U.S.A. es de 1964 dolares de 1970. Luego, un aumento de un 1 % de la poblacion que tiene algun
nivel de educacion terciaria cumplido va a aumentar los niveles de R& D por trabajador en un 2.5 %
aproximadamente, es decir la elasticidad de la cobertura de educacion terciaria - innovacion tecnologica
es de 2.5. El analisis recien hecho no es valido para el coeficiente que multiplica a la variable de educacion
secundaria, ya que, como se muestra en la tabla, este valor no es estadısticamente distinto de cero.
El valor de la elasticidad recien descrita es coherente con una amplia literatura que intenta medir,
por medio de multiplicadores, los aportes de las universidades al desarrollo de la region en la que se
establecen fısicamente. Elliot y Meisel (1987) y McMahon (2009) postulan que un aumento de un dolar
en lo que se invierte en el desarrollo de una universidad implica, en promedio, un aumento posterior
en la inversion regional de 2 dolares, o sea el valor promedio del multiplicador serıa de 2. Por otro
lado, Cowan y Zinovyeva (2013) establecen que un aumento de un 1 % en el numero de universidades
de una region se traduce en un aumento de un 0.68 % del numero de patentes industriales de la region
en cuestion. A pesar de que las elasticidades recien descritas no son comparables directamente con
la elasticidad de 2.5 % encontrada en este trabajo, ya que miden fenomenos distintas, el objetivo de
este ejercicio de comparacion con la literatura es establecer que el resultado obtenido es coherente en
terminos de signo y magnitud en relacion a la literatura.
Son varias las razones que pueden explicar simultaneamente el efecto significativo y positivo (nulo, en
el caso de educacion secundaria) de la cobertura de educacion terciaria en la innovacion tecnologica.
Dentro de ellas vale destacar que la educacion secundaria historicamente se ha centrado mayormente
en el desarrollo de habilidades que no tienen gran relacion con las habilidades tecnologicas, tales como
pueden ser las habilidades blandas, de razonamiento logico-matematico y de lenguaje. En cambio, la
universidad se puede centrar en el desarrollo de habilidades mucho mas tecnicas y especıficas como son
las habilidades tecnologicas, ya que lo basico para desenvolverse correctamente en la sociedad ya fue
cubierto en la secundaria. En la misma lınea, se puede argumentar que la educacion universitaria es
la que se centra en la innovacion y creatividad, mientras que en la educacion secundaria se trabajan
22
los aspectos analıticos y culturales, lo que explicarıa los resultados encontrados. Tambien, se podrıa
concluir que la inversion en cobertura de la educacion terciaria tiene un impacto significativo y positivo
en el nivel de desarrollo tecnologico que tienen las industrias en las que trabaja la poblacion, mientras
que el impacto de la inversion en la cobertura de educacion secundaria es estadısticamente cero.
VII. Ejercicios de Robustez y Extensiones
Se llevaron a cabo dos ejercicios principalmente para esta seccion. El primero consiste en analizar
los coeficientes relevantes de la mismas regresiones de la tabla 4, pero cambiando los outcomes de
innovacion tecnologica, con el objetivo de analizar la robustez de los resultados obtenidos cuando se
cambian las definiciones de la variable dependiente. El segundo ejercicio tiene como objetivo ilustrar
sobre el hecho de que, a pesar que la separacion de niveles de educacion es clave para analizar los
efectos causales de esta, existen otros metodos posibles para lograr dicho objetivo.
VII.A Robustez
Para analizar la robustez de los resultados principales, se analizan los coeficientes de regresiones en
que se cambia la definicion de innovacion tecnologica. Se van a ocupar tres definiciones alternativas de
innovacion tecnologica, la primera consiste en un ındice tecnologico segun la ocupacion de los individuos
de un estado y cohorte, la segunda en una variable construida igual que R& D por empleado, pero
la razon que se asigna a cada individuo en vez de ser el gasto de la industria en que trabaja por
empleado, es el gasto de la industria en que trabaja partido por las ventas anuales de dicha industria.
Y por ultimo, la tabla 7, muestra los coeficientes de las regresiones ocupando una variable de innovacion
tecnologica basada en la construccion de una proxy de los cambios de TFP.
Se va a partir explicando la tabla 5, que ocupa como variable dependiente de innovacion tecnologica
una medida que se basa en el nivel de innovacion de las distintas ocupaciones. Tal como ya se explico en
la seccion IV de Datos, esta variable se construyo definiendo si las ocupaciones de los individuos eran
intensivas en innovacion tecnologica o no, segun eso se le asigno el valor de 1 o 0, respectivamente.
El criterio para seleccionar las ocupaciones en cada una de las categorıas se baso en la intensidad con
que los individuos de una determinada ocupacion trabajaban en industrias con alto nivel de R& D
por empleado. Una vez asignado el valor de 1 o 0 a cada individuo, se procedio a promediar todos
23
estos valores con el objetivo de conocer el porcentaje de la poblacion de cada observacion que tiene
ocupaciones intensivas en innovacion tecnologica, siendo este porcentaje el valor que toma la variable.
Un 23 % de la fuerza laboral total trabaja en ocupaciones tecnologicas.
Tabla 5: Segunda Etapa, Tecnologıa por Ocupacion
(1) (2) (3)OLS IV IV controles
VARIABLES Ocupacion Ocupacion Ocupacion
Ed.Sec -0.0828 0.00457 0.00698(0.0494) (0.0906) (0.0947)
Ed.Ter 0.279*** 0.681*** 0.660***(0.0453) (0.223) (0.200)
Constant 0.198***(0.0422)
Controles No No SıObservaciones 1,470 1,470 1,470N◦ de estados 49 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
Como se observa en la tabla 5, los resultados se mantienen, los niveles de educacion terciaria son
significativos y positivos, mientras que la educacion secundaria no. Como ya se dijo, la tercera columna
es la mas relevante y completa, luego un aumento de un 1 % en los niveles de educacion terciaria,
implicarıa un aumento de un 0.66 % en el porcentaje de la poblacion que trabaja en una ocupacion
tecnologica.
La tabla 6 muestra los resultados de usar como variable de tecnologıa R& D partido por las ventas,
que como ya se explico, se construyo de igual manera que la variable R& D por empleado, pero las
razones que se le asignaron a cada individuo fueron las razones de R& D partida por las ventas anuales
de la industria relevante para cada trabajador.
Nuevamente los resultados son los esperados, la educacion terciaria es significativa y positiva, mientras
que los niveles de educacion secundaria no tienen efecto significativo. Los coeficientes de esta regresion
indicarıan que un aumento de un 1 % en la poblacion que cumplio algun nivel de educacion terciaria
se traducirıa en un aumento de un 0.193 % en el porcentaje de gasto en R& D sobre las ventas totales
24
de las industrias en las que trabajan los individuos de cada cohorte y estado.
Tabla 6: Segunda Etapa, Gasto en R& D partido en Ventas
(1) (2) (3)OLS IV IV controles
VARIABLES RD ventas RD ventas RD ventas
Ed.Sec -0.0120** 0.0259 0.0261(0.00559) (0.0202) (0.0192)
Ed.Ter 0.0620*** 0.205*** 0.193***(0.0104) (0.0784) (0.0637)
Constant 0.0570***(0.00617)
Controles No No SıObservaciones 1,470 1,470 1,470N◦ de estados 49 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
Por ultimo, se hace un ejercicio de robustez ocupando la variable de innovacion tecnologica basada
en la TFP de los estados. Para la construccion de esta variable se ocuparon las bases de Jorgenson
(2007) y BEA, logrando obtener una medida de la TFP y del cambio de la TFP de la misma forma
que lo hacen Empora y Mamuneas (2011). Como ya se explico en la seccion de Datos, lo que se obtuvo
fue la TFP de cada estado para cada ano entre 1963 y 1997, no para cada cohorte. Para solucionar
esto de alguna manera, se promedio la TFP y los cambios en ella para un perıodo de anos en que una
generacion estuviera activa laboralmente. Por ejemplo, a la generacion que nacio en 1910 se le asigno el
promedio de la TFP y los cambios en ella, del perıodo entre 1963 y 1968; en cambio, para la generacion
que nacio en 1911 se ocuparon los datos de TFP del perıodo entre 1964 y 1969.
Lo anterior obviamente no es lo ideal. Asignar un perıodo de anos a cada generacion es relativamente
arbitrario y los valores que toma esta variable no son 100 % asignables a cada generacion y cohorte,
como lo son cuando se usan las variables anteriores de innovacion tecnologica. Los datos anteriores de
tecnologıa nacıan de la misma cohorte y generacion, ya que la base de IPUMS ası lo permite, lo que no
sucede en este caso. Dado esto y tal como se puede esperar, los resultados de esta regresion (tabla 7)
no resultan significativos en ningun caso, lo que probablemente ocurre por la razon recien explicada.
En otras palabras, no se esta logrando captar los cambios en TFP propios a cada cohorte y estado, a
25
Tabla 7: Segunda Etapa, Cambios en TFP
(1) (2) (3)OLS IV IV controles
VARIABLES cambio tfp cambio tfp cambio tfp
Ed.Sec -0.00380 -0.0147 -0.0163(0.00614) (0.0729) (0.0744)
Ed.Ter 0.00128 -0.0643 -0.0615(0.00812) (0.0610) (0.0553)
Constant 0.0218***(0.00675)
Controles No No SıObservaciones 1,470 1,470 1,470R-cuadrado 0.225 0.159 0.169Numero de estados 49 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
cada observacion de la muestra.
Notar que en la tabla 7 se usa como variable de innovacion tecnologica los cambios en TFP, ya que
esta medida es mas adecuada en este caso. Los niveles de TFP miden stocks de tecnologıa, mientras
que los cambios en TFP captan los niveles de innovacion tecnologica, que es lo que se intenta medir
en esta tesis. Igualmente se hizo el ejercicio de las regresiones con los niveles de TFP y los resultados
se encuentran en la tabla 10 del anexo, pero estos difıcilmente representan lo que se quiere captar en
este trabajo y ademas presentan el mismo problema que la tabla 7.
VII.B Extensiones
En las tablas 8 y 9 se muestran los resultados de las primeras y segundas etapas, pero en este caso,
en vez de separar por distintos niveles educacionales, lo que se hizo fue generar una variable que
de alguna manera resume los distintos niveles de educacion. A esta variable se le llamo Educacion,
y se construyo como el mayor grado obtenido por el agente representativo de la poblacion de cada
observacion; de esta manera se captura el nivel promedio de educacion.
Como se observa en la tabla 8, todas las primeras etapas son fuertes y todos los coeficientes tienen el
signo esperado, que es positivo. Las variables de GiBill y de CSL afectan en todos los casos positiva y
26
Tabla 8: Primera Etapa. Variable de educacion, como mayor grado educacional promedio
(1) (2) (3)CSL& GiBill CSL GIBILL
VARIABLES Educacion Educacion Educacion
CSL 0.0960*** 0.102***(0.0316) (0.0320)
GiBill 1.897*** 1.958***(0.392) (0.379)
Constant 10.86*** 10.84*** 11.73***(0.287) (0.293) (0.154)
Controles Si Si SıObservaciones 1,470 1,470 1,470R-cuadrado 0.714 0.705 0.710N◦ de estados 49 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
significativamente a la educacion promedio.
Uno de los postulados principales de este trabajo es que separar los distintos niveles educacionales es
clave para entender la relevancia de la educacion en distintos outcomes como pueden ser innovacion
tecnologica o niveles de ingreso. Lo que se hace en este ejercicio es justo lo contrario, se usa una sola
variable de educacion que no mide lo relevante a los distintos niveles.
La tabla 9 muestra los resultados de las segundas etapas, usando como variable dependiente la R& D
por empleado. En la primera columna se instrumenta educacion con CSL y GiBill en conjunto, en la
segunda columna se instrumenta educacion solamente con CSL, y en la tercera columna se instrumenta
solamente con la variable de GIBill. Tal como se puede observar, el coeficiente de educacion es altamente
significativo y positivo cuando se instrumenta por GIBill y no es significativo cuando se instrumenta
por el CSL. Eso indica que la separacion de los niveles educacionales no es tan importante si es que se
usa un LATE (local average treatment effects) e instrumentos que afecten directamente a un nivel de
educacion en especıfico, a diferencia de lo que dice el parrafo anterior, ya que los resultados son muy
similares a los que se obtuvieron separando en distintos niveles de educacion, como se hace en la tabla
4.
27
Tabla 9: Segunda Etapa. Variable de educacion, como mayor grado educacional promedio
(1) (2) (3)CSL& GiBill CSL GIBILL
VARIABLES RD emp RD emp RD emp
Educacion 0.273** -0.169 0.496***(0.119) (0.109) (0.154)
Controles Si Si SıObservaciones 1,470 1,470 1,470N◦ de estados 49 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
VIII. Conclusiones
En este trabajo se estudio la relacion causal que tienen los distintos niveles educacionales (educacion
secundaria y educacion universitaria) con variables de innovacion tecnologica. Para lograr dicho ob-
jetivo se estimaron los coeficientes de regresiones que tenıan como variable dependiente la innovacion
tecnologica y como variables independientes los porcentajes de la poblacion de cada observacion que tie-
nen algun grado de educacion secundaria y/o terciaria cumplido. El metodo de estimacion consistio en
un 2SLS para ası eliminar los problemas de endogeneidad. Como son dos variables independientes y
posiblemente endogenas, se usaron dos instrumentos, que consisten en las Compulsory Schooling Laws
para la educacion secundaria y los beneficios educacionales recibidos por los veteranos de la Segunda
Guerra Mundial, que instrumenta educacion universitaria. Para medir innovacion tecnologica, se cons-
truyo una metrica que resulta ser una proxy de gasto en R& D per capita, para cada observacion de la
muestra. Las variables de educacion consistieron en los porcentajes de la poblacion de cada observacion
que tienen algun grado de educacion secundaria y/o terciaria cumplido.
Los resultados obtenidos proveen evidencia de que los niveles de educacion universitaria sı son fun-
damentales para el desarrollo tecnologico, mientras que los niveles de educacion secundaria no. De
hecho, un aumento de un 1 % de la poblacion que tiene algun nivel de educacion terciaria cumplida va
a aumentar los niveles de R& D por trabajador en un 2.5 % , lo que no se puede decir en el caso de
educacion secundaria, ya que el coeficiente que la acompana en la regresion no es significativamente
distinto de cero.
28
Este resultado explicarıa en parte el hecho de que no se observa una convergencia a nivel de ingreso
per capita entre los paıses mas desarrollados y los subdesarrollados, a pesar de que los niveles de esco-
laridad promedio sı han convergido. Si se supone que el nexo entre tecnologıa e ingreso es fuertemente
positivo (Ang, Madsen y Islam 2011, y Vandenbussche, Aghion y Meghir 2004), mientras los paıses
subdesarrollados no mejoren sus ındices de cobertura de educacion terciaria, los niveles de innovacion
tecnologica y, por lo tanto, de ingreso, no van a converger con los de los paıses desarrollados, a pesar
de haber aumentado la cobertura de la educacion secundaria en gran medida.
Finalmente, para sacar conclusiones mas claras sobre la relacion entre los distintos niveles educacionales
y el nivel de ingreso por medio de la innovacion tecnologica, serıa clave contar con estudios empıricos
que analicen la relacion causal de todas estas variables. Lo que se hizo en esta tesis fue estudiar
empıricamente la relacion causal entre niveles de educacion y tecnologıa. Queda para investigacion
futura la relacion entre adopcion de tecnologıa e ingreso.
29
Referencias
[1] Abramovitz, Moses. The Search for the Sources of Growth: Areas of Ignorance, Old and New.
The Journal of Economic History, Vol. 53, No. 2. (Jun., 1993), pp. 217-243.
[2] Acemoglu, Autor, Lyle. Women, War, and Wages: The Effect of female labor supply on the
wage structure at midcentury. Journal of Political Economy (2004). Vol. 112, No. 3
[3] Acemoglu, Angrist. How Large are Human Capital externalities? Evidence from Compulsory
Schooling Laws. NBER Macroeconomics Annual (2000). Vol 15, pp 9 - 59.
[4] Acemoglu Technical Change, Inequality, and the Labor Market. Journal of Economic Literature
(2000)). Vol. 40, No. 1, pp. 7 - 72.
[5] Acemoglu, Akcigit, Bloom y Kerr. Innovation, Reallocation and Growth. NBER Working
Paper No. 18993 (2013).
[6] Ang, Madsen, Rabiul Islam. The Effects of human capital composition on technological con-
vergence. Journal of Macroeconomics (2011), Vol 33, pp 465-476.
[7] Aghion, Boustan, Hoxby and Vandenbussche. The Causal Impact of Education on Economic
Growth: Evidence from U.S. Working Paper(2009).
[8] Bound, Turner. Going to War and going to College; Did WWII and the G.I. Bill increase
Educational Attainment for Returning Veterans?. NBER (1999).
[9] Craig Riddell, Xueda Song. The Role of Education in technology adoption: Evidence from the
Canadian Workplace and Employee Survey. (2011).
[10] Coen Teulings, Thijs van Rens. Education, Growth and Income Inequality. Under revision
for resubmission the Review of Economics and Statistics (2003).
[11] Comin A. Diego, Ferrer Martı Mestieri. If technology has arrived everywhere, why has
income diverged?. NBER (2013)
[12] Cowan, Zinovyeva. University effects on regional innovation. Research Policy 42 (2013) 788
800.
30
[13] Elliott, Levin y Meisel. Measuring the Economic Impact of Institutions of Higher Education.
Research in Higher Education, Vol. 28, No. 1, AIR Forum Issue (1988), pp. 17-33.
[14] Empora, Mamuneas. The Effect of Emissions on U.S. State Total Factor Productivity Growth.
Review of Economics Analysis (2011).
[15] Eterovic, Sweet. Do Stronger Intellectual Property Rights Increase Innovation?. (2014) Avai-
lable at SSRN.
[16] Goldin, Katz. The Race between Education and Technology: The Evolution of U.S. Educational
Wage Differentials, 1890 to 2005. NBER, Working Paper (2007).
[17] Goldin The human-capital century and American leadership: Virtues of the past. The Journal of
Economic History (2001), Vol 61(2), pp 263-292.
[18] Griliches. The Search For RD Spillovers. NBER (1991)
[19] Hall, Jaffe y Trajtenberg. The NBER Patent Citations Data File: Lessons, Insights, and
Methodological Tools. NBER (2001).
[20] Jones, Williams. Measuring the Social Return to RD. (1997).
[21] Kogan, Papanikolaou, Seru y Stoffman. Technological Innovation, Resource Allocation,
and Growth. NBER Working Paper (2012)
[22] LLeras-Muney. Were Compulsory Attendance and Child Labor Laws Effective? An Analysis
from 1915 to 1939. Journal of Law and Economics (2002), Vol 45, pp 401-435.
[23] McMahon. Higher learning, greater good: the private an social benefits of higher education (2009).
[24] Mettler, Welch. Policy Feedback and the Political Participation: Effects of the G.I. Bill for
the WWII Veterans over the life course (2004).
[25] Masakazu Hojo. Farmer Education and Technology Adoption: The choice of Education Measu-
res (2004).
[26] Mansfield. RD and Innovation: Some Empirical Findings (1984).
31
[27] O´Neill. Education and Income Growth: Implications for Cross-Country Inequality. Journal of
Political Economy (1995), Vol 103, pp 1289 - 1301.
[28] Siegfried, Sanderson, y McHenry. The Economic Impact of Colleges and Universities. Wor-
king Paper (2006).
[29] Solow. A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics,
Vol. 70, No. 1. (Feb., 1956), pp. 65-94.
[30] Vandenbussche, Aghion, Meghir. Growth, Distance to Frontier and Composition of Human
Capital. JEL (2004), No: 120.
32
Anexo
Tabla 10: Segunda Etapa, TFP en niveles
(1) (2) (3)OLS IV IV controles
VARIABLES TFP TFP TFP
Ed.Sec -8.317 -121.0 -131.1(50.30) (204.3) (205.2)
Ed.Ter -9.043 -129.4 -109.3(45.09) (139.0) (123.6)
Constant 547.7***(47.22)
Controles No No SiObservaciones 1,470 1,470 1,470N◦ de estados 49 49 49
Errores Estandar en parentesis*** p<0.01, ** p<0.05, * p<0.1
33
Figura 1: Valor de Coeficientes de CSL, cuando cambia definicion de educacion.
-0.01
-0.005
0
0.005
0.01
0.015
0.02
0.025
8 9 10 11 12 13 14 15 16 17 18
Coeficiente CSL
Coeficiente CSL
34