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: jiloeser@uc.cl

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