fedea

Fundación de Estudios de Economía Aplicada

Un análisis del proceso de feminización de las aulas universitarias por Pablo Vázquez^* Marcelo Perera ** DOCUMENTO DE TRABAJO 2007-27

Serie 3 CÁTEDRA Fedea-Santander

Septiembre 2007

* FEDEA y UCM. ** FEDEA.

Los Documentos de Trabajo se distribuyen gratuitamente a las Universidades e Instituciones de Investigación que lo solicitan. No obstante están disponibles en texto completo a través de Internet: http://www.fedea.es. These Working Paper are distributed free of charge to University Department and other Research Centres. They are also available through Internet: http://www.fedea.es.

Jorge Juan, 46 28001 Madrid -España Tel.: +34 914 359 020 Fax: +34 915 779 575 infpub@fedea.es

3. Serie Capital Humano y Empleo

Resumen

El presente documento pretende recoger evidencia sobre algunos de los factores que explican el proceso de segregación por género, o proceso de feminización, en las profesiones universitarias. La evidencia no resultó demasiado robusta. Las estimaciones apoyan, aunque de manera débil, las siguientes hipótesis: el riesgo de paro asociado a una profesión es un factor que predomina más en las decisiones de los hombres. Asimismo, las mujeres valoran positivamente (ponderan más) en sus decisiones el número de horas efectivas trabajadas, prefiriendo aquellas titulaciones asociadas a ocupaciones con menos horas de trabajo.

1. Introducción

Las mujeres ocupan hoy la mayoría de los asientos de las aulas universitarias en España y en buena parte de los países de la OCDE (Ono, 2002). Este es el resultado de la evolución que ha tenido lugar en las dos últimas décadas, y que sin duda puede calificarse, por muchos motivos como positiva. Al mismo tiempo, mujeres y hombres no se reparten de manera uniforme entre las diferentes titulaciones del sistema universitario.

En la tabla 1 se observa que, si bien a nivel global entre 1995 y 2003 el porcentaje de mujeres es prácticamente constante a nivel de todo el sistema universitario, las ramas de Ciencias de la Salud y Experimentales son las que muestran un mayor incremento de la proporción de mujeres (de 5 y 8 puntos respectivamente), siendo la primera la que presenta el mayor grado de feminización en todo el período (más del 70%). En las carreras de Pedagogía, Traducción, Psicología, Filología, Farmacia y Medicina el porcentaje de mujeres supera el 65%, mientras que la feminización es mucho menor en las carreras de Ingeniería (véase tabla A1 del anexo).

Tabla 1. Alumnos matriculados en las universidades españolas según rama de enseñanza y sexo (60 titulaciones). Años 1995 a 2003

Las carreras de la rama de “ciencias de la salud” son las que presentan el mayor grado de feminización en las últimas décadas. Las mujeres ya eran mayoría en el alumnado de estas carreras a principios de los ‘80 (54% en 1982) y su participación ha ido en aumento, alcanzando las tres cuartas partes en 2004.

Gráfico 2: Porcentaje de Mujeres en las carreras de “ciencias de la salud”

Esta presencia mayoritaria de las mujeres en las ciencias de la salud esconde diferencias importantes entre titulaciones. En general, las de ciclo largo, las que permiten obtener un título de licenciado, han sido las carreras donde el descenso de los estudiantes varones ha sido más importante. En 20 años (1982-2002), un 70% de los hombres han “abandonado” la carrera de Medicina, un 50% la de Farmacia (que siempre ha estado feminizada) y un 22% la de veterinaria. Las carreras de ciclo corto, donde la presencia de las mujeres era ya relevante, han continuado feminizándose.

Tabla 2. Alumnos matriculados en las carreras de ciencias de la salud. 1995-2004

La disparidad en la distribución por sexo de los alumnos universitarios entre titulaciones, puede analizarse desde el concepto de segregación. Si se utiliza el índice de Duncan & Duncan (1955) para obtener una medida del grado de segregación por sexo en las titulaciones se obtiene un valor 26,8 y 30,8 entre 1995 y 2004. Esta medida puede interpretarse como el porcentaje de hombres o mujeres que deberían cambiar de carrera para que la distribución por sexo fuera idéntica entre carreras. En el siguiente gráfico se presenta la evolución de dicho índice entre los años 1995 y 2004.

fit

S_t=0,5*Σ_i|m_it-f_it|

Mit

¹ Este índice se define como donde m_it es la proporción de mujeres que estudian la carrera i en el año t, y f_it es la proporción de hombres que estudian en la carrera i en el año t.

Gráfico 1. Evolución del índice de segregación de Duncan. 1995-2004

El grado de segregación presenta una leve tendencia al alza entre 1995 y 2004, el índice se incrementa 4 puntos porcentuales en dicho período. Para entender las razones de este aumento, se realiza a continuación la descomposición del índice de Duncan propuesta en Blau et al. (1998)². La idea detrás de la descomposición es que el aumento de la segregación puede explicarse por un aumento de la diferencia del porcentaje de mujeres y hombres dentro de las carreras (efecto “composición por sexo”), o a un cambio en la distribución de los alumnos por carreras (mayor peso de las carreras donde existe mayor diferencia en el porcentaje de hombres y mujeres). Obsérvese que el primer componente puede considerarse un aumento (o disminución) “genuino” de la segregación. Los resultados muestran que el aumento del índice en esos nueve años se explica básicamente por el cambio en la composición por titulaciones, es decir por un aumento del peso de aquellas carreras donde es mayor la diferencia entre el porcentaje de mujeres y hombres (de hecho la composición por sexo explica una caída del 1%, mientras el cambio en el mix de titulaciones explica un aumento del 5% en el índice).

Dada la segregación por género en las carreras universitarias, es esperable que la misma explique la posterior segregación ocupacional en el mercado laboral. Sobre la segregación ocupacional existen diversas explicaciones, siendo la discriminación una de las principales. Según este concepto las mujeres son discriminadas en el mercado laboral y como resultado se encuentran sobrerepresentadas en ocupaciones de bajos salarios. Otras explicaciones se distancian del concepto de discriminación, por ejemplo Polachek (1985), que sostiene que la segregación ocupacional tiene que ver con la penalización asociada a la intermitencia en el mercado de trabajo. Las mujeres optarán por aquellas ocupaciones donde la penalización a la intermitencia sea menor y por tanto tenderán a elegir aquellas ocupaciones en las que predominen las mujeres. Otras explicaciones recurren a las diferentes motivaciones entre hombres y mujeres a la hora de optar por una ocupación o profesión, así Becker (1985) señala que las mujeres que esperan dedicar una parte importante de su tiempo al hogar optarán por ocupaciones que exijan menor esfuerzo relativo. En esta línea, algunos trabajos sostienen que las mujeres tienen una mayor preferencia por condiciones de trabajo por “fuera del mercado”, mientras que los hombres deciden más en “términos económicos” (por ejemplo, ponderando más factores como el salario y el riesgo de desempleo).

² Para más detalle véase el anexo.

El presente trabajo abordará indirectamente el fenómeno de la segregación ocupacional, dado que pretende analizar el grado de feminización en una etapa previa al ingreso al mercado laboral, es decir en las carreras universitarias. Hay numerosos trabajos que encuentran una relación directa entre la elección de una determinada carrera por parte del hombre y de la mujer y los retornos salariales que estos obtienen posteriormente en el mercado de trabajo (Montmarquette et al., 2002; Averett y Burton 1996)

En la teoría económica, las decisiones sobre el nivel (años) de educación y el tipo de titulación se explican a partir de los retornos esperados. Si los retornos de la educación son distintos entre hombres y mujeres en cada una de las titulaciones, tenemos una primera causa que explique la feminización de algunas profesiones. Ammermuller y Weber (2005) encuentran en Alemania esa diferencia entre hombres y mujeres en tasas de retorno. Los hombres obtienen las mayores tasas de retorno en Ingenierías, mientras las mujeres las encuentran en Educación.

Por otro lado, la constatación en España de que las mujeres en promedio obtienen mejores calificaciones que los hombres (Cabrillo et al., 2007), junto a la presencia de números clausus en el acceso a las carreras universitarias, permite pensar en un posible efecto de las notas de corte en el grado de feminización de las carreras. En esta situación las mujeres pueden aprovechar la ventaja que les supone sus mejores calificaciones, y acceder en mayor proporción que los hombres en las titulaciones con mayores notas de corte.

Como fuera señalado más arriba, la hipótesis de que en las decisiones de los hombres predominan factores como el retorno esperado (asociado al salario) y riesgo de paro, habilita a pensar, en una relación positiva entre la tasa de desempleo en las ocupaciones y el grado de feminización de las carreras asociadas a las mismas. Por su parte las mujeres, valorarán positivamente (ponderan más) en sus decisiones el número de horas efectivas trabajadas, prefiriendo aquellas ocupaciones con menores horas de trabajo.

El presente trabajo propone contrastar algunas de las hipótesis anteriores. En particular, y en base a la información disponible, se analizará la existencia de una relación empírica entre la feminización de las titulaciones universitarias y algunas de las variables mencionadas, como por ejemplo, las notas de corte en las pruebas de selectividad, la tasa de desempleo y las horas de trabajo en las distintas ocupaciones.

2. El modelo empírico y algunos aspectos econométricos

A continuación se presenta la especificación del modelo econométrico estimado para analizar la relación entre determinadas variables y el grado de feminización en las titulaciones universitarias,

\[y _ {i t} = \alpha_ {i} + \beta y _ {i t - 1} + \gamma^ {\prime} x _ {i t} + u _ {i t}\tag{1}\]

Donde i=1,2…, N indica la titulación universitaria T el curso académico. La variable dependiente y corresponde al grado de feminización de la matrícula, α es un efecto fijo de grupo (titulación) y x es un vector de k variables explicativas. Por otro lado se supone que . Como puede observarse la inclusión de la variable dependiente retardada como regresor se fundamenta en la hipótesis de “dependencia del pasado”, de manera que el modelo especificado es de tipo dinámico.

La estimación del modelo (1) merece algunas apreciaciones. En primer lugar cabe preguntarse sobre la propiedades del término en particular puede considerarse como un conjunto de realizaciones de una variable aleatoria tal que . En este caso se supone además la independencia entre α y el conjunto de variables explicativas (efectos aleatorios). Una segunda posibilidad es la consideración de como un parámetro fijo no independiente de los regresores (efectos fijos). El método de estimación apropiado será distinto según cada caso. Supongamos un modelo estático, es decir en (1), entonces, con el primero de los supuestos sobre el estimador consistente y eficiente será el llamado estimador mediante efectos aleatorios. Por el contrario, si se verifica la segunda hipótesis sobre el estimador consistente será el llamado estimador mediante efectos fijos (within-groups).

En segundo aspecto es la presencia de la variable dependiente retardada, esto implica la presencia de un regresor endógeno. Es decir, en un modelo autorregresivo como (1) el valor presente de y está correlacionado con los errores idiosincrásicos contemporáneos y pasados . En este caso la estimación con datos de panel mediante efectos fijos conduce a estimadores sesgados e inconsistentes (Nickell, 1981). Este sesgo es particularmente relevante cuando T es pequeño, mientras que con un T grande es esperable que dicho sesgo disminuya (Hsiao, 1986).

Un estimador asintóticamente eficiente del modelo dinámico (1) en presencia de efectos fijos es el propuesto por Arellano y Bond (1991). Este es un estimador mediante el Método Generalizado de Momentos (GMM) que selecciona los propios retardos de la variable endógena y las variables exógenas (y sus retardos) como instrumentos de

Finalmente conviene señalar que la variabilidad de corte transversal (between-groups) en nuestros datos puede estar recogiendo un fenómeno diferente al de la variabilidad temporal (within-groups). Por ejemplo, se suele señalar que la variabilidad de corte transversal viene determinada por las relaciones de largo plazo mientras que la variabilidad temporal por la dinámica de corto plazo (Baltagi & Griffin, 1984; Pesaran & Smith, 1995); incluso los signos de los efectos de determinadas variables pueden ser distintos en una y otra dimensión.

∆y_t-

Este método aplica la transformación en primeras diferencias a la ecuación (1) para eliminar los efectos individuales inobservados, por lo que ahora la variable del lado derecho es ₁.

3. Los datos y una primera evaluación

La información sobre al número de alumnos matriculados según sexo en las diferentes titulaciones y las notas de corte en los cursos académicos de 1994/95 a 2002/03 tiene como fuente el Consejo de Coordinación Universitaria del Ministerio de Educación y Ciencia. Un segundo conjunto de información utilizada corresponde a la Encuesta de Población Activa (EPA) del Instituto Nacional de Estadística. A partir de la misma se construyó una proxy de la tasa de desempleo específica de cada ocupación (td_i), definida como los parados con experiencia de empleo en la ocupación i sobre los ocupados y parados propiamente dichos en esa ocupación . En segundo lugar se consideró el promedio de horas semanales habituales trabajadas en cada ocupación como un indicador de la dedicación horaria “exigida” por el mercado en cada ocupación. Por último se estableció una correspondencia entre titulaciones y ocupaciones que permitió unir ambos conjuntos de información.

A continuación se presenta una primera descripción de la relación entre la nota de corte y el porcentaje de mujeres en las ramas de la enseñanza universitaria. Luego veremos la relación de esta última con la tasa de paro, y finalmente con las horas promedio trabajadas en cada ocupación.

Las notas de corte

En el siguiente gráfico se presenta el diagrama de dispersión entre el porcentaje de mujeres por rama/año y las notas de corte promedio por cada rama/año. En primer lugar se constata cierta estratificación de las ramas de enseñanza según estas dos variables; el único solapamiento se produce entre las ramas de humanidades y sociales. Dentro de las ramas con mayor grado de feminización, se encuentra en un extremo las de humanidades y ciencias sociales con una nota de corte por debajo del promedio, y en el otro extremo la de ciencias de la salud que presenta en todo el período las notas de corte más elevadas. En cuanto a las ramas de ciencias experimentales y técnicas, ambas comparten la tendencia descendente de la nota de corte (en menor medida ciencias sociales) al tiempo que incrementan la participación de las mujeres en su matrícula (véase gráfico del anexo para mayor claridad de la evolución temporal de la nota de corte). Por todo lo anterior no se observa una relación clara a priori entre las notas de corte y el grado de feminización según rama de enseñanza. Probablemente si se excluye la rama de ciencias de la salud, la relación es más clara, tanto a nivel de sección cruzada (en cada año las ramas con menor nota de corte presentan mayor % de mujeres) como a nivel temporal (la tendencia a la disminución de las notas de corte ha ido acompañada de una mayor feminización, lo que sería sólo evidencia de correlación y no de la causalidad).

⁴ Nivel de desagregación a 3 dígitos de la CNO-94.

⁵ Observar que el impedimento para definir estrictamente la tasa de desempleo específica deriva de la imposibilidad de asignar una ocupación a los parados que buscan su primer empleo.

Gráfico 3. Porcentajes de Mujeres en cada rama/año y notas de corte promedio

Tasa de desempleo

En el siguiente gráfico se presenta el valor de la tasa de desempleo específica de las ocupaciones pertenecientes a las distintas ramas de la enseñanza universitaria. Si bien se constata descenso generalizado del desempleo en las profesiones de todas las ramas universitarias, el ordenamiento de las ramas de enseñanza en función de la tasa de paro se mantiene constante, salvo en 2000 y 2003 donde hay una pequeña alteración. Teniendo en cuenta esto último y el grado de feminización en las distintas ramas de enseñanza (ver tabla 1), se constata una relación positiva de la tasa de desempleo y la proporción de mujeres matriculadas.

Gráfico 4. Tasa de desempleo específica promedio de las ocupaciones correspondientes a las ramas de la enseñanza universitaria. (cálculos en base a EPA-INE). Años 1995 a 2003

Horas trabajadas

Respecto a las horas de trabajo, en el gráfico 5 se observa que las ocupaciones vinculadas a la rama de enseñanza técnica presentan sistemáticamente un promedio de horas de trabajo superior al resto. En el otro extremo las ramas de humanidades y de ciencias sociales y jurídicas son las que presentan menos horas de trabajo en promedio. Obsérvese que el ordenamiento de las ramas de enseñanza del gráfico 3 es prácticamente el inverso del gráfico 2, y es prácticamente el mismo que resultaría de ordenar (de menor a mayor) las ramas según del grado de feminización de las mismas (ver % de Mujeres en la tabla 1).

Gráfico 5. Horas de trabajo semanales habituales promedio de las ocupaciones correspondientes a las ramas de la enseñanza universitaria. (cálculos en base a EPA-INE). Años 1995 a 2003

La apreciación anterior es una primera evidencia de una relación positiva entre la tasa de desempleo específica y la feminización de la profesión, y una correlación negativa entre el número de horas de trabajo en cada profesión y el grado de feminización de la misma.

4. Resultados

A continuación se presentan los resultados del modelo explicativo de la feminización de las distintas titulaciones universitarias. La variable dependiente es la transformación logística de la proporción de mujeres matriculadas en cada titulación⁶. En la tabla 3 se presentan los resultados de distintos métodos de estimación. En primer lugar se muestra la estimación por MCO de los datos agrupados ignorando la estructura de panel. El coeficiente de la nota de corte es positivo, indicando una relación positiva entre esta y la feminización de la matrícula universitaria, aunque no resulta significativo. Por otro lado las horas habituales trabajadas son significativas al 1% y con signo negativo, lo que sugiere una mayor propensión de las mujeres a estudiar aquellas profesiones en cuyas ocupaciones se observa una menor carga horaria relativa. Las dummies de ramas de actividad muestran un perfil similar al observado en la tabla 2, es decir la rama de la salud tiene el factor individual más favorable a la feminización, le siguen las ciencias sociales y humanidades, luego las experimentales y finalmente la rama con menor valor es la de enseñanzas técnicas (dummy excluida).

⁶ La transformación es: f=ln(p/1-p) donde p=proporción de mujeres. Dicha transformación permite que la variable dependiente tenga un rango de variación entre -∞ y +∞.

La segunda columna de la tabla 3 corresponde a la estimación mediante efectos fijos. El término autorregresivo resulta significativo y cercano a 0,6. En segundo lugar, sólo la nota de corte resulta significativa y con signo negativo. En la tercera columna se presenta una ligera variante del modelo (1) que consiste en introducir el componente dinámico mediante un error que sigue un proceso autorregresivo de primer orden (como alternativa a la variable dependiente retardada) . El resultado respecto a la nota de corte es similar al obtenido en la estimación anterior (significativo y con signo negativo). La tasa de desempleo es significativa al 10% y con efecto positivo, indicando una mayor propensión de las mujeres (o menor propensión de los hombres) a optar por carreras relacionadas con ocupaciones en las que se observan mayores dificultades de empleo. Finalmente las horas trabajadas resultan significativas y con signo negativo. Este resultado indica una mayor propensión de las mujeres a matricularse en aquellas profesiones relacionadas a ocupaciones con jornadas laborales de menor intensidad horaria.

En la cuarta columna se presenta la estimación del modelo en primeras diferencias que utiliza los retardos de la variable dependiente y de los restantes regresores como instrumento de la variable dependiente retardada. Dicha estimación arroja un coeficiente autorregresivo cercano a 0,5; la nota de corte resulta significativa (al 5%) y con signo negativo similar al la estimación anterior. Por otro lado sólo la tasa de desempleo resulta significativa al 5% y con signo positivo. Este último resultado indica que a menor riesgo de desempleo en una ocupación, mayor es la proporción de hombres matriculados en la carrera universitaria correspondiente.

⁷ El modelo es el siguiente: . Obsérvese que, a diferencia de

(1), la persistencia está dada por la estructura autorregresiva del término de error, y no por la variable dependiente retardada.

Tabla 3. Estimación del modelo explicativo de la feminización de las profesiones universitarias (variable dependiente: transformación logística del % de Mujeres en cada titulación)

Sig. ***1%, **5%, *10% Nota: N: 60 titulaciones, 9 años (1995-2003) f(t-1) corresponde a la variable dependiente retardada. Se omite la dummy de la rama de enseñanza "técnicas", y la dummy de "ciclo corto"

La última columna corresponde a la estimación “beween-groups” que consiste en estimar una regresión promediando los valores anuales de cada grupo –titulación-, y eliminando por tanto la dimensión temporal . Obsérvese que esta estimación explota la variabilidad de corte transversal y, dependiendo del tipo de datos, es probable que arroje resultados distintos a los anteriores. A su vez, excluye la variable dependiente retardada. Como puede observarse en la tabla 3, la mayor discrepancia respecto a los resultados previos, es el signo positivo y significativo del coeficiente de la nota de corte, indicando que la feminización es mayor cuando más alta es la nota de corte. Por otro lado resultan significativas las horas trabajadas (con igual signo que las restantes estimaciones) y las dummies de rama de actividad, que muestran un perfil similar al comentado más arriba, siendo las titulaciones de la rama ciencias de la salud las que presentan el mayor efecto de grupo.

⁸ Resultando una regresión con 60 observaciones (titulaciones) a diferencia del panel, donde la cantidad de observaciones es 540=60x9.

Una alternativa a las estimaciones precedentes es considerar como variable dependiente, en lugar del grado de feminización de las carreras universitarias⁹, directamente el grado de feminización de las ocupaciones. La tabla A2 del anexo presenta los resultados de dicha alternativa. Se consideraron 24 ocupaciones asociadas a las diferentes titulaciones¹⁰. Los resultados no son muy diferentes, cabe mencionar por ejemplo que las horas trabajadas resultan significativas solo en una de las estimaciones, mientras que la tasa de desempleo es significativa al 5% en la segunda, tercera y cuarta estimación.

5. Comentarios finales

Los resultados previos muestran, en primer lugar, un importante componente de “path dependence” en la feminización de las profesiones universitarias. En segundo lugar el efecto de la nota de corte no es robusto a la dimensión de la variabilidad que se considere. Esto es, mientras la participación de las mujeres en la matrícula universitaria tiende a aumentar en aquellas titulaciones que han experimentado una disminución de sus notas de corte, también es cierto que las carreras con mayor nota de corte promedio presentan un mayor grado de feminización.

Por otro lado la tasa de desempleo resulta significativa y con el signo esperado en dos de los tres modelos dinámicos. El resultado indica que a mayor riesgo de desempleo de una profesión mayor es la proporción de mujeres matriculadas en las titulaciones correspondientes. Esta constatación está en línea con la hipótesis de que los hombres ponderan más el riesgo de desempleo (que además probablemente este correlacionado con el salario) en la selección de una carrera universitaria.

Respecto al número de horas habituales de trabajo, si bien el resultado no es robusto a la especificación dinámica, el signo del mismo es negativo en todas las estimaciones. Por lo tanto existe evidencia, aunque débil, de una mayor propensión de las mujeres a matricularse en aquellas profesiones asociadas a ocupaciones que presentan una jornada laboral menos extensa.

⁹ Lo que implica además hacer las respectivas correspondencias con las categorías de ocupación a 3 dígitos de la CON-94 para imputarles luego los valores de tasa de desempleo y horas de trabajo que surgen de la EPA.

¹⁰ La nota de corte corresponde al promedio ponderado (por la cantidad de alumnos) de la nota de corte de las titulaciones de cada ocupación.

Referencias

References

1. Arellano, M. & S. Bond (1991): “Some Test on Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equation”. Review of Economic Studies, 58, 277-297.

References

1. Baltagi, B. & J. Griffin (1984): “Short and Long Run Effects in Pooled Models”. International Economic Review, Vol. 25, No. 3, 631-645.

References

1. Becker (1985): “Human Capital, effort and the sexual division of labor”. Journal of Labor Economics, 3(1).

References

1. Bergman, B. (1974): “Occupational segregation, wages and profits when employers discriminate by Race and sex”. Eastern Economics Journal, 1.

References

1. Blau, F.D., P. Simpson, & D. Anderson (1998): “Continuing Progress? Trends in Occupational Segregation in the United States over the 1970s and 1980s”, NBER working paper no. 6716.

References

1. Duncan O.T. & B. Duncan (1955): “A Methodological Analysis of Segregation Indexes”, American Sociological Review, 20:210-217.

References

1. Hsiao, C. (1986): Analysis of Panel Data. Cambridge, Cambridge University Press.

References

1. Nickell, S. J. (1984): “An Investigation of the Determinants of Manufacturing Employment in the United Kingdom”. Review of Economic Studies, 51, 529-557.

References

1. Pesaran, M.H. & Smith, R. (1995): “Estimating Long-run Relationships from Dynamic Heterogeneous Panels”, Journal of Econometrics, 68, 79-113.

References

1. Polachek, W. (1985): “Occupational segregation: A defense of human capital predictions”. Journal of Human Resources, 20(3).

Anexos

Descomposición del índice de Duncan

El índice de Duncan se define de la siguiente manera:

\[\mathrm{S} _ {\mathrm{t}} = 0, 5 ^ {*} \Sigma_ {\mathrm{i}} | m _ {\mathrm{it}} - f _ {\mathrm{it}} |\tag{A1}\]

Donde es la proporción de mujeres y hombres respectivamente que estudian la carrera i en el año t. Si llamamos a la cantidad de mujeres y hombres que estudian la carrera i en t, y , entonces es posible expresar el índice de la siguiente manera:

\[S _ {\mathrm{t}} = 0, 5 ^ {*} \Sigma_ {\mathrm{i}} \left| \left(q _ {\mathrm{it}} T _ {\mathrm{it}} / \Sigma q _ {\mathrm{it}} T _ {\mathrm{it}}\right) - \left(p _ {\mathrm{it}} T _ {\mathrm{it}} / \Sigma p _ {\mathrm{it}} T _ {\mathrm{it}}\right) \right|\tag{A2}\]

Donde son las proporciones de hombres y mujeres en las respectivas titulaciones. Definiendo como el índice de Duncan calculado con las ponderaciones de sexo del año k y las ponderaciones de titulación (T) del año s, se tiene que el diferencial del índice entre 1995 y 2004, se puede expresar como la suma de dos términos:

\[\mathrm{S} _ {0 4, 0 4} - \mathrm{S} _ {9 5, 9 5} = (\mathrm{S} _ {0 4, 9 5} - \mathrm{S} _ {9 5, 9 5}) + (\mathrm{S} _ {0 4, 0 4} - \mathrm{S} _ {0 4, 9 5})\tag{A3}\]

Donde mide cuánto varía el índice entre 1995 y 2004 si se mantuviera constante la ponderación por titulación de 1995 y sólo variaran las proporciones por sexo dentro de cada titulación (efecto “composición por sexo”). Por otro lado el término mide cuanto varía el índice si se mantuviera la ponderación por sexo de 2004 y sólo variara la ponderación por titulación (T) (efecto “composición por titulación”).

Tablas

Tabla A1. Porcentaje de Mujeres matriculadas según titulación de ciclo largo. Curso 2003/04

Tabla A2. Estimación del modelo explicativo de la feminización de las profesiones universitarias (variable dependiente: transformación logística del % de Mujeres en cada ocupación)

Se omite la dummy de la rama de enseñanza "técnicas", y la dummy de "ciclo corto" f(t-1) corresponde a la variable dependiente retardada. Sig. ***1%, **5%, *10% Nota: N: 24 ocupaciones, 9 años (1995-2003)

Gráfico A1. Evolución del porcentaje de mujeres en algunas titulaciones. 1995-2004 (fuente: Ministerio de Educación y Ciencia-Consejo de Coordinación Universitaria)

Gráfico A2. Evolución de las notas de corte promedio por rama de enseñanza. Años 1995 a 2003

References

1. 2007-27: “Un análisis del proceso de feminización de las aulas universitarias”, Pablo Vázquez y Marcelo Perera.

References

1. 2007-26: “Ajuste ocupacional y pluriempleo de los médicos: ¿Importan las parejas?”, Juan José Dolado y Florentino Felgueroso.

References

1. 2007-25: “Determinantes del nivel de catalán de los inmigrantes en Cataluña: un análisis de sección cruzada a nivel comarcal”, Javier Ortega.

References

1. 2007-24: “Diferencias de género y temporalidad: El caso de los profesionales superiores en el sector sanitario en España”, Juan José Dolado y Florentino Felgueroso.

References

1. 2007-23: “Which Factors Determine Academic Performance of Undergraduate Students in Economics?: Some Spanish Evidence”, Juan José Dolado y Eduardo Morales.

References

1. 2007-22: “Initial Offers in Wage Barganing: Who Wins?”, Sergi Jiménez-Martín y Jaume García.

References

1. 2007-21: “Testing the Double Jeopardy Loyalty Effect Using Discrete Choice Models”, Jose Maria Labeaga, Nora Lado y Mercedes Martos

References

1. 2007-20: “On Various ways of Measuring Unemployment, with Applications to Switzerland”, Joseph Deutsch, Yves Flückiger y Jacques Silber.

References

1. 2007-19: “Earnings Functions and the Measurement of the Determinants of Wage Dispersion: Extending Oaxaca's Approach”, Joseph Deutsch y Jacques Silber.

References

1. 2007-18: “Reforma de las pensiones: La experiencia internacional”, Javier Alonso y J. Ignacio Conde-Ruiz.

References

1. 2007-17: “Production Subcontracting and Location”, Adelheid Holl.

References

1. 2007-16: “The Effect of Outplacement on Unemployment Duration in Spain”, F. Alfonso Arellano.

References

1. 2007-15: “Can gender parity break the glass ceiling? Evidence from a repeated randomized experiment”, Manuel F. Bagues y Berta Esteve-Volart.

References

1. 2007-14: “Measuring Poverty: Taking a Multidimensional Perspective”, Jacques Silber.

References

1. 2007-13: “School to Work Transitions and the Impact of Public Expenditure on Education”, Maite Blázquez Cuesta y J. Ignacio García-Pérez.

References

1. 2007-12: “La felicidad de los españoles: Factores explicativos”, Namkee Ahn y Francisco Mochón.

References

1. 2007-11: “¿Por qué preocupa la inmigración?: Un análisis de los datos de la encuesta del CIS”, Namkee Ahn y Pablo Vázquez.

References

1. 2007-10: “Value of Intangible Job Characteristics in Workers’ Job and Life Satisfaction: How much are they worth?, Namkee Ahn.

References

1. 2007-09: “Transitions into Permanent Employment in Spain: An Empirical Analysis for Young Workers”, J. Ignacio García-Pérez y Fernando Muñoz-Bullón.

References

1. 2007-08: “The Use of Permanent Contracts Across Spanish Regions: Do Regional Wage Subsidies Work?”, J. Ignacio García Pérez y Yolanda Rebollo Sanz.

References

1. 2007-07: “The Redistributive Design of Social Security Systems”, J. Ignacio Conde-Ruiz y Paola Profeta.

References

1. 2007-06: “Collective Bargaining and the GenderWage Gap: A Quantile Regression Approach”, Florentino Felgueroso, María José Pérez-Villadóniga y Juan Prieto.

References

1. 2007-05: “Residential Mobility and Labor Market Transitions: Relative Effects of Housing Tenure, Satisfaction and Other Variables”, Namkee Ahn y Maite Blázquez.

References

1. 2007-04: “Una aproximación a la identificación y propagación de los shocks en una economía pequeña y abierta: El caso uruguayo”, Juan Marcelo Perera.

References

1. 2007-03: “Análisis Cuantitativo del Estado de Bienestar en Europa: Modelos y Resultados”, J. Ignacio Conde-Ruiz, Carlos Ocaña Orbis y Gabriel Pérez-Quiros.

References

1. 2007-02: “A Proposal to Distinguish State Dependence and Unobserved Heterogeneity in Binary Brand Choice Models”, Jose Mª Labeaga-Azcona y Mercedes Martos-Partal.

References

1. 2007-01: “Felicidad y expectativas”, Namkee Ahn y Francisco Mochón.

References

1. 2006-29: “Labour Participation of People Living with HIV/AIDS”, José M. Labeaga y Juan Oliva.

References

1. 2006-28: “Crecimiento económico y generaciones de capital”, Raouf Boucekkine, Omar Licandro y Luis A. Puch.

References

1. 2006-27: “Strategic Weight Within Couples: A Microsimulation Approach”, Kristian Orsini and Amedeo Spadaro.

References

1. 2006-26: “Desigualdad en consumo y renta en España y su relación con algunas variables demográficas”, Antonio Cutanda, José M. Labeaga y Francisco Mochón.

References

1. 2006-25: “An Evolutionary Theory of Inflation Inertia”, Alexis Anagnostopoulos, Omar Licandro, Italo Bove y Karl Schlag.