tesis-delabarra-2014 (1)

8/15/2019 tesis-Delabarra-2014 (1)

1/32

D O C U M E N T O

D E T R A B A J O

Instituto de Economía T E S I

S d e M

A G

Í S T E

R

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

Efecto de la Educación en Comportamiento de Toma de Deuda:

Evidencia para Chile

Pilar de la Barra.

2014


2/32

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

de la Barra Lioi, Ana Pilar

Diciembre, 2014


3/32

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

Efecto de la Educación en Comportamiento de Toma de Deuda:


Ana Pilar de la Barra Lioi

Comisión

José DíazFrancisco Gallego

Jeanne LafortuneRolf Lüders

Cassandra SweetMatias Tapia

José TessadaGert Wagner

Santiago, diciembre de 2014


4/32

Efecto de la Educación en Comportamiento de Toma de Deuda:


Pilar de la Barra

Diciembre, 2014

Resumen

En este trabajo se estima el efecto causal de la educación en distintas medidas de endeudamiento en

Chile. Se usa una estrategia de estimación por variables instrumentales, con la reforma educacional de

1981 como instrumento. En este contexto, se encuentra que un año de educación disminuye la probabilidad

de tener atraso y disminuye el número de tarjetas de casas comerciales cuya cuota los hogares no están

pagando completamente. Sin embargo, no se encuentra un efecto significativo en la probabilidad de tener

deudas no convencionales. Tampoco se encuentra un efecto significativo en la probabilidad de tener un

error de renegociación, incluso tomando en cuenta el sesgo de selección que se produce al solo medir el

error para quienes tienen una hipoteca a tasa fija. Aunque no es posible diferenciar si el nivel educacional

afecta el uso de deuda a través de la oferta o la demanda, vemos que existe una especie de segmentación

en los comportamientos de toma de deuda: hogares con mayor educación no se atrasan tanto en sus pagos

y tienen menos tarjetas en casas comerciales en deuda.

Trabajo realizado en el Seminario de Tesis de Magister EH Clio Lab (Conicyt PIA SOC 1102), Instituto de Economía UC.Agradezco los comentarios de José Díaz, Francisco Gallego, Jeanne Lafortune, Rolf Lüders, Cassandra Sweet, Matías Tapia yGert Wagner. Además, quisiera agradecer a José Tessada por su gran ayuda y apoyo durante la realización de este trabajo y amis compañeros de trabajo; Claudia Fischer, Jose Ignacio Loeser, Nicolás Martorell y Bernardita Pantoja. Agradezco tambiéna Carlos Madeira por la entrega de los datos de las Encuestas Financieras de Hogares. Todos los errores son de mi completaresponsabilidad, Email: [email protected]

1


5/32

1. Introducción

Los modelos económicos intertemporales asumen que los hogares eligen sus niveles de consumo, ahorro

y deuda de acuerdo a la hipótesis del ciclo de vida (Modigliani y Brumberg, 1954). Esta teoría predice que

las personas se endeudan cuando esperan que su ingreso futuro crezca, para poder suavizar su consumo a lo

largo de la vida. En este contexto, los mercados del crédito funcionan como un instrumento para transferir

ingresos futuros al presente y poder suavizar shocks de ingreso. Sin embargo, el acceso al crédito no solo hace

que un hogar sea menos vulnerable ante un shock, sino puede también aumentar la exposición de un hogar

a shocks de ingreso (Dynan y Kohn, 2007).

Así, aunque variaciones en el endeudamiento en el tiempo y entre individuos no necesariamente indi-

can que alguien está “sobre” o “sub apalancado”, hay indicadores que sugieren que hay hogares que toman

decisiones de deuda que terminan siendo muy costosas. Por ejemplo, existe evidencia de que los hogares

no minimizan su costo de deuda al no refinanciar óptimamente sus hipotecas (Agarwal, Driscoll y Laibson,

2013). Además, varios trabajos documentan una dispersión considerable en el costo de deuda, aún controlan-

do por riesgo de crédito de los hogares y otros atributos de los productos de crédito (Stango y Zinman, 2014;

Agarwal et al, 2009). En Chile, existe una considerable diferencia en algunos indicadores de deuda a través

de niveles educacionales. Según la Encuesta Financiera de Hogares (EFH) 2011-12, los hogares con mayor

carga financiera sobre sus ingresos (RCI) de deuda no asegurada son aquellos que tienen educación media

(20.9 %). Los hogares con educación universitaria tienen un RCI no asegurada de 17.8 %, mientras que para

quienes tienen más de 17 años de estudio, éste es de 13.3 %. Por otro lado, la probabilidad de estar atrasado

en el pago de una deuda es de 22.5% para quienes tienen educación básica y 26.3 % para quienes completaron

educación media. Esta probabilidad cae a 17.4% y 14.1 % para quienes tienen estudios universitarios y más

de 17 años de estudio, respectivamente.

El objetivo de este trabajo es tratar de identificar el efecto causal de la educación en distintas medidas

que reflejan el comportamiento de los hogares respecto al endeudamiento. Identificar el efecto causal de la

educación en el uso de deuda es relevante debido a la creciente disponibilidad y variedad de crédito a personas.

Muchos instrumentos de deuda no asegurada son accesibles para la gran mayoría de los adultos y, dado que

un hogar medio no consulta sus decisiones financieras de este tipo, nuestro estudio determina el rol de la

educación en las decisiones de crédito. A nuestro saber no hay ningún trabajo que utilice la gran variedad

de datos que proporciona la Encuesta Financiera de Hogares para medir el efecto causal de educación en

medidas de endeudamiento.

2


6/32

Existen dos desafíos importantes en este estudio. Primero, dado que es probable que existan variables

inobservables que afecten las decisiones de deuda y correlacionan con educación, existen razones para creer

que el estimador OLS estará sesgado. Segundo, es necesario encontrar variables proxy, pero lo más limpias

posibles, para medir errores o decisiones que no son óptimas en cuanto a la toma de deuda. En esta línea,

se calcula una variable que indica si un hogar no renegoció su hipoteca a tasa fija en un minuto en el

que le convenía y el número de tarjetas de casas comerciales cuya cuota los hogares no están pagando

completamente.

En cuanto al hecho de que los estimadores OLS estarían sesgados, se desarrolla una estrategia de esti-

mación por variables instrumentales. Explotamos el impacto heterogéneo que tuvo la reforma educacional

de 1981 sobre la escolaridad de las personas en Chile. Esta reforma transfirió la administración de estableci-

mientos públicos a las municipalidades e incentivó la provisión de educación por parte del sector privado con

recursos públicos a través de un sistema de vouchers . Esto llevó a una expansión considerable del sistema

de establecimientos subvencionados, aumentando la cobertura en educación. Esta reforma se reflejó en un

aumento la tasa de graduación y de la escolaridad promedio del país. La variación en el tiempo del impacto

de la reforma permitiría identificar el efecto causal de educación sobre el sobre endeudamiento.

Estudiando el impacto de la reforma educacional de 1981 sobre la escolaridad de los individuos encontra-

mos que éste se reflejó, principalmente, en un aumento de los años de educación. Tomando en cuenta este

resultado y usando una estrategia de estimación Two Sample 2SLS (en adelante TS2SLS), encontramos que

un año de educación disminuye en cerca de 20 % la probabilidad de tener una deuda atrasada para quienes

están cercanos al año de la reforma y disminuye en 0.23 el número de tarjetas de casas comerciales en deu-

da. No encontramos un efecto significativo de los años de educación en la probabilidad de tener deudas no

convencionales (como lo son los créditos de prestamistas, créditos en casas prendarias y fiado, entre otros) ni

en la probabilidad de no haber renegociado una deuda hipotecaria cuando convenía hacerlo. Estos resultados

sugieren que aunque no es posible diferenciar si el nivel educacional afecta el uso de deuda a través de la

oferta o la demanda, existe una especie de segmentación en los comportamientos de toma de deuda: hogares

con mayor educación no se atrasan tanto en sus pagos y tienen menos tarjetas en casas comerciales en deuda.

Esto puede deberse a que hogares con mayor educación tienden a tener mayores ingresos y, por lo tanto,

están menos restringidos, lo que hace que tengan mayor acceso a créditos más baratos y no tengan que llegar

al extremo de atrasarse en el pago de sus deudas o de usar instrumentos más caros como lo son las tarjetas

de casas comerciales. Por otro lado, esta especie de segmentación puede deberse a que hogares con mayor

educación tienen mayor financial literacy y son más conscientes de que atrasarse en sus pagos de deuda trae

3


7/32

consigo multas y mayores intereses. De la misma manera, son conscientes de que es posible reducir el costo

de la deuda concentrándola en los instrumentos menos costosos.

Este trabajo se relaciona con una creciente literatura empírica que trata de identificar distintos factores

que inciden las decisiones de toma de deuda y ahorro de los hogares. Campbell (2006) encuentra que existeuna correlación negativa entre ingresos y educación y probabilidad de refinanciar hipotecas en períodos en que

los intereses caen. Stango y Zinman (2009) encuentran que quienes no son capaces de calcular correctamente

intereses compuestos terminan acumulando más deuda y menos riqueza. Disney y Gathergood (2006), Lusardi

y Tufano (2009), Lusardi y de Bassa Scheresberg (2012) y Disney y Gathergood (2011) muestran la existencia

de una correlación negativa entre financial literacy y uso de deuda costosa. Por último, Cole, Paulson y Shastry

(2012) encuentran evidencia de una relación causal entre educación y probabilidad de declarase en bancarrota

y entre educación y credit scores .

El resto del trabajo se organiza de la siguiente manera. En la sección 2 se realiza una breve revisión de

la literatura relevante. En la sección 3 se explica la estrategia empírica usada para identificar el efecto de la

educación y en la sección 4 muestra los resultados. En la sección 5 se discuten los posibles canales a través

de los cuáles la eduación podría afectar las variables de deuda estudiadas. En la sección 6 se realizan tres

ejercicios de robustez y, finalmente, se concluye con la sección 7.

2. Revisión de Literatura

La teoría clásica plantea que los hogares minimizan el costo de su deuda, sin embargo, muchas veces

el comportamiento financiero de los hogares dista de lo que plantean estas teorías. Existe evidencia de que

los hogares no minimizan su costo de deuda al no refinanciar óptimamente sus hipotecas (Agarwal, Driscoll

y Laibson, 2013). Además, varios trabajos documentan una dispersión considerable en el costo de deuda,

aún controlando por riesgo de crédito de los hogares y otros atributos de los productos de crédito (Stango

y Zinman, 2014; Agarwal et al, 2009). Esto último implica que hay hogares tomando productos más caros

cuando podrían no hacerlo. Por otro lado, el atraso en pagos de tarjetas de crédito, así como sobrepasar el

límite de crédito, puede llevar a aumentar el costo de la deuda a niveles que no son óptimos (Mottola,2012).

Varios trabajos se han enfocado en identificar distintos factores que ayudan a explicar el sobreendeudamiento y

resultados relacionados con deuda como los mencionados anteriormente. Sin embargo, son pocos los trabajos

que encuentran relaciones causales, la gran mayoría documenta correlaciones. El presente trabajo busca

identificar el efecto causal de la educación en distintas medidas de deuda que son usadas en los trabajos

4


8/32

anteriores.

La correlación entre distintas medidas de toma de deuda y educación ha sido ampliamente documentada en

la literatura. Usando un modelo probit que controla por varias características demográficas, Campbell (2006)

reporta que quienes tienen menores ingresos y educación son menos propensos a refinanciar sus hipotecas enperíodos en que los intereses caen. Stango y Zinman (2009) encuentran que quienes no son capaces de calcular

correctamente intereses compuestos, terminan acumulando más deuda y menos riqueza. Los autores llaman

a este fenómeno “sesgo de crecimiento exponencial” y plantean que éste lleva a subestimar los intereses, el

pago mensual y duración de las deudas.

También se relacionan con este trabajo las investigaciones que se enfocan en financial literacy . Este

concepto se refiere a la habilidad de las personas para procesar información económica y tomar decisiones

sobre acumulación de riqueza, pensiones y deuda (Lusardi y Mitchell, 2013). En este ámbito, Moore (2003)

encuentra que los individuos menos educados en temas financieros tienen mayores probabilidades de tomar

deudas hipotecarias caras. Otro estudios encuentran una correlación negativa entre educación financiera y

uso de deuda costosa, como payday loans , casas de empeño, entre otros (Disney y Gathergood, 2006; Lusardi

y Tufano, 2009; Lusardi y de Bassa Scheresberg, 2012). Por último, Disney y Gathergood (2011) muestran

que hogares con bajo financial literacy tienen mayor probabilidad de estar atrasados en sus pagos de cuotas y

tienen mayores dificultades para pagar sus deudas. De existir un efecto de educación en la forma en que toman

deuda los hogares, estos resultados sugieren que la educación financiera podría ser un canal de transmisión.

Dentro de los trabajos que buscan identificar efectos causales se encuentra el de Cole, Paulson y Shastry

(2012). Los autores usan la variación exógena en educación generada por cambios en las leyes de escolaridad

mínima obligatoria en Estados Unidos y muestran que la educación tiene un efecto causal positivo y estadísti-

camente significativo en credit scores . Encuentran efectos más pequeños, pero estadísticamente significativos

y económicamente relevantes en la probabilidad de declararse en bancarrota y la probabilidad de sufrir fore-

closures en tiempos de crisis financieras. Lamentablemente, la especificación econométrica de este trabajo no

logra identificar efectos causales correctamente ya que incluye variables, como el ingreso, que pueden ser bad

controls , lo que hace que persista el problema de endogeneidad. También existen investigaciones que buscan elefecto causal de financial literacy en medidas de toma de deuda: Cole, Paulson y Shastry (2014) encuentran

que aunque cursos de finanzas en nivel de enseñanza media no tienen efecto, mediante a una estimación

de dif-in-dif encuentran que los cursos de matemáticas reducen la probabilidad de foreclosure en 0.3 puntos

porcentuales en promedio (de una base de 9 %) y la probabilidad de estar moroso en pago de tarjetas de

crédito en 0.2 puntos porcentuales (de una base de 12 %).

5


9/32

Para el caso de Chile, los trabajos existentes se han centrado en la identificación del efecto de financial

literacy sobre participación financiera, ahorro y riqueza. Behrman et al. (2010), usando datos de la Encuesta

de Protección Social y un enfoque de variables instrumentales, busca el efecto causal de financial literacy y

educación en la acumulación de riqueza de los hogares. Encuentra un efecto positivo de financial literacy , pero

no encuentra efectos de la educación condicional en financial literacy . Por su parte, Landerretche y Martínez

(2012), instrumentando la variable financial literacy , obtienen resultados que sugieren que un mayor nivel de

esta variable aumenta la probabilidad de participar en el mercado financiero. Por último, García (2012) usa

un enfoque de variables instrumentales y encuentra un efecto positivo de la educación en la participación en

el mercado financiero.

Finalmente, existe una amplia literatura que usa cambios exógenos de política como instrumentos para

educación. Dentro de los más importantes se encuentra el trabajo de Card (2001), que hace una revisión

de la literatura hasta la fecha sobre la relación causal entre educación e ingresos, discutiendo las diferencias

entre estimar por OLS y por variables instrumentales (IV). Duflo (2001) estudia el efecto de educación en

ingresos en Indonesia explotando la variación exógena que produjo la implementación de un programa de

construcción de establecimientos educacionales entre 1973 y 1978. En Chile, García usa la reforma de 1981

como instrumento para educación.

3. Estrategia Empírica

3.1. Datos

La principal fuente de datos de este trabajo es la Encuesta Financiera de Hogares (en adelante EFH) del

año 2011-12. Esta encuesta, realizada por el Banco Central de Chile se efectúa de forma anual desde el año

2007. Hasta ahora, esta es la única fuente de datos que permite relacionar los ingresos, activos, deudas y

gastos financieros de cada unidad familiar en Chile. Su objetivo es generar información detallada del balance

financiero de los hogares, indagando sobre aspectos como niveles de deuda, tipo de deuda, ingresos y activos delos hogares chilenos. Esta encuesta también contiene información sobre trabajo y características educacionales

para los 4059 hogares entrevistados. La EFH 2011-12 incorpora un panel rotativo con la EFH 2007, de esta

forma el 44.2% de los hogares entrevistados el 2011-12 corresponde a hogares entrevistados el año 2007. La

EFH es representativa a nivel urbano nacional para los años 2007 y 2011-12, sin embargo, los demás años la

encuesta es representativa a nivel metropolitano urbano.

6


10/32

Se usan cuatro variables dependientes que son resultados de distintas decisiones en el proceso de toma

de deuda de los hogares. Primero, se construye la variable Atraso, una dummy que indica si el hogar estuvo

en mora de algún compromiso de crédito en el último año (Disney et al., 2008; Cole et al. 2012, 2014). Se

considera que han tenido atraso quienes reportan haber caído en morosidad en los últimos 12 meses para los

distintos tipos de crédito que se registran en la EFH 1. Además, se usa la variable Deuda No Convencional ,

que indica si un hogar tiene alguna de las siguientes deudas:

Crédito de Prestamistas

Crédito en Casa Prendaria

Fiado

Otros

Estos tipos de deuda son considerados como costosos (Lusardi y Tufano, 2009; Disney y Gathergood,

2011, 2012) por lo que podrían indicar niveles excesivos de deuda debido a decisiones de endeudamiento. Sin

embargo, también es posible que reflejen el hecho de que existen hogares que no pueden acceder a otro tipo

de deuda menos costosa, por ejemplo, porque no tienen el colateral suficiente.

Dado que el simple sobre endeudamiento de los hogares no es un indicador de que existió un error en la

toma de decisiones y puede estar indicando un problema de inclusión financiera, buscamos alguna variable

que sea más limpia para medir “malas decisiones”. Por un lado, la variable Deuda Casa Com indica el número

de tarjetas de casas comerciales cuya cuota los hogares no están pagando completamente. Con esto se trata

de diferenciar entre quienes usan este tipo de tarjetas solo como medio de pago y quienes las usan como medio

de endeudamiento. Se considera que una cuenta de tarjeta de crédito en casas comerciales está en deuda si los

hogares reportan estar pagando las cuotas con atrasos o no estar pagando las cuotas. La idea es que aunque

podría ser óptimo tener varias tarjetas con distintas casas comerciales, por los beneficios que pueden traer,

no debería ser óptimo mantener deuda en varias tarjetas y muchas veces es posible disminuir el costo de la

deuda consolidando los créditos y reasignándolos al de menor costo.

Por otro lado, siguiendo a Agarwal et al. (2013), se construye la variable Error de Renegociación , que toma

valor 1 si un hogar tiene un crédito hipotecario a tasa fija y no lo renegoció siendo que le hubiera convenido

hacerlo. Los autores desarrollan una forma cerrada para resolver el problema de si conviene refinanciar o

no una hipoteca cuando hay una baja de tasas. Existe un cambio mínimo x∗ de la tasa a partir del cual

1Esto no incluye deuda educacional ni deudas con familiares o amigos

7


11/32

es conveniente refinanciar, tomando en cuenta costos de renegociación, impuestos y probabilidad de que las

tasas sigan bajando (y, por lo tanto, convenga esperar).

x∗ ≈ −

r σκ

M (1 − τ

p 2(ρ + λ (3.1)

donde σ es la desviación estándar de las tasas de créditos hipotecarios, κ es el costo de refinanciar, λ es el

parámetro de una función Poisson para el evento de repactación, ρ es la tasa de descuento, M es el valor real

de la hipoteca y τ es la tasa de impuestos.

Se construyó la variable x∗ para cada hogar que tenía vigente un crédito hipotecario a tasa fija en tres

momentos del tiempo en que la tasa de interés promedio de las hipotecas estuvo en un mínimo: enero

2005, mayo 2007 y octubre 2011. Así, para cada una de las tasas vigentes en estas tres fecha, si xit <

tasat −

tasainicial, convenía refinanciar en t. Luego, se creó una dummy que toma valor uno si conveníarefinanciar y el hogar reportó no haber refinanciado su deuda. La variable Error de Negociación toma valor

uno si un hogar no refinanció su deuda conviniéndole hacerlo en alguna de las tres fechas.

En la Tabla 1 se resume la relación entre estas cuatro variables y el nivel de escolaridad. Vemos que el

porcentaje de hogares que presenta un atraso en alguno de sus instrumentos de deuda y el porcentaje de

hogares que tiene deuda no convencional cae a medida que aumenta el nivel de educación. Sin embargo, el

porcentaje de hogares que comete errores de renegociación y el número de tarjetas de casas comerciales en

deuda aumenta al pasar del Nivel 1 al Nivel 2, para luego ir disminuyendo al aumentar el nivel educacional.

Es importante notar que aunque es bastante común estar atrasado en el pago de una deuda y tener un error

de renegociación, son pocos los hogares que poseen deuda no convencional y el número de tarjetas de casas

comerciales con saldos impagos es bastante bajo.

Tabla 1: Estadística Descriptiva

Nivel 1 Nivel 2 Nivel 3 Nivel 4 Nivel 5 Todos

Porcentaje del Total 13.9 % 16.1 % 34.4 % 18.4 % 17.2 % –

Atraso 39.42 % 39.06 % 36.9 % 30.86 % 23.93 % 34.48 %

Deuda No Convencional 5.98 % 5.87 % 4.77 % 3.31 % 2.61 % 4.47 %

Error de Renegociación 54.55 % 71.43 % 71.07 % 55.01 % 51.56 % 57.90 %

No Deuda Tarjeta de Casas Comerciales 0.096 0.147 0.144 0.076 0.026 0.102

Niveles Educacionales: Nivel 1 = menos de 5 años Nivel 2 = entre 5 y 8 añosNivel 3: entre 9 y 12 años Nivel 4 = entre 13 y 16 años Nivel 5 = más de 17 años

8


12/32

3.2. Estrategia de Identificación

Aunque los datos presentados en la literatura existente sugieren que el nivel educacional afecta el com-

portamiento de toma de deuda de las personas, la existencia de factores no observables y la correlación entre

educación e ingresos llevan a que los estimadores OLS estén sesgados. Para solucionar este problema de

identificación se usa una estrategia de estimación por variables instrumentales que explota la variación entre

cohortes en la intensidad de exposición de los individuos a la reforma educacional de 1981. Además, para dar

mayor precisión a la estimación, se usa la metodología de Two Sample IV presentado por Angrist y Krueger

(1995). Este se basa en estimar la primera etapa con una muestra que contiene datos para la variable endó-

gena y el instrumento y luego usar los momentos de esta estimación para desarrollar la segunda etapa con

otra muestra distinta, que contiene datos de la variable dependiente y el instrumento. Siguiendo la variante

de Two Saple IV presentada en Angrist y Pischke (2009), usamos Two Sample 2SLS que consiste en estimar

la primera etapa para los datos de las cinco EFH y estimar una segunda etapa usando los valores predichos

con los estimadores de la primera etapa en la muestra EFH 2011-12. La razón de estimar usando sólo la

encuesta realizada los años 2011-12 es que las preguntas varían ligeramente año a año, siendo más detalladas

para las últimas encuestas. Para corregir la varianza de los estimadores se usa la corrección propuesta por

Inoue y Solon (2010). Es importante mencionar que dado que el método de Two Sample 2SLS usa dos etapas

lineales, los estimadores obtenidos son LATE, esto significa que miden el efecto de la educación para quienes

fueron afectados por la reforma educacional de 1981.

Específicamente, nos interesa estimar la siguiente relación:

yi = α + β educi + γ X i + i (3.2)

donde yi es una de las dos variables definidas en la sección anterior, educi es el nivel de educación del

individuo i y X i es un set de controles que incluye un polinomio de tercer grado para la edad y dummies para

el género, región y año de la encuesta. Introducir un polinomio de edad permite controlar por el hecho de que

las posiciones de deuda dependen del el ciclo de vida de una persona. El parámetro de interés es β , que mide

el efecto de un año de educación en la probabilidad de atraso, probabilidad de tener deuda no convencional,

probabilidad de haber cometido un error de renegociación y el número de tarjetas de casas comerciales con

deuda.

9


13/32

3.3. Primera Etapa

La estrategia de identificación de este trabajo se basa en el impacto de la reforma educacional de 1981 en

los años de escolaridad de las personas. Personas nacidas después de 1975 (es decir, que entraron a educación

básica después de 1981) se vieron expuestas a una mayor oferta de establecimientos educacionales, lo que

afecta positivamente su nivel de escolaridad.

Hasta 1980, la administración del sistema educacional chileno se encontraba totalmente centralizada en

el Ministerio de Educación. Éste no solo era responsable de los planes y programas, sino además era el

administrador directo de los establecimientos fiscales, que eran cerca del 80 % del total de establecimientos

del país. La reforma educacional transfirió, en 1980, la administración de establecimientos públicos a las

municipalidades e incentivó la provisión de educación por parte del sector privado con recursos públicos a

través de un sistema de vouchers . Este sistema consiste en que el gobierno entrega a cada establecimiento

un monto de recursos por alumno que efectivamente asiste a clases. Así, los establecimientos particulares

subvencionados pasaron de representar el 15.1% de la matrícula a representar un 53.2% el 2012 2.

El efecto de este cambio fue progresivo. Aunque personas nacidas antes de 1963 no se vieron afectadas

por la reforma, debido a que ya tenían 18 años cuando fue implementada, personas nacidas entre 1963 y 1975

se vieron parcialmente afectadas. Por otro lado, quienes nacieron después de 1975 estuvieron completamente

expuestos a los efectos de la reforma ya que partieron educación básica con el sistema de vouchers en marcha,

pero su efecto también puede ser gradual debido a que las escuelas no se construyen de inmediato. Además, lareforma tuvo distintos niveles de impacto entre las diferentes zonas del país, por lo que se explotará tanto la

variación en el tiempo como la variación a nivel regional del impacto de la reforma en los años de educación.

Así, con respecto a la primera etapa, se estima:

educi = δ + κexpi + λinteri + ηX i + υi (3.3)

donde expi es una variable que mide el grado de exposición del individuo a la reforma, interi representa

la interacción entre el grado de exposición a la reforma y la región de vivienda, y educi son los años de

escolaridad del individuo.

En esta etapa se trabaja con cuatro especificaciones:

2Mineduc, 2012

10


14/32

1. En la primera, ref corresponde a una dummy que indica si el individuo nació después de 1975, lo que

implica que estuvo expuesto totalmente a la reforma.

2. La segunda separa en 2 grados de exposición, siendo exp1 una dummy para nacidos entre 1970 y 1975,

exp2 una dummy para nacidos después de 1975.

3. La tercera incluye interacciones entre ref y zona3.

4. Por último, la cuarta agrega las interacciones entre los dos factores de expansión y las zonas.

La Tabla 2 muestra los resultados de las cuatro especificaciones. Se aprecia en la primera columna que el

coeficiente de la variable ref es significativo y positivo, indicando que, en promedio, haber estado expuesto

a la reforma aumenta los años de escolaridad de un individuo en 0.66 años. Además, en la columna 2

vemos que la reforma también tuvo un efecto positivo y significativo para cohortes que ya se encontrabanen educación básica al momento de la reforma, sin embargo este efecto es sustancialmente menor al de

generaciones más jóvenes. Es esperable que exista este efecto, dado que a quienes les faltan entre 8 y 12 años

para graduarse de educación media al momento de la reforma también son afectados por el cambio en el

número de establecimientos educacionales.

Tabla 2: Primera Etapa

Variable Dependiente: Años de Educación (1) (2) (3) (4)

Ref 0.662*** 0.825*(0.219) (0.440)

Grado Exposición 1 0.389** 0.0295(0.184) (0.495)

Grado Exposición 2 0.993*** 1.127**(0.269) (0.469)

Interacción Centro Ref -0.172(0.414)

Interacción Sur Ref -0.224(0.551)

Interacción Centro 1 0.351(0.505)

Interacción Centro 2 -0.142(0.417)

Interacción Sur 1 0.856(0.695)

Interacción Sur 2 -0.147(0.555)

Observaciones 11,280 11,280 11,280 11,280Test F 69.6 66.37 62.97 55.37Se omiten coeficientes de las variables de control: Edad,Edad2,Edad3, DummiesRegion, Genero

Errores estándar robustos entre paréntesis*** p


15/32

3.4. Identificación y Robustez

Siguiendo a Duflo (2001), hacemos una regresión de los años de escolaridad con un set de interacciones

entre las dummies eref _k, que indican si el individuo tenía k años en 1981, con k entre 1 y 26, y la intensidad

de la reforma en cada región. La intensidad de la reforma es el porcentaje de colegios subvencionados de la

región en 1996, ya que esto captura el hecho de que hay regiones en que el aumento de establecimientos fue

más pronunciado. Las personas que tenían 26 años son el grupo de control, por lo que la interacción con la

dummy eref _26 se omite.

Vemos que los coeficientes son cercanos a 0.2 para quienes tenían menos de 7 años de edad al momento de

la reforma. Para personas mayores a 10 años, no existe un efecto estadísticamente significativo. Esto refleja

el hecho de que la reforma tiene un impacto en aquellas personas que estuvieron más años en edad escolar

expuestas a ella.

Figura 1: Coeficientes de la edad en 1981 para educación con Intervalos de Confianza al 95 %

!"#$

!"#&

!"#'

"

"#'

"#&

"#$

"#(

'&$()*+,-'"'''&'$'(')'*'+','-&"&'&&&$&(&)

! " # $ % & # ' ( # * + , , - . / 0 / # ' 1 2 3 1

./0/ #' 1231

Por último, para validar nuestra estrategia de identificación hacemos un ejercicio de falsificación queconsiste en incluir en la regresión de la primera columna de la Tabla 3 una dummy falsa que adelanta la

reforma en l años, con l entre 3 y 8. Así, por ejemplo, la variable Post 1979 es una dummy que toma

valor 1 para quienes nacieron después de 1979. Las variables falsas para los años 79 y 80 no se incluyen por

encontrarse muy cerca de la verdadera reforma. Si la reforma produjo un efecto distinto a la tendencia en

educación, los coeficientes de las dummies desfasadas no deberían ser significativos una vez que se controla

12


16/32

por la dummy verdadera de la reforma. La Tabla muestra que la dummy con el timing verdadera de la

reforma es significativa en las seis columnas. La variable desfasada no es estadísticamente significativa al 1 %

en ninguna de las columnas.

Tabla 3: Ejercicio de Falsificación

Variable Dependiente: Años de Educación (1) (2) (3) (4) (5) (6) (7)

Ref 0.662*** 0.557** 0.613*** 0.604*** 0.658*** 0.674*** 0.650***(0.219) (0.250) (0.227) (0.220) (0.219) (0.219) (0.220)

Falsa 1978 0.197(0.228)

Falsa 1977 0.158(0.197)

Falsa 1976 0.389**(0.184)

Falsa 1975 0.288(0.176)

Falsa 1974 0.145(0.172)

Falsa 1973 -0.0780(0.169)

Observaciones 11,280 11,280 11,280 11,280 11,280 11,280 11,280Se omiten coeficientes de las variables de control: Edad, Edad2,Edad3, DummiesRegion, Genero



17/32

presentan en las columnas 2 a 5 de la Tabla 4. En éstas vemos que los estimadores punto sugieren un efecto

negativo y significativo del nivel de educación en la probabilidad de atraso. Específicamente, estar expuesto

a la reforma disminuye la probabilidad de atraso en 12.9 puntos porcentuales 4. Tomando en cuenta que

la probabilidad de estar atrasado para quienes fueron afectados por la reforma es 29.6%, un año extra de

educación para este grupo aumenta en 65 % su probabilidad de atrasarse. Para el caso de la probabilidad

de tener deudas no convencionales y de tener un error de renegociación, el efecto no es significativo. Para

el caso de deudas no convencionales esto puede deberse a que hay muy pocos hogares que presentan este

tipo de deuda (en promedio solo un 6.39 % de los hogares). En cuanto a los errores de renegociación, el

efecto estimado es condicional a que los hogares tengan una hipoteca pactada a tasa fija, lo que hace que la

muestra sea bastante reducida y tenga un sesgo de selección. Por último, vemos que existe un efecto negativo

y significativo de los años de escolaridad en el número de tarjetas de casas comerciales en deuda para las

cuatro especificaciones de la primera etapa. Haber estado expuesto a la reforma educacional disminuye este

número en 0.155, un efecto importante en el contexto de que el número promedio de tarjetas en deuda para

quienes fueron afectados por la reforma es 0.23.

La dirección del sesgo de los estimadores OLS es la esperada en el caso del efecto en la probabilidad

de atraso y en el número de tarjetas de casas comerciales en deuda; los estimadores TS2SLS son mayores

a los OLS y siguen siendo estadísticamente significativos. Sin embargo, para deudas no convencionales, el

estimador deja de ser significativo al usar variables instrumentales. Lo mismo pasa con el estimador del efecto

en la probabilidad de tener un error de renegociación.

Aunque no es posible distinguir si algunas de las variables de deuda que ocupamos miden errores en

la toma de decisiones de las personas o miden el hecho de que éstas han quedado excluidas del mercado

de alternativas de endeudamiento menos costosas, los resultados sugieren que la educación es un factor

importante para explicar algunos hechos estilizados. Vemos que hogares con menos educación tienen más

probabilidad de atrasarse en el pago de sus deudas, esto lleva a que tengan que pagar mayores tasas de

interés y multas de atraso. Además, hogares menos educados tienden a tener un mayor número de tarjetas

en casas comerciales en deuda. Esto implica, no solo que se endeudan con instrumentos costosos como lo son

las tarjetas de casas comerciales, sino que no están concentrando la deuda en el instrumento menos costoso.

Por ejemplo, si un hogar tiene dos tarjetas y se atrasa en el pago de las dos, no solo va a pagar mayores

intereses, sino también probablemente va a tener que pagar dos multas. Si hubiera tenido toda su deuda en

una tarjeta, habría tenido que pagar un interés mayor, pero solo tendría que pagar una multa 6.

40.662 * -0.196 = 0.12950.662 * -0.225 = 0.14856Según la información sobre tasas de interés de tarjetas de casas comerciales para el año 2011, 3 de las 11 casas comerciales

14


18/32

Tabla 4: Estimación Lineal Two Sample 2SLS EFH 2011-12

OLS TS2SLS TS2SLS TS2SLS TS2SLSVar. Dep.: Atraso (1) (2) (3) (4) (5)

Educación -0.0191*** -0.196** -0.162** -0.206** -0.157**(0.00215) (0.0934) (0.0692) (0.0930) (0.0631)

Observaciones 2,376 2,376 2,376 2,376 2,376

Var. Dep.: Deuda No Convencional (1) (2) (3) (4) (5)

Educación -0.0070*** -0.0970 -0.124 -0.0743 -0.134(0.00969) (0.132) (0.128) (0.130) (0.120)

Observaciones 3,692 3,692 3,692 3,692 3,692

Var. Dep.: Error de Renegociación (1) (2) (3) (4) (5)

Educación -0.00702*** -0.00299 0.00958 0.00980 0.0152(0.000969) (0.0327) (0.0258) (0.0321) (0.0240)

Observaciones 317 317 317 317 317

Var. Dep.: N. Deuda Casa Com. (1) (2) (3) (4) (5)

Educación -0.0128*** -0.225*** -0.154*** -0.226*** -0.154***(0.00128) (0.0837) (0.0513) (0.0818) (0.0475)

Observaciones 3,692 3,692 3,692 3,692 3,692

Instrumentos Excluídos

Dummy Reforma – Si No Si NoGrados de Exposición – No Si No SiInteracciones Reforma – No No Si NoInteracciones G. Exposición – No No No SiSe omiten coeficientes de las variables de control: Edad,Edad2,Edad3, DummiesRegion, Genero



19/32

hecho, en el Anexo A.3 se muestran los resultados de hacer una regresión que tiene como variable dependiente

una dummy que toma valor 1 cuando el hogar tiene deuda no convencional y como variables independientes

la variable Gasto Inesperado y los controles de la regresión principal. Los resultados muestran que el hecho de

que un hogar declare haber tenido que enfrentar gastos inesperados de magnitud importante o disminuciones

de ingreso de magnitud importante en los últimos dos años se asocia a un aumento en la probabilidad de tener

deuda no convencional de un 2 %. Aunque ésta no es una relación causal, es de una magnitud importante

si tomamos en cuenta que solo el 4.5 % de la muestra presenta este tipo de deudas. Por último, tampoco

se encuentra que la educación sea relevante como predictor de un que hubo un error de renegociación. Esto

puede deberse a que en Chile muy pocos hogares renegocian su deuda.

5. Canales de Transmisión

En esta sección se discuten potenciales canales a través de los cuales la educación afecta la probabilidad

de atraso y el número de tarjetas de casas comerciales. Como mencionamos anteriormente, estas dos variables

dependen tanto de factores de demanda como de oferta. Por el lado de la demanda, la escolaridad puede tener

un efecto en financial literacy , en la aversión al riesgo de las personas y en su ingreso. Por el lado de la oferta,

se esperaría que mayor educación haga que un hogar esté menos restringido al crédito.

5.1. Educación y Restricción al Crédito

Una razón por la que los hogares pueden estar atrasándose en sus pagos y tomando deuda en casas

comerciales (deuda relativamente cara y de fácil acceso) es porque no tienen otra alternativa de financiamiento

mejor. En este sentido, una vía por la cual educación puede afectar la probabilidad de estas dos variables

es a través de la restricción al crédito. Si tener un mayor nivel educacional hace que un hogar esté menos

restringido al crédito, habrá menos probabilidad de que este hogar se atrase en el pago de una deuda o tome

deuda costosa, como lo es la de tarjetas de casas comerciales.

No conocemos de estudios que busquen el efecto causal de la educación en la restricción al crédito, pero sí

existen varios autores que estudian los determinantes de esta restricción. La incidencia de la escolaridad varía

a través de distintos estudios. Los resultados de Crook y Hochguertel (2005) en Italia y Tailandia muestran que

una mayor educación, en general, reduce la probabilidad de estar restringido, pero tiene un efecto positivo

en ésta para estudios en Estados Unidos. Por otra parte, en Boznia y Herzegovina y Nueva Zelanda, se

16


20/32

encuentra que la educación no tiene un impacto significativo en la probabilidad de estar restringido (Chen y

Chivakul, 2008). Es importante notar que todos estos estudios también incluyen como variable independiente

el ingreso, por lo que probablemente (si la educación afecta positivamente al ingreso) subestiman el efecto de

la educación.

De la misma manera que Alvarado (2010), construimos por contraposición una proxy para definir a

un hogar restringido al crédito. Se define un hogar no restringido como aquel que declara no haber hecho

solicitudes de crédito porque no lo necesita o declara haber hecho solicitudes de crédito, pero éstos fueron

otorgados y, además, mantiene un nivel de endeudamiento relativamente bajo 7. Luego, todos los hogares que

no cumplen con alguna de estas características están restringidos. En la Tabla 5 se muestran los resultados

de testear el efecto de la educación sobre la probabilidad de estar restringido. Vemos que al usar variables

instrumentales hay evidencia de un efecto negativo pero no significativo de los años de educación en la

probabilidad de estar restringido.

Tabla 5: Efecto Causal de Educación en Probabilidad de Restricción al Crédito

OLS TS2SLS TS2SLS TS2SLS TS2SLSVar. Dep.: Restricción al Crédito (1) (2) (3) (4) (5)

Educación -0.0251*** -0.0468 -0.0270 -0.0686 -0.0422(0.00185) (0.0651) (0.0503) (0.0654) (0.0470)

Observations 3,692 3,692 3,692 3,692 3,692





21/32

García (2012) encuentra un efecto positivo, significativo y de gran magnitud de la educación en un índice

que mide financial literacy . En base a seis preguntas realizadas en la Encuesta de Protección Social del 2006 en

Chile, que buscan medir la capacidad de los individuos para realizar cálculos simples y procesar información

financiera, construye un índice y busca el efecto causal de haber completado educación media en éste. Sus

resultados muestran que haber completado educación media aumenta en aproximadamente 0.4 el promedio

de respuestas buenas.

Por otro lado, existe evidencia de que financial literacy afecta medidas de endeudamiento como las es-

tudiadas en este trabajo. Disney y Gathergood (2011), usando una estrategia de variables instrumentales,

encuentran que existe un efecto significativo y negativo de financial literacy en la probabilidad de mantener

deudas de alto costo 8 y en la probabilidad de estar atrasado en al menos un mes en el pago de al menos un

instrumento de deuda. Sus resultados sugieren que una disminución de un punto en el puntaje de financial

literacy está asociado a un aumento de 17 % en la probabilidad de tener deuda costosa y a un aumento de

15 % en la probabilidad de estar atrasado en el pago. Estas magnitudes sugieren que la educación financiera

es un canal importante a través del cual actúa el nivel de educación. Sin embargo, es difícil medir cuánto del

efecto de educación viene de un aumento en financial literacy debido a que no sabemos cómo es la escala del

índice de Disney y Gathergood (2011).

6. Robustez y Extensiones

6.1. Especificación con Polinomio del Ingreso

Aunque estamos conscientes de que al agregar un polinomio de ingreso como control los parámetros

volverán a estar sesgados, se agregan con el objetivo de ver si la variable educación sigue siendo significativa

o si hay una parte importante del efecto de ingreso que está siendo capturado por los años de educación.

En la Tabla 6 se presentan los resultados de incluir un polinomio de tercer grado de ingreso como control.

Notamos que al controlar por el polinomio del ingreso el coeficiente de educación sigue siendo significativo

para la probabilidad de atraso y para el número de tarjetas de casas comerciales en deuda. Los coeficientes son

mayores, pero esto puede deberse al sesgo que surge por introducir como variable de control una variable que

podría ser la variable dependiente de la ecuación9. En conclusión, los resultados son robustos a la inclusión

8Deuda costosa incluye Hire Purchase , Tarjetas de Casas Comerciales, Catálogos de Compra por Correo, Custom Union Loans y Pay-Day Lender Loan

9No se presentan en la Tabla 5 los coeficientes de Ingreso, Ingreso2 e Ingreso3. Aunque estos son p ositivos y significativos

18


22/32

del ingreso como control en la regresión principal, aunque hay que ser cuidadosos al interpretarlos, dado que

existen problemas de endogeneidad.

Tabla 6: Estimación Lineal Two Sample 2SLS EFH 2011-12 con Ingreso

OLS TS2SLS TS2SLS TS2SLS TS2SLSVar. Dep.: Atraso (1) (2) (3) (4) (5)

Educación -0.00955*** -0.198** -0.198** -0.196* -0.166**(0.00248) (0.0979) (0.0979) (0.107) (0.0819)

Observaciones 2,376 2,376 2,376 2,376 2,376

Var. Dep.: Deuda No Convencional (1) (2) (3) (4) (5)

Educación -0.00502*** 0.0136 0.0136 -0.00131 0.0105(0.00112) (0.0355) (0.0355) (0.0393) (0.0316)

Observaciones 3,692 3,692 3,692 3,692 3,692

Var. Dep.: Error de Renegociación (1) (2) (3) (4) (5)

Educación -0.00913 -0.106 -0.146 -0.126 -0.244(0.0111) (0.250) (0.235) (0.250) (0.210)

Observaciones 309 309 309 309 309

Var. Dep.: N. Deuda Casa Com. (1) (2) (3) (4) (5)

Educación -0.00992*** -0.470** -0.398*** -0.465** -0.308***(0.00273) (0.190) (0.152) (0.189) (0.115)

Observaciones 3,692 3,692 3,692 3,692 3,692



Errores estándar robustos entre paréntesis

*** p


23/32

6.2. Inclusión de Deudas con Familiares y Amigos

Inicialmente se construyó la variable Deuda No Convencional con el propósito de agrupar deudas costosas.

Dado que las deudas con familiares o amigos no necesariamente son costosas, incluso pueden no tener intereses,

es posible que sean mejores indicadores de que un hogar está excluido del mercado del crédito y no de que ha

cometido un error y tomado deuda muy costosa. Para asegurarnos de que los resultados no dependen de la

exclusión de este tipo de deuda, se estima el efecto de años de escolaridad en la probabilidad de tener deudas

no convencionales, incluida la deuda de amigos o familiares.

Los resultados se encuentran en la Tabla 7, que muestra que el efecto de la educación sigue sin ser

estadísticamente significativo. Vemos en la columna 1 que el estimador OLS casi no cambia, mientras que en

las columnas 2 a 5 el efecto es bastante menor y no cambia su significancia. Esto implica que los resultados

mostrados anteriormente que indican que no existe un efecto de educación en la probabilidad de tener deudas

no convencionales siguen siendo válidos al incluir las deudas con familiares y amigos a esta definición.

Tabla 7: Estimación Lineal Two Sample 2SLS Incluyendo Familiares y Amigos

OLS TS2SLS TS2SLS TS2SLS TS2SLS(1) (2) (3) (4) (5)

Educación -0.00750*** -0.0160 -0.00677 -0.00546 -0.00549(0.00117) (0.0396) (0.0310) (0.0384) (0.0286)

Observaciones 3,692 3,692 3,692 3,692 3,692





24/32

de que un hogar haya preferido financiarse a tasa fija. La decisión depende de la inflación esperada porque

un crédito a tasa variable tiene el riesgo de que ante una eventual variación de las tasas, el dividendo au-

mente significativamente. Así, en momentos de tasas bajas con expectativas de control inflacionario, en una

economía estable, puede ser una buena alternativa pactar un crédito hipotecario a tasa variable.

En la Tabla 8 se presentan los resultados del ejercicio descrito anteriormente. Siguiendo el procedimiento

de Woolridge para un Heckit con variables instrumentales y llevándolo al contexto de TS2SLS, se calculó el

Inverso de la Razón de Mills (IMR) con los datos de todas las EFH y luego se usó TS2SLS incluyendo el

IMR como regresor. Además, se hizo Wild Bootstrap para las desviaciones estándar. La columna 1 muestra

la estimación OLS al usar la EFH 2011-12 y la columna 2-5 muestra la estimación por TS2SLS de un modelo

Heckit para las 4 especificaciones de la primera etapa.

Tabla 8: Efecto de Educación en Error de Renegociación con Heckit para la Probabilidad de Tener Hipoteca

a Tasa FijaOLS TS2SLS TS2SLS TS2SLS TS2SLS(1) (2) (3) (4) (5)

Educación -0.00008 -0.00007 -0.00008 -0.00007 0.00011(0.02065) (0.01652) (0.02156) (0.01860) (0.02817)

Observaciones 2,144 2,144 2,144 2,144


Dummy Reforma – Si No Si No

Grados de Exposición – No Si No SiInteracciones Reforma – No No Si NoInteracciones G. Exposición – No No No SiSe omiten coeficientes de las variables de control: Edad,Edad2,Edad3, DummiesRegion, Genero



25/32

7. Conclusiones

El principal objetivo de este trabajo era investigar si el nivel educacional es capaz de explicar, en parte, la

diferencia de comportamiento o formas de endeudamiento de los hogares. Un problema que surge al estudiar

esto es que la educación se encuentra correlacionada con factores no observables que también afectan la forma

en que los hogares toman deuda, por lo que la estimación OLS no es capaz de capturar el efecto causal de

la educación sobre las variables estudiadas. Por esta razón se estimó el efecto causal mediante una estrategia

de variables instrumentales, usando como instrumento el impacto de la reforma educacional de 1981 en Chile

sobre la escolaridad.

Los resultados principales muestran que un año de educación extra disminuye en alrededor de 20 % la

probabilidad de estar atrasado en alguna deuda para aquellos jefes de hogar afectados por la reforma de

1981. Además, un año de educación disminuye el número de tarjetas de casas comerciales en deuda de los

hogares en aproximadamente 0.23 para este grupo. Es importante mencionar que los estimadores encontrados

miden el efecto LATE, por lo que en promedio el efecto de la educación puede ser menor. Por otro lado, no

se encuentra ningún efecto significativo de los años de educación en la probabilidad de tener deudas no

convencionales ni en la probabilidad de no renegociar la deuda hipotecaria cuando convenía hacerlo. Esto

sigue siendo así aunque cambie la definición de deudas no convencionales y aunque se tome en cuenta el sesgo

de selección que surge de solo observar errores para quienes tienen hipoteca a tasa fija y no variable. Los

resultados obtenidos mediante la estrategia IV son mayores a los que se obtienen cuando no se considera el

problema de endogeneidad, lo que sugiere la presencia de variables omitidas en la especificación OLS.

Aunque no es posible diferenciar si el nivel educacional afecta el uso de deuda a través de la oferta o la

demanda, vemos que existe una especie de segmentación en los comportamientos de toma de deuda. Hogares

con mayor educación no se atrasan tanto en sus pagos y tienen menos tarjetas en casas comerciales en deuda.

Esto puede deberse a que hogares con mayor educación tienden a tener mayores ingresos y estén menos

restringidos, lo que hace que tengan mayor acceso a créditos más baratos y no tengan que llegar al extremo

de atrasarse en el pago de sus deudas o de usar instrumentos más caros como lo son las tarjetas de casas

comerciales. Por otro lado, esta especie de segmentación puede deberse a que hogares con mayor educación

tienen mayor financial literacy y son más conscientes de que atrasarse en sus pagos de deuda trae consigo

multas y mayores intereses. De la misma manera, es posible reducir el costo de la deuda concentrándola en

los instrumentos menos costosos.

22


26/32

Finalmente, para entender más claramente el rol de la educación en el comportamiento de toma de deuda

de los hogares se hace necesario buscar una forma de separar el efecto de educación del efecto ingreso. Esto

es posible usando un instrumento para educación y uno para ingreso, lo que era difícil debido a la naturaleza

de los datos. Además, es importante buscar formas más limpias de medir errores en el proceso de toma

de decisiones de los hogares. Esto permitiría medir el rol de la educación y otras variables relevantes en el

mejoramiento de las decisiones de crédito de los individuos.

23


27/32

Referencias

Agarwal, S., J. C. Driscoll, X. Gabaix y D. I. Laibson (2009), The Age of Reason: Financial

Decisions over the Lifecycle with Implications for Regulation . Brookings Papers on Economic Activity. Fall,

51-117.

Agarwal, S., J. C. Driscoll y D. I. Laibson (2013), Optimal Mortgage Refinancing: A Closed-Form

Solution . Journal of Money, Credit and Banking, 45, 591–622.

Angrist, J. y J.S. Pischke (2009), Mostly Harmless Econometrics: An Empiricists Companion . Princeton

University Press

Behrman, J., O. Mitchell, C. Soo y D. Bravo (2012), Financial Literacy, Schooling, and Wealth

Accumulation. American Economic Review, 102, 3, 300–304.

Bertaut, C.C. y M. Haliassos (2001), Debt Revolvers for Self Control. University of Cyprus Working

Papers in Economics 0208.

Bertaut, C.C., M. Haliassos y M. Reiter (2009), Credit Card Debt Puzzles and Debt Revolvers for

Self Control. Review of Finance, 13, 4, 657–692.

Cameron, A.C y P. K. Trivedi (2010), Microeconometrics Using Stata. Revised Edition, StataCorp LP.

Campbell, J. (2006), Household Finance. Journal of Finance, 61, 1553-1604.

Card, D. (2001), Estimating the Return to Schooling: Progress on Some Persistent Econometric Problems.

Econometrica, 69, 5, 1127-1160.

Chen, K. y M. Chivakul (2008), What Drives Household Borrowing and Credit Constraints? Evidence

from Bosnia & Herzegovina. IMF Working Paper.

Cole, S., A. Paulson y G.K. Shastry (2012), Smart Money: The E ff ect of Education on Financial

Behavior. Review of Financial Studies (forthcoming).

Cole, S., A. Paulson y G.K. Shastry (2014), High School Curriculum and Financial Outcomes: The

Impact of Mandated Personal Finance and Mathematics Courses. Harvard Business School Working Paper,

No. 13-064

Contreras, D. (2001), Evaluating a Voucher System in Chile. Individual, Family and School Characteris-

tics. Serie Documentos de Trabajo de Departamento de Economía de la Universidad de Chile.

24


28/32

Crook, J y S. Hochguertel (2005), Household Debt and Credit Constraints: Evidence from OECD

Countries. Credit Research Center, University of Edinburgh Working Paper Series No. 05/02

Dynan, K. y D. Kohn (2007), The Rise in U.S. Household Indebtedness: Causes and Consequences. FEDS

Working Paper No. 2007-37

Disney, R., S. Bridges y J. Gathergood (2008), Drivers of Overindebtedness. Department of Business,

Innovation & Skills.

Disney, R. y J. Gathergood (2011), Financial Literacy and Indebtedness: New Evidence for UK Con-

sumers. University of Nottingham Working Paper.

Disney, R. y J. Gathergood (2013), Financial Literacy and Consumer Credit Portfolios. Journal of

Banking and Finance 37, 7, 2246–2254.

Duflo, E. (2001), Schooling and Labor Market Consequences of School Construction in Indonesia: Evidence

from Unusual Policy Experiment. American Economic Review, 91, 4, 795-813.

García, R. (2012), El Efecto de la Educación en la Participación en el Mercado Financiero: Evidencia

para Chile. Tesis Magíster en Economía, IE-PUC

Inoue, A. y G. Solon (2010), Two-sample intrumental variables estimators. The Review of Economics

and Statistics, MIT Press, 92, 3, 557-561.

Johnson, W. y G. Li (2007), Do high debt payments hinder household consumption smoothing? Finance

and Economics Discussion Series, 2007-52, Board of Governors of the Federal Reserve System (U.S.).

Laibson, D. (1997), Golden Eggs and Hyperbolic Discounting. Quarterly Journal of Economics, 112, 2,

443-77.

Landerretche, O. y C. Martínez (2013), Voluntary Savings, Financial Behavior and Pension Finance

Literacy: Evidence from Chile. Journal of Pension Economics and Finance, 12, 251-297.

Lusardi, A. y P. Tufano (2009), Debt Literacy, Financial Experiences and Overindebtedness. NBER

Working Paper Series, Working Paper 14808.

Lusardi, A. y C de Bassa Scheresberg (2012), Financial Literacy and High-Cost Borrowing in the

United States. NBER Working Paper No. 18969

Modigliani, F. y R. Brumberg (1954), Utility Analysis and the Consumption Function: An Interpretation

of Cross-section Data. en Post-Keynesian Economics, ed. K. K. Kurihara. New Brunswick.

25


29/32

Moore, D. (2003), Survey of Financial Literacy in Washington State: Knowledge, Behavior, Attitudes and

Experiences. Washington State University Social and Economic Sciences Research Center Technical Report

03-39.

Ruiz-Tagle, J., L. Gracía y A. Miranda (2013), Proceso de Endeudamiento y Sobre Endeudamiento

de los Hogares en Chile. Banco Central de Chile, Documento de Trabajo No 703.

Stango, V. y J. Zinman (2009), Exponential Growth Bias and Household Finance. Journal of Finance,

64, 2807–2849.

Stango, V. y J. Zinman (2014), Borrowing High vs. Borrowing Higher: Price Dispersion, Shopping Beha-

vior and Debt Allocation in the U.S. Credit Card Market . Working paper. University of California Davis,

Davis, CA.

26


30/32

A. Anexos

A.1. Construcción Variable Error de Renegociación

Agarwal et al. (2013) desarrollan una forma cerrada para resolver el problema de si conviene refinanciar o

no una hipoteca cuando hay una baja de tasas. Existe un cambio mínimo x de la tasa a partir del cual es

conveniente refinanciar, tomando en cuenta costos de renegociación, impuestos y probabilidad de que las

tasas sigan bajando (y, por lo tanto, convenga esperar).

x∗ ≈ −

r σκ

M (1 − τ

p 2(ρ + λ (A.1)

donde donde σ es la desviación estándar de las tasas de créditos hipotecarios, κ es el costo de refinanciar,

λ es el parámetro de una función Poisson para el evento de repactación, ρ es la tasa de descuento, M es el

valor real de la hipoteca y τ es la tasa de impuestos.

Además,

λ = µ + i0

exp[i0Γ] − 1 + π (A.2)

donde i0 es la tasa inicial de la hipoteca, µ es la probabilidad de cambiarse de casa, Γ es la cantidad de años

que quedan del crédito y π es la inflación esperada.

Para calcular x∗ asumimos los siguientes parámetros:

κ = 460000+ 3 meses de intereses. Los 460000 incluyen un promedio de los costos de tasación, títulos

y escritura, mientras que los 3 meses de intereses son el costo de prepago promedio en el mercado.

µ = 0,2 según el supuesto usado por Agarwal et al.

ρ = 0,05 según el supuesto usado por Agarwal et al.

τ = 0,15

π = 0,03

σ = 0,01096, corresponde a la desviación estándar de las tasas de créditos hipotecarios entre 20 y 30

años reportadas por la SBIF.

27


31/32

A.2. Corrección de Varianza para Two Sample 2SLS

Siguiendo a Inoue y Solon (2010), se hace una corrección a la varianza de los estimadores. La matriz de

varianza y covarianza debe ser multiplicada por:

1 + [(n1/n2)β̂ 0

TS 2SLS σ̂ηβ̂ TS 2SLS /σ̂11] (A.3)

donde σ̂η es un estimador de la matriz de covarianzas de los errores de la primera etapa y σ̂11 es el sample

mean squared residual de la regresión de la segunda etapa.

En Stata:

reg depvar [varlist]

predict depvar, xb

matrixmse2 = e(rmse)2

matrix n2=e(N)

reg depvar2 depvar [varlist] if year==2011

matrix beta=e(b)

matrix V1=e(V) matrixmse1 = e(rmse)2

matrix n1=e(N)

matrix beta1=beta[1,1]

matrix A=beta1*beta1*n1*mse2

matrix B=syminv(n2*mse1)

matrix C=1+A*B

matrix V=C*e(V)

eret post beta V

ereturn display

A.3. Deuda No Convencional y Gastos Inesperados

En esta subsección se muestran los resultados de hacer una regresión que tiene como variable dependiente

una dummy que toma valor 1 cuando el hogar tiene deuda no convencional y como variables independientes

la variable Gasto Inesperado y los controles de la regresión principal, incluyendo educación. Los resultados

muestran que el hecho de que un hogar declare haber tenido que enfrentar gastos inesperados de magnitud

importante o disminuciones de ingreso de magnitud importante en los últimos dos años se asocia a un

aumento significativo en la probabilidad de tener deuda no convencional de un 2 %.

28


32/32

Tabla A.1: Regresión de Deuda No Convencional y Gastos Inesperados(1)

Variable: Deuda No Convencional

Gasto Inesperado 0.0211***(0.00777)

Observations 4,058R-squared 0.019Se omiten coeficientes de las variables de control: EducacinEdad, Edad2,Edad3, DummiesRegion, Genero


tesis-delabarra-2014 (1)

Documents