El Estado y la sociedad invierten en educación, las universidades proporcionan la oferta formativa y sus receptores se forman para completar su capital humano. El fin de este proceso es satisfacer las necesidades de los individuos y de las empresas que demandan determinadas cualificaciones, lo cual requiere adecuar la oferta a la demanda real.

La teoría del capital humano entiende que la educación es una inversión positiva que tiene efecto en los ingresos del trabajador e influye en la probabilidad de emplearse (Ashenfelter y Ham, 1979; Schultz, 1961). Esta teoría entiende que la adquisición de cualificaciones es un proceso racional de inversión en educación de los individuos y las familias teniendo en cuenta las expectativas de ingresos salariales futuros (Becker, 1962, Sicherman y Galor, 1990). La inversión en educación también genera beneficios para los empleadores porque pueden contar con recursos humanos cualificados para garantizar la productividad de la empresa. Todo ello revierte en beneficio para la sociedad porque genera una población más eficiente, creativa, con mayor iniciativa, libertad de pensamiento y participación social en asuntos públicos.

La búsqueda de evidencias de los efectos de los estudios universitarios sobre la participación de hombres y mujeres en el mercado laboral y la probabilidad de encontrar un empleo requiere tener información sobre el tipo de estudios y los campos formativos específicos realizados (Hernández et al., 2012; Sinha Mukherjee, 2015). La decisión de participar o no en el mercado laboral representa un coste de oportunidad para los graduados universitarios y para la sociedad, por lo que una buena política educativa entiende que es importante identificar oportunidades de empleo y ligarlas a la oferta formativa. Con este conocimiento será posible informar y guiar a los estudiantes universitarios potenciales sobre las profesiones que tienen más demanda en el mercado laboral y diseñar cursos adecuados para satisfacer la demanda.

Por ello, el objetivo del trabajo es aportar parte de esa información y analizar la situación profesional de los graduados universitarios en el mercado laboral de México para identificar sus oportunidades de empleo e ingresos, desagregando el análisis por sexo y campo de formación. Los resultados pueden servir para orientar líneas de actuación públicas de instituciones educativas y laborales, dirigidas a adecuar la oferta a la demanda, e informar a futuros universitarios sobre las potencialidades de las diferentes titulaciones.

La relación entre educación y mercado de trabajo ha sido estudiada desde diferentes disciplinas y enfoques. El enfoque de las carreras proporciona una perspectiva general en la que la entrada en el mercado laboral es una etapa en la carrera de una persona. Este enfoque considera que una carrera es una secuencia de trabajos ocupados por un individuo a lo largo de su vida (Arthur y Rousseau, 1996). La carrera también se entiende como la progresión jerárquica dentro de una organización en la que la persona adquiere una satisfacción y un salario creciente. Otros enfoques de carrera posteriores matizan esta definición debido a los cambios en la actividad económica producidos a finales del siglo XX. Aparece un nuevo enfoque, “protean” (Hall, 1996), en el que la trayectoria de una carrera incluye la movilidad entre organizaciones (Chudzikowski, 2012; Rojewski et al., 2017), o la visión de Bragg y Ruud (2007), que consideran la carrera como la trayectoria académica. Sin embargo, la mayoría de los investigadores son más partidarios de considerarla como la progresión en el empleo (Baran et al., 2012; Sullivan y Baruch, 2009). En un sentido amplio, la teoría de las carreras incluye la elección de estudios, la integración en el mercado laboral y la movilidad entre empleos (Sawchuk y Taylor, 2010).

El enfoque de las trayectorias profesionales profundiza un poco más y analiza cómo se articula el conocimiento y las competencias que conectan la educación con el trabajo (Hamilton, 2012). Desde esta óptica, el mercado laboral es un proceso de ajuste entre competencias y cualificaciones ofrecidas y demandadas. La oferta de cualificaciones bien planificada, que analice qué tipo de competencias y cualificaciones se deben adquirir, mejora las capacidades cognitivas de las personas y brinda mejores oportunidades de empleo (Koen et al., 2012; Ng y Feldman, 2010). Pero, no se produce una asignación inmediata entre la oferta y la demanda de cualificaciones. La teoría de la búsqueda, iniciada por Stigler (1962), McCall (1970) y Mortensen (1970), proporciona un importante punto de partida: en un entorno de incertidumbre existen personas que buscan empleo y empleadores que buscan trabajadores. Desde la perspectiva de la demanda de competencias y cualificaciones surgen los enfoques del filtro (Arrow, 1973) y de la cola laboral (Thurow, 1983). Siguiendo con este mismo discurso, el enfoque del emparejamiento analiza el proceso de ajuste como una asignación óptima entre cualificaciones ofrecidas y demandadas y proporciona un marco teórico para analizar la transición de la educación al trabajo y el proceso de progreso en el desarrollo profesional (Halpin y Cban, 1998).

Reitzele y Vondracek (2000) consideran que, en la inserción laboral, influye diferentes factores y variables sociodemográficas: tipos de estudios realizados, especialización económica de las actividades desarrolladas en un país o región, demanda del mercado laboral, sexo, edad, nivel educativo, número de hijos, estado civil, marco institucional, cultura), así como el tiempo que transcurre desde el acceso al trabajo hasta el primer empleo estable.

Otra cuestión es el problema de sobrecualificación, esto es, la situación en la que las personas realizan trabajos con requerimientos de cualificaciones inferiores a las ofrecidas (Baert et al., 2013; Büchel y Mertens, 2004). Esta circunstancia hace reflexionar sobre si el análisis debe centrarse únicamente en la transición de la educación a un primer empleo o no. Surge el problema de establecer cuándo termina dicha transición, si termina después de encontrar el primer empleo, el primer trabajo estable, aunque el individuo esté sobrecualificado, o el primer trabajo estable adecuado a las cualificaciones del individuo. En cualquier caso, el ajuste en el emparejamiento generalmente no suele realizarse con el primer empleo, se requiere un tiempo de movilidad entre empleos y ocupaciones (Sicherman y Galor, 1990).

Otros análisis se centran en las pautas de inserción en el mercado laboral. Biemann et al. (2012) y Quintini y Manfredi (2009) distinguen diferentes pautas de inserción laboral, pero, en general, las carreras mantienen un patrón de movilidad ascendente (Vinkenburg y Weber, 2012). Kovalenko y Mortelmans (2014) sitúan la movilidad profesional en el contexto de la flexibilidad de los mercados laborales, en línea con las nuevas teorías sobre la segmentación del mercado laboral y de las carreras.

El estudio de las trayectorias profesionales ha recibido especial atención porque demuestra diferencias importantes por sexo y situación familiar (Bertrand, 2013; Herrbach y Mignonac, 2012; Islam y Amin, 2016; Lee Cooke y Xiao, 2014; McNeal, 2011; Metz y Tharenou, 2001; O'Neil et al., 2008; Phillips y Imhoff, 1997). Cuando se analiza a los individuos en función de que tengan o no hijos, se observa que, en general, las personas con hijos tienden a seguir una trayectoria de carrera profesional tradicional, pero, en el caso de las mujeres, no suele ser generalizado (Adda et al., 2017; Chetty et al., 2016; Majlesi, 2016; Rodriguez, 2016). En este sentido, Wheatley (2013) concluye que las mujeres, en promedio, trabajan más cerca de su lugar de residencia porque están atrapadas espacialmente por las responsabilidades del hogar, lo cual tiene implicaciones profesionales potencialmente graves que, de forma indirecta, también restringen las oportunidades de los hijos dependientes. El gran desafío de las líneas de actuación pública es corregir esta inequidad.

El Systems Theory Framework proporciona un marco meta-teórico que contribuye a la comprensión del comportamiento profesional. Esta teoría es una adición muy valiosa a la teoría del campo profesional al considerar que el comportamiento profesional está inmerso en un sistema abierto a los cambios y a los desarrollos desde su interior, y en constante interacción con otros sistemas (Patton y McMahon, 2014).

Si este análisis se centra en el mercado laboral mexicano, se observa que empleadores y asalariados confluyen en un entorno socioeconómico presionado por el crecimiento de la población que, año tras año, necesita incorporar un número elevado de nuevas generaciones. Al mismo tiempo, el nivel educativo de la población ha ido aumentando en los últimos veinte años (Navarro Chávez y Favila Tello, 2013). Esta situación influye en que el mercado laboral exija, por un lado, mayor calidad del capital humano que satisfaga las necesidades de las empresas y repercuta en el entorno, y, por otro, personas con más y mejor educación, con competencias que satisfagan los requerimientos del mercado de trabajo.

Morales-Ramos (2011) detecta que, en México, cuanto mayor es el nivel educativo mayores son los retornos de la educación; esto se corrobora porque, tanto en términos absolutos como relativos, los mayores rendimientos los provee la educación de posgrado seguida de la educación que acredita para la profesión. Salas Durazo (2018) indica que los estudios superiores otorgan mayor bienestar a los trabajadores porque les permite acceder a empleos con mayor estabilidad laboral, lo cual aumenta su calidad de vida.

Ordaz (2007) determina que existen diferencias en las tasas de retorno educativo por sexo, marcadas por el medio rural o urbano mexicano. México es un país con un alto grado de desigualdad socioeconómica y un número elevado de personas vive en condiciones de pobreza, principalmente en áreas rurales. En esta investigación, Ordaz mostró que la educación se relaciona inversamente con la pobreza y, en las áreas rurales, se requiere más años de escolarización para asegurar una alta probabilidad de que los individuos no caigan en esa pobreza. La inversión en niveles educativos superiores es necesaria en las áreas rurales para reducir la desigualdad con respecto a la población de las áreas urbanas, y percibir mayores ingresos. Aunque los retornos de la educación son más altos en las zonas rurales que en las zonas urbanas, sin embargo, hay evidencias de que las mujeres se autoseleccionan en mayor medida que los hombres para no participar en el mercado laboral. En las áreas rurales, las mujeres obtienen mayores rendimientos en los niveles educativos básicos, mientras que los hombres obtienen mayores rendimientos en los niveles educativos más altos. En las áreas urbanas es al revés.

El incremento de la participación de las mujeres en el mercado laboral ha respondido a la modernización de la economía mexicana, pero aún prevalece la preferencia de determinados campos de formación frente a otros que les capacitan para determinadas profesiones (Humanidades, Educación, Ciencias de la Salud y Ciencias Sociales) (Autor, 2014; Autor, 2010), así como se observa que la participación de la mujer en el mercado laboral y sus ingresos tienen niveles más bajos que los de los hombres. Esta situación se debe, en parte, al hecho de que la actividad laboral de las mujeres mexicanas depende principalmente de los ingresos globales de la familia, su trabajo no se considera obligatorio, independientemente de su status socio-económico o su nivel educativo, excepto en los casos en que la mujer es cabeza de familia. A pesar de estas circunstancias, el aumento del nivel educativo favorece la entrada de las mujeres al mercado de trabajo, pues la tasa de retorno de las mujeres profesionales es mayor que la de los hombres (Autor, 2010).

El análisis descriptivo de la estructura de la PEA indica que el 47,5% son hombres, con una edad promedio de 38 años, cuyo ingreso promedio es 5.935$. Las mujeres representan el 52,5%, con una edad promedio de 39 años y un ingreso promedio de 4.627$. El porcentaje de la PEA con estudios universitarios es similar en hombres y mujeres (8,8% y 8,4% respectivamente). Los hombres tienen una tasa de empleo más alta y una tasa de desempleo más baja respecto de las mujeres. La tendencia del ingreso de la población universitaria muestra un aumento relativamente constante. El logaritmo por hora revela que, al comienzo de la vida laboral, los ingresos son similares para hombres y mujeres. Después de los 30 años, el ingreso es mayor para los hombres. A partir de los 55 años, el ingreso aumenta en el caso de las mujeres, superando al de los hombres. Esta información reitera que invertir en educación favorece tanto a hombres como a mujeres, pero el efecto es superior en las mujeres. Con respecto al campo específico de formación, los porcentajes más altos, para los hombres, se centran en Negocios y Administración, Ingeniería Industrial, Mecánica, Electrónica y Tecnología, Salud, y Derecho; para las mujeres, también en primer lugar, Negocios y Administración y, a continuación, Salud, Formación Docente, y Ciencias Sociales y Estudios del Comportamiento.

Estos aspectos ilustran los retornos a la educación que se analizan a continuación en los modelos.

· Estimación del modelo probit para corregir el sesgo de autoselección

Los resultados del modelo que estima la participación laboral y captura la variable de autoselección para determinar si influye en el modelo de ingresos que, posteriormente, se estimará por MCO, se presenta en la Tabla 1. El signo del coeficiente de la variable explicativa indica que dicha variable aumenta (positivo) o disminuye (negativo) la probabilidad de ser parte de la PEA.

Los campos de formación que no resultan estadísticamente significativos son: Humanidades, Ciencias Físicas, Químicas y de la Tierra, Matemáticas y Estadística, Manufacturas y Procesos, Agronomía, Silvicultura y Pesca, Veterinaria, Servicios de Transporte, Seguridad Industrial, y Servicios de Seguridad. Las variables independientes tienen un efecto positivo en la probabilidad de pertenecer a la población trabajadora: los hombres tienen un 64,3% más de probabilidades que las mujeres, las personas casadas tienen un 27,8% más de probabilidades que las personas solteras, el cabeza de familia tiene un 53,3% más de probabilidad que la persona que no lo es, en cuanto al nivel educativo, la probabilidad aumenta de forma significativa en el caso de tener una Maestría (34,8%) o un Doctorado (39,5%), aunque en el caso de Doctorado no resulta significativa.

Con este modelo se calculó la razón inversa de Mills λ, variable que captura el efecto de autoselección, que resultó ser significativa, lo cual significa que existe sesgo de selección entre pertenecer al mercado laboral y el salario, por lo que λ se incluirá en el modelo MCO como regresor adicional.

· Estimación del modelo modificado con corrección de sesgo de autoselección

El modelo de mínimos cuadrados ordinarios (MCO) se usó para estimar la tasa de retorno de la educación. La población se desagrega por sexo para identificar los factores que influyen en cada grupo de población. El estadístico de Wald prueba la significancia conjunta de los coeficientes estimados y, en este caso, es mayor que 0,000, tanto en el modelo de los hombres como en el de las mujeres, por lo que se puede concluir que las variables independientes del modelo están relacionadas con la variable dependiente y los resultados de la muestra se pueden generalizar a la población a la que pertenece.

El modelo estimado contiene variables dicotómicas y continuas, por ello, el valor del término constante no puede interpretarse en la mayoría de los casos, pero los parámetros de las variables dicotómicas (con un valor 0 y 1) sí son interpretables: la variable dependiente se incrementa cuando toma valor 1.

En las Tablas Nº 2 y 3 se comprueba que los años de escolarización, la experiencia, la experiencia al cuadrado y las horas trabajadas son aproximadamente iguales para hombres y mujeres.

Tabla Nº 1. Tabla Nº 1. Modelo probit para estimar la ecuación de participación laboral

Variables	Coef.	Std. Err.	z	P>|z|	[95% Conf. Interval]
Y
Sexo	0,6431	0,0058	110,60	0,0000	0,6317	0,6545
Estado civil	0,2782	0,0055	50,770	0,0000	0,2675	0,2890
Cabeza de familia	0,5328	0,0061	87,230	0,0000	0,5209	0,5448
Licenciado/Professional	0,0116	0,0164	0,700	0,4180	-0,0206	0,0437
Maestría	0,3478	0,0354	9,830	0,0000	0,2784	0,4172
Doctorado	0,3947	0,1003	3,930	0,0000	0,1980	0,5913
Ciencias de la Educación	0,2974	0,0397	7,480	0,0000	0,2195	0,3753
Formación Docente	0,4029	0,0257	15,680	0,0000	0,3525	0,4532
Artes	0,2465	0,0431	5,720	0,0000	0,1620	0,3310
Humanidades	0,0618	0,0516	1,200	0,2320	-0,0394	0,1629
Ciencias Sociales y Estudios del Comportamiento	0,2742	0,0292	9,380	0,0000	0,2169	0,3314
Ciencias de la Información	0,4042	0,0478	8,450	0,0000	0,3105	0,4980
Negocios y Administración	0,3849	0,0184	20,960	0,0000	0,3489	0,4209
Derecho	0,3542	0,0280	12,650	0,0000	0,2993	0,4091
Ciencias Naturales	0,0280	0,0150	1,840	0,0650	-0,0020	0,0570
Ciencias Físicas, Químicas y de la Tierra	-0,1688	0,0879	-1,920	0,0550	-0,3411	0,0036
Matemáticas y Estadística	0,0196	0,1164	0,170	0,8660	-0,2084	0,2477
Ciencias de la Computación	0,4835	0,0334	14,490	0,0000	0,4181	0,5489
Ingeniería Industrial, Mecánica, Electrónica y Tecnología	0,1949	0,0218	8,930	0,0000	0,1522	0,2377
Manufacturas y Procesos	0,2577	0,0680	3,790	0,0000	0,1243	0,3910
Arquitectura y Construcción	-0,0084	0,0338	-0,250	0,8050	-0,0747	0,0579
Agronomía, Silvicultura y Pesca	0,1830	0,0523	3,500	0,0000	0,0805	0,2855
Veterinaria	0,2869	0,0803	3,570	0,0000	0,1295	0,4442
Salud	0,2972	0,0226	13,170	0,0000	0,2530	0,3415
Servicios Personales	0,2443	0,0217	11,240	0,0000	0,2017	0,2869
Servicios de Transportes	0,0621	0,1844	0,340	0,7360	-0,2993	0,4234
Seguridad Industrial	0,7341	0,4840	1,520	0,1290	-0,2144	1,6826
Servicios de Seguridad	-0,2676	0,2930	-0,910	0,3610	-0,8419	0,3067
Constant	-0,7298	0,0050	-146,940	0,0000	-0,7395	-0,7201

Fuente: Elaboración propia a partir de los micro-datos de la ENOE 2013

Tabla Nº 2. Tabla Nº 2. Resultados de la estimación del MCO para HOMBRES

Heckman selection model two-step estimates				Number of obs = 108329
(regression model whit sample selection)				Censored obs = 37952
				Uncensored obs = 70377
				Wald chi2(34) = 17354.02
				Prob > chi2 = 0,000
Variables	Coef.	Std.err	z	P>|z|		[95% Int. Conf.]
LnIngXhr
Años de escolaridad	0,0419	0,0010	44,06	0,000	0,040	0,044
Experiencia	0,0232	0,0005	44,32	0,000	0,022	0,024
Experiencia2	-0,0004	0,0000	-49,28	0,000	0,000	0,000
Estado civil	-0,3779	0,0961	-3,93	0,000	-0,566	-0,190
Cabeza de familia	-0,0208	0,0282	-0,74	0,462	-0,076	0,034
Horas trabajadas	-0,0147	0,0002	-82,32	0,000	-0,015	-0,014
Bachillerato	0,0750	0,0083	9,09	0,000	0,059	0,091
Normal	0,2869	0,0534	5,37	0,000	0,182	0,392
Licenciatura/Profesional	0,3104	0,0267	11,61	0,000	0,258	0,363
Maestría	0,5980	0,0424	14,10	0,000	0,515	0,681
Doctorado	0,6675	0,1029	6,49	0,000	0,466	0,869
Ciencias de la Educación	-0,0455	0,0653	-0,70	0,485	-0,173	0,082
Formación Docente	0,1665	0,0510	3,27	0,001	0,067	0,266
Artes	-0,1666	0,0737	-2,26	0,024	-0,311	-0,022
Humanidades	-0,0449	0,0752	-0,60	0,550	-0,192	0,103
Ciencias Sociales y Estudios del Comportamiento	-0,0190	0,0521	-0,36	0,716	-0,121	0,083
Ciencias de la Información	-0,1630	0,0827	-1,97	0,049	-0,325	-0,001
Negocios y Administración	-0,0754	0,0388	-1,94	0,052	-0,151	0,001
Derecho	-0,0696	0,0483	-1,44	0,149	-0,164	0,025
Ciencias Naturales	0,1290	0,5000	-2,58	0,124	-0,076	0,028
Ciencias Físicas, Químicas y de la Tierra	0,4281	0,1137	3,76	0,000	0,205	0,651
Matemáticas y Estadística	0,3122	0,1419	2,20	0,028	0,034	0,590
Ciencias de la Computación	-0,1415	0,0623	-2,27	0,023	-0,264	-0,019
Ingeniería Industrial, Mecánica, Electrónica y Tecnología	0,0376	0,0350	1,08	0,282	-0,031	0,106
Manufacturas y Procesos	0,1358	0,0824	1,65	0,100	-0,026	0,297
Arquitectura y Construcción	0,1662	0,0377	4,41	0,000	0,092	0,240
Agronomía, Silvicultura y Pesca	-0,0899	0,0552	-1,63	0,103	-0,198	0,018
Veterinaria	-0,1324	0,0856	-1,55	0,122	-0,300	0,035
Salud	0,1587	0,0383	4,14	0,000	0,084	0,234
Servicios Personales	0,0271	0,1009	0,27	0,788	-0,171	0,225
Servicios de Transportes	0,7651	0,1758	4,35	0,000	0,420	1,110
Seguridad Industrial	0,2892	0,6681	0,43	0,665	-1,020	1,599
Servicios de Seguridad	0,4607	0,3055	1,51	0,132	-0,138	1,059
Asalariado	0,2274	0,0081	28,15	0,000	0,212	0,243
Empleador	0,5513	0,0149	36,94	0,000	0,522	0,581
	-1,0643	0,2261	-4,71	0,000	-1,508	-0,621
Constant	3,7766	0,2022	18,68	0,000	3,380	4,173

Fuente: Elaboración propia a partir de los micro-datos de la ENOE 2013

Tabla Nº 3. Tabla Nº 3. Resultados de la estimación del MCO para MUJERES

Heckman selection model two-step estimates				Number of obs = 132568
(regression model whit sample selection)				Censored obs = 87201
				Uncensored obs = 45367
				Wald chi2(34) = 17809.59
				Prob > chi2 = 0,000
Variables	Coef.	Std.err	z	P>|z|	[95% Int. Conf.]
LnIngXhr
Años de escolaridad	0,0384	0,0010	40,31	0,0000	0,0366		0,0403
Experiencia	0,0235	0,0006	42,72	0,0000	0,0224		0,0246
Experiencia2	-0,0003	0,0000	-41,23	0,0000	-0,0004		-0,0003
Estado civil	0,0682	0,0093	7,33	0,0000	0,0499		0,0864
Cabeza de familia	0,1667	0,0952	1,75	0,0800	-0,0199		0,3532
Horas trabajadas	-0,0166	0,0002	-94,48	0,0000	-0,0170		-0,0163
Bachillerato	0,1509	0,0090	16,83	0,0000	0,1333		0,1684
Normal	0,4799	0,0331	14,50	0,0000	0,4150		0,5448
Licenciatura/Profesional	0,3205	0,0360	8,90	0,0000	0,2499		0,3911
Maestría	0,7979	0,1395	5,72	0,0000	0,5246		1,0713
Doctorado	0,8622	0,1481	5,82	0,0000	0,5719		1,1525
Ciencias de la Educación	0,1740	0,0710	2,45	0,0140	0,0348		0,3132
Formación Docente	0,3488	0,1104	3,16	0,0020	0,1324		0,5652
Artes	0,2786	0,0568	4,91	0,0000	0,1673		0,3898
Humanidades	0,2611	0,0552	4,73	0,0000	0,1529		0,3693
Ciencias Sociales y Estudios del Comportamiento	0,2111	0,0657	3,21	0,0010	0,0823		0,3399
Ciencias de la Información	0,2470	0,0871	2,84	0,0050	0,0763		0,4177
Negocios y Administración	0,2984	0,0979	3,05	0,0020	0,1066		0,4903
Derecho	0,2821	0,0890	3,17	0,0020	0,1077		0,4566
Ciencias Naturales	-0,0230	0,0540	-0,43	0,0000	0,0300		0,4755
Ciencias Físicas, Químicas y de la Tierra	0,3326	0,1083	3,07	0,0020	0,1203		0,5448
Matemáticas y Estadística	0,4357	0,1354	3,22	0,0010	0,1703		0,7011
Ciencias de la Computación	0,2378	0,1247	1,91	0,0570	-0,0066		0,4822
Ingeniería Industrial, Mecánica, Electrónica y Tecnología	0,3518	0,0697	5,05	0,0000	0,2153		0,4883
Manufacturas y Procesos	0,2043	0,1022	2,00	0,0450	0,0041		0,4046
Arquitectura y Construcción	0,2746	0,0642	4,28	0,0000	0,1488		0,4005
Agronomía, Silvicultura y Pesca	0,0961	0,1041	0,92	0,3560	-0,1081		0,3002
Veterinaria	0,0828	0,1404	0,59	0,5550	-0,1924		0,3581
Salud	0,3931	0,0879	4,47	0,0000	0,2208		0,5655
Servicios Personales	0,2500	0,0733	3,41	0,0010	0,1064		0,3935
Servicios de Transportes	-0,0729	0,3714	-0,20	0,8440	-0,8009		0,6551
Seguridad Industrial	0,1415	0,4243	0,33	0,7390	-0,6902		0,9731
Servicios de Seguridad	0,3047	0,6434	0,47	0,6360	-0,9564		1,5657
Asalariado	0,2845	0,0075	38,18	0,0000	0,2699		0,2991
Empleador	0,6052	0,0203	29,84	0,0000	0,5655		0,6450
	0,2991	0,3283	0,91	0,3620	-0,3443		0,9425
Constant	2,3210	0,3977	5,84	0,0000	1,5414		3,1005

Fuente: Elaboración propia a partir de los micro-datos de la ENOE 2013.

Con el propósito de interpretar correctamente las variables cualitativas integradas en los modelos como variables dicotómicas, se transforma los parámetros, sus coeficientes se presentan en la Tabla 4. El estado civil y ser cabeza de familia no resultan significativas para los hombres, pero sí es significativo ser cabeza de familia para la mujer, pues perciben 18,1% más de ingresos que las que no lo son. Con respecto al nivel educativo, tener estudios de licenciatura, maestría o doctorado beneficia a hombres y mujeres y supone percibir mayor ingreso, con un mayor efecto en el caso de la mujer.

En cuanto a los campos de formación, los resultados muestran que es más rentable haber realizado estudios en aquellos campos que resultan positivos. Para los hombres, los campos más relevante son, por orden de importancia, Servicios de Transporte, Servicios de Seguridad, y Ciencias Físicas, Químicas y de la Tierra. Para el caso de las mujeres, casi todos los campos de formación les permiten unos ingresos más altos, los más relevantes son, por orden de importancia, Matemáticas y Estadística, Salud, Ingeniería Industrial, Mecánica, Electrónica y Tecnología, y Formación Docente. Esto pone en evidencia las diferencias entre ambos sexos. Además, el análisis comparativo de los campos formativos pone de relieve que existen campos negativos para los hombres que tienen un peso importante para las mujeres, como puede ser el ejemplo de Negocios y Administración, entre otros campos.

El signo del coeficiente de la Razón Inversa de Mills (l) ofrece la relación entre estar ocupado en el mercado laboral y el salario, los resultados indican que la covarianza entre el error del modelo probit y el modelo MCO es positiva para las mujeres y negativa para los hombres, y, en ambos casos, no es significativa. Esto implica una alta probabilidad de estar desempleado en el caso de los hombres; en cambio, indica una baja probabilidad para las mujeres y está asociado a salarios más altos.

· Estimación de la probabilidad de estar empleado, por sexo y campo formativo

En la Tabla Nº 5 se aprecia diferencias por sexo; para los hombres, los campos más favorables son, por orden de importancia, Ciencias de la Computación, Ciencias de la Información, Artes, y Seguridad Industrial; en el caso de las mujeres, Ciencias de la Computación, Formación Docente, Veterinaria, y Negocios y Administración. Entre los resultados negativos, con probabilidad en contra del hombre y a favor de la mujer, destacan Ciencias Naturales, Formación Docente, Matemáticas y Estadística, y Salud.

Tabla Nº 4 Tabla Nº 4 Coeficientes transformados por sexo

Variables	Hombres	Mujeres
Estado civil	-0,3147	0,0706
Cabeza de familia	-0,0205	0,1814
Bachillerato	0,0779	0,1629
Normal	0,3323	0,6159
Licenciatura/Profesional	0,3639	0,3778
Maestría	0,8184	1,2209
Doctorado	0,9494	1,3684
Ciencias de la Educación	-0,0445	0,1901
Formación Docente	0,1812	0,4174
Artes	-0,1535	0,3213
Humanidades	-0,0439	0,2984
Ciencias Sociales y Estudios del Comportamiento	-0,0188	0,2350
Ciencias de la Información	-0,1504	0,2802
Negocios y Administración	-0,0726	0,3477
Derecho	-0,0673	0,3259
Ciencias Naturales	0,1377	-0,0227
Ciencias Físicas, Químicas y de la Tierra	0,5343	0,3946
Matemáticas y Estadística	0,3665	0,5460
Ciencias de la Computación	-0,1319	0,2685
Ingeniería Industrial, Mecánica, Electrónica y Tecnología	0,0384	0,4216
Manufacturas y Procesos	0,1454	0,2267
Arquitectura y Construcción	0,1809	0,3160
Agronomía, Silvicultura y Pesca	-0,0860	0,1009
Veterinaria	-0,1240	0,0863
Salud	0,1720	0,4816
Servicios Personales	0,0275	0,2840
Servicios de Transportes	1,1492	-0,0703
Seguridad Industrial	0,3354	0,1520
Servicios de Seguridad	0,5851	0,3562
Asalariado	0,2553	0,3291
Empleador	0,7355	0,8316

Fuente: Basado en los parámetros de las Tablas Nº 2 y 3

Tabla Nº 5. Tabla Nº 5. Probabilidad de estar empleado según campo de formación y sexo

Campo específico de formación	Hombres	Mujeres
Ciencias de la Educación	0,0421	0,2617
Formación Docente	-0,1250	0,4877
Artes	0,3848	0,1438
Humanidades	0,0429	0,0435
Ciencias Sociales y Estudios del Comportamiento	0,0722	0,2586
Ciencias de la Información	0,4393	0,3270
Negocios y Administración	0,2762	0,4285
Derecho	0,3080	0,3750
Ciencias Naturales	-0,3087	0,0848
Ciencias Físicas, Químicas y de la Tierra	0,0750	-0,1300
Matemáticas y Estadística	-0,1127	0,1804
Ciencias de la Computación	0,4436	0,5443
Ingeniería Industrial, Mecánica, Electrónica y Tecnología	0,2411	0,2640
Manufacturas y Procesos	0,2050	0,3027
Arquitectura y Construcción	0,0334	0,1465
Agronomía, Silvicultura y Pesca	0,2304	0,2314
Veterinaria	0,2546	0,4446
Salud	-0,0092	0,3778
Servicios Personales	0,1798	0,3094
Servicios de Transportes	0,1134	0,0502
Seguridad Industrial	0,3706	0,2907
Servicios de Seguridad	-0,2997	-0,0892

Fuente: Basado en los coeficientes del modelo probit.

Una vez analizado el mercado laboral mexicano, se concluye que cumple con las teorías de los retornos de la educación que sostienen que un nivel educativo más alto conduce a una mayor probabilidad de conseguir un trabajo y de percibir mayores ingresos. Estos resultados coinciden con los de Morales-Ramos (2011) en los que destaca la importancia de los estudios de posgrado y aquellos que acreditan para desarrollar una profesión.

En el caso de los graduados/profesionales, los ingresos aumentan con respecto a la edad y a medida que aumenta el nivel educativo, lo cual confirma que la inversión en educación es rentable, sobre todo, para las mujeres. Este resultado es similar a los de Rodríguez Pérez y Limas Hernández (2017), sin embargo, los estudios de Rodríguez-Pérez y Castro-Lugo (2014) o Popli (2013) indican que existen diferencias salariales por sexo en contra de las mujeres, porque existe un techo de cristal que no les permite progresar en el trabajo.

Otra conclusión importante después de aplicar el modelo probit para corregir el sesgo de autoselección, es que es más probable que las mujeres con estudios universitarios pertenezcan a la población empleada que aquellas con niveles educativos más bajos; además, las mujeres profesionales se auto-seleccionan para no trabajar en mayor medida que los hombres.

Se detectan oportunidades de empleo para los hombres en muchos campos formativos, destacando Ciencias de la Computación, Ciencias de la Información, Artes, y Seguridad Industrial. En términos de ingresos, los hombres ganan más en Servicios de Transporte, Servicios de Seguridad, Ciencias Físicas, Químicas y de la Tierra, y Matemáticas y Estadística. En el caso de las mujeres, las oportunidades de empleo están relacionadas, sobre todo, con las Ciencias de la Computación, Formación Docente, y Veterinaria. En cuanto a los ingresos, estudiar en los campos de Matemáticas y Estadística, Salud, Ingeniería Industrial, Mecánica, Electrónica y Tecnológica, y Formación Docente aumenta la probabilidad de que las mujeres ganen más.

Finalmente, se puede señalar que, en general, el ingreso percibido por hora trabajada es aproximadamente el mismo para hombres que para mujeres, pero existen diferencias que favorecen, en algunos casos, a las mujeres; por ejemplo, las mujeres casadas ganan un 6,8% más, las que tienen un máster un 79,7% más, las que tienen estudios de doctorado un 86,2% más, o las mujeres cabeza de familia un 16,7% más.

En resumen, las cuatro hipótesis planteadas se cumplen en el mercado laboral mexicano, porque mayores inversiones en capital humano son predictores de mayores salarios y mayores oportunidades de empleo, especialmente para las mujeres. Un mayor éxito profesional, medido por percibir un salario más alto, depende del capital humano adquirido, asociado en este caso al campo de formación realizado. En general, las mujeres siguen caminos diferentes a los hombres. Cuando se considera ser cabeza de familia o no, en las mujeres tiene un efecto positivo para insertarse en el mercado laboral y percibir mayores ingresos, aunque existen otras variables que también le favorece como es estar casada o tener un elevado nivel educativo.

Estos resultados demuestran una vez más la influencia del capital humano asociado al tipo de formación en la probabilidad de éxito en el mercado laboral, sobre todo en las mujeres. Los planificadores de la oferta educativa deben realizar estudios de mercado regularmente que les permita obtener información para decidir qué y cuántas plazas ofertar y qué tipo de titulaciones se requieren para que el mercado laboral absorba a los egresados universitarios.