Pontificia Universidad Javeriana

Técnicas de Medición e Investigación Económica

Profesora Angela Rothstein
Lina Andrea Rodriguez León

Mujeres rompiendo techos de cristal en tecnología: Un análisis de la brecha salarial

La lucha por la igualdad de género es un movimiento que busca abordar una amplia gama de
desigualdades y desafíos que han afectado históricamente a las mujeres en áreas como el
trabajo, la política, la educación y la participación pública. Estas desigualdades son
intrínsecamente sociales, económicas y políticas, y han sido objeto de atención y esfuerzos de
cambio en todo el mundo.

La importancia de la lucha de género radica en su reconocimiento de que la desigualdad de

género no se limita a un sector en particular, sino que permea todas las facetas de la sociedad.
Esto abarca desde la disparidad salarial, donde las mujeres suelen recibir remuneraciones más
bajas que los hombres por trabajos similares, hasta la representación de género en roles de
liderazgo, la discriminación basada en el género, la violencia de género y las limitaciones en
el acceso a oportunidades educativas y económicas.

En la era actual, caracterizada por la ubicuidad de la información y los avances tecnológicos,

la industria tecnológica se ha convertido en un pilar esencial de la economía global.
Alimentada por una corriente constante de innovación y progreso tecnológico, ha tenido un
impacto profundo en la forma en que vivimos, trabajamos y nos relacionamos. Sin embargo,
en medio de este progreso tecnológico, persiste un desafío significativo que plantea
interrogantes cruciales sobre la igualdad de género: la brecha salarial de género. La
disparidad salarial entre hombres y mujeres en la industria tecnológica, junto con otras
desigualdades, es un aspecto de esta lucha que requiere una atención particular.

La industria tecnológica, en general, ha sido percibida durante mucho tiempo como un campo
dominado por hombres, lo que ha contribuido a que las mujeres enfrenten barreras
significativas en términos de acceso a oportunidades, promoción y, en última instancia,
salarios justos. Esta percepción ha influido en la segregación ocupacional, donde las mujeres
a menudo se ven confinadas a roles no técnicos o subrepresentadas en posiciones de liderazgo
en la industria
El propósito fundamental de esta investigación, es llevar a cabo una evaluación detallada de
la disparidad salarial entre géneros en la industria tecnológica. El enfoque de la investigación
se centra en abordar la cuestión esencial de si existen diferencias sustanciales en los salarios
entre hombres y mujeres en este sector. Asimismo, se busca comprender los mecanismos
subyacentes que contribuyen a esta brecha a esta disparidad y cómo estos mecanismos
pueden variar en función de factores como la experiencia laboral, la ubicación geográfica y el
rol ocupado.

A lo largo de este análisis, se desarrollará un modelo de regresión lineal múltiple para estimar
y predecir cómo influye el salario, como variable dependiente, en función de factores como la
experiencia laboral, el nivel de educación y el género, que actúan como variables
independientes. Mediante este análisis riguroso, se busca entender no sólo la relación
individual de cada una de estas variables con el salario, sino también cómo interactúan entre
sí para configurar la estructura de compensación. Este modelo no solo revelará patrones
significativos y proporcionará claridad sobre los determinantes del salario, sino que también
ofrecerá una base sólida para hacer predicciones informadas, lo cual es crucial en el diseño de
políticas salariales efectivas y equitativas en el ámbito laboral.

El anterior modelo está dado por la siguiente función:

Salario = b0 + b1 × Educación + b2 × Experiencia + b3 × Sexo + b4 × Edad + u

Se prevé que los resultados de esta investigación arrojen luz sobre la magnitud de la brecha
salarial de género en la industria tecnológica y proporcionen una comprensión más profunda
de los factores que la influyen. Se anticipa que los hallazgos revelarán que, a pesar de los
avances, todavía existen diferencias salariales significativas entre hombres y mujeres en este
sector. Además, se busca identificar los mecanismos que desempeñan un papel clave en la
generación de esta brecha, lo que permitirá aportar ideas valiosas para futuras estrategias
destinadas a promover la igualdad de género en la industria tecnológica.

Marco Conceptual
A lo largo de la historia, las mujeres han desempeñado un rol fundamental en la atención y
conservación del hogar, en gran medida debido a la ausencia de roles laborales claramente
definidos para ellas (Zárate y Godoy, 2005). Esta tradicional división de roles de género ha
influido en la participación de las mujeres en el ámbito laboral y, por ende, en su
remuneración, lo que se refleja en la brecha salarial de género.

La brecha salarial de género se define como la diferencia entre la mediana de los ingresos de
los hombres y de las mujeres en relación con la mediana de los ingresos de los hombres.
(OCDE, 2021) Esta disparidad salarial en el mercado laboral es un tema central en la
discusión sobre la igualdad de género y es una preocupación importante en la investigación
sobre la participación de las mujeres en la fuerza laboral.

Romero (2007) señala que una de las causas de la discriminación de género radica en la
posición dominante que ostenta un grupo en relación con otros miembros de la sociedad en la
distribución y aprovechamiento de las oportunidades económicas, políticas y sociales, que a
menudo se encuentran limitadas para el grupo en desventaja. En el mercado laboral, por lo
general, las personas con igual nivel educativo, cuando trabajan en el mismo sector, ocupan
posiciones diferentes: las mujeres tienden a ocupar posiciones más bajas y los hombres, las
de mayor jerarquía. Este fenómeno se denomina como “segregación ocupacional de género”
el cual se refiere a la desigualdad de la composición femenina y masculina en conjuntos de
trabajos con requerimiento de habilidades similares, considerando la existencia de
estereotipos que señalan cuáles actividades son apropiadas para hombres o mujeres (Maume,
1999)

La teoría del capital humano desarrollada por Becker (1991) relaciona la remuneración
salarial con factores como la educación, la experiencia y las habilidades y capacidades
individuales únicas. Esto proporciona una base para la interpretación y análisis de la
discriminación salarial por género en Colombia.

Blau y Kahn (2017) destacan la importancia de evaluar diversas variables socioeconómicas

para analizar las brechas de género, y enfatizan que las variaciones en los ingresos laborales
pueden explicarse mediante factores como el nivel educativo, la etnicidad y el nivel de
ingresos, entre otros. Estos factores son cruciales para comprender la dinámica de la brecha
salarial de género y su persistencia en diferentes contextos.
Resulta importante destacar que la variable más influyente en la distribución del ingreso es la
educación, lo cual está ampliamente respaldado y fundamentado en la teoría económica y en
la evidencia empírica. La educación actúa como un determinante clave en la formación de las
habilidades y capacidades de los individuos, lo que a su vez incide directamente en su
productividad y, en última instancia, en sus ingresos. Sin embargo, según cifras del DANE,
“Si bien tanto para hombres como para mujeres el ingreso laboral promedio mensual aumenta
con el nivel educativo, entre el grupo que no cuenta con ningún estudio las mujeres fueron
las más castigadas con una brecha de ingreso laboral del 39,3%, lo que significa que
mientras los hombres sin ningún estudio ganaban 100 pesos, las mujeres ganaban 60,7
pesos.”

A pesar del notable aumento en la participación de las mujeres en el mercado laboral en las
últimas décadas, la población femenina continúa enfrentando problemas de desigualdad,
inequidad y falta de visibilidad. Estos problemas son el resultado de la construcción
histórico-cultural que ha asignado roles, características y responsabilidades a las mujeres en
función de su condición biológica y reproductiva. La brecha salarial de género es un
problema sistémico que afecta a todos los sectores laborales, pero es esencial destacar que los
sectores más "feminizados" muestran de manera consistente salarios significativamente más
bajos. Los datos del DANE en Colombia respaldan esta afirmación, ya que revelan que en las
áreas laborales con una alta presencia de mujeres, la brecha salarial es notoriamente más
amplia. Esto se observa de manera preocupante en campos como Actividades profesionales,
científicas, técnicas y servicios administrativos, donde la brecha salarial puede alcanzar un
asombroso 43%, y en Alojamiento y servicios de comida, donde la brecha se sitúa en un
igualmente alarmante 38%.

Esta disparidad salarial basada en el género subraya la urgente necesidad de abordar la

discriminación salarial y promover la igualdad de género en todos los niveles y sectores de la
fuerza laboral. La brecha no solo es una injusticia social, sino que también tiene un impacto
negativo en la economía y la sociedad en su conjunto, al limitar el potencial de las mujeres y
perpetuar desigualdades estructurales.

Además, la existencia de estereotipos en las mujeres, la creencia de que hay carreras o

sectores laborales que pertenecen o se adecuan más a un sexo, hace que, exista menos interés
en areas que se han entendido desde siempre como masculinas. Resulta importante destacar
que en la actualidad, con el auge de las nuevas tecnologías, el sector de las TICS se ha vuelto
uno de los mejores pagos. Sin embargo, resulta ser un sector de por sí masculino. Concuerda
con lo anterior Martinez (2020), al mencionar que “La digitalización puede aportar grandes
beneficios para las empresas a la vez que crea valor para la sociedad. Sin embargo, en las
nuevas innovaciones tecnológicas, como son la inteligencia artificial y la robotización, se
podría seguir incrementando la desigualdad entre hombres y mujeres y fortalecer los
estereotipos de género y los prejuicios.”

En la actualidad, todavía siguen presentes aquellos estereotipos que parecen asociar

automáticamente áreas intelectuales o laborales a uno de los géneros. Esto se puede observar,
por ejemplo, en la alta representación de mujeres en la profesión de enfermería, mientras que
las ingenierías, por otro lado, siguen fuertemente influenciadas por valores tradicionalmente
considerados masculinos.

UNESCO (2017) identifica dos estereotipos predominantes en relación con el género y

STEM: “Los niños son mejores en matemáticas y ciencias que las niñas y las ciencias e
ingeniería son carreras masculinas”, desalentadoras a participar en estas disciplinas y
arraigando la creencia de que lo científico tiene carácter masculino.”

La participación de las mujeres en campos relacionados con STEM (ciencia, tecnología,

ingeniería y matemáticas) es un tema importante en la discusión sobre igualdad de género.
Según la OCDE (2015), existe una falta de confianza por parte de las mujeres en sus
habilidades en matemáticas y ciencias, lo que a menudo disminuye su disposición para elegir
carreras universitarias en campos STEM. Esto se agrava por la escasa representación de
mujeres en cursos de educación secundaria relacionados con STEM y la falta de modelos y
mentores femeninos en estas disciplinas. Estos obstáculos educativos y culturales tienen
implicaciones directas en las oportunidades laborales y en la brecha salarial de género en
áreas tecnológicas y científicas.

En resumen, la historia de la división de roles de género en el hogar, la brecha salarial de

género, la discriminación en el trabajo, la teoría del capital humano y los desafíos en la
educación y la representación en STEM están interconectados y contribuyen a la
comprensión de la persistencia de la desigualdad de género en la industria tecnológica y otros
campos. Estos temas son fundamentales para abordar la igualdad de género en el mundo
laboral y en la sociedad en su conjunto.

Una de las áreas en las que se evidencia de manera significativa la disparidad de género es el
campo tecnológico. En muchas ocasiones, se tiende a creer erróneamente que los hombres
ostentan una predisposición natural hacia disciplinas como el desarrollo de software, la
inteligencia artificial, la programación, y similares. Esta percepción, conlleva a menudo a que
los hombres sean favorecidos en la obtención de roles de mayor relevancia y responsabilidad,
mientras que las mujeres enfrentan barreras para desarrollarse plenamente en esta esfera.

Además, como lo explica la OIT (2019) “La brecha podría deberse en parte a las diferentes
funciones que asumen hombres y mujeres en el sector. Según el Informe Mundial sobre
salarios 2018/19 de la OIT, cuando las mujeres entran en el lugar de trabajo de las tecnologías
de la información y la comunicación (TIC), tienden a concentrarse en ocupaciones menos
remuneradas, como las de gestoras de proyectos de TIC, en lugar de los puestos de desarrollo
de software de TIC, mejor pagados”

De acuerdo con el Informe del Foro Económico Mundial (WEF) de 2016, se estima que, en el
ámbito de las disciplinas STEM (Ciencia, Tecnología, Ingeniería y Matemáticas), las mujeres
solo ocupan aproximadamente un puesto de trabajo por cada cuatro ocupados por hombres.
Esta desigualdad de género en la distribución de empleo en campos STEM se traduce en
salarios más bajos, menos oportunidades para asegurar sus medios de vida y reducidas
perspectivas de ahorro. En última instancia, esto contribuye a agravar la desigualdad
económica en la sociedad en su conjunto.

Arredondo (2019) menciona que esta disparidad en la elección de carreras STEM y no STEM
se atribuye en gran medida a factores culturales y a la falta de modelos de referencia que
promuevan la participación de las mujeres en ciencia y tecnología. Como resultado, los
estudiantes masculinos tienden a mostrar una mayor inclinación hacia las disciplinas de
ingeniería y tecnología, mientras que las estudiantes optan con mayor frecuencia por áreas
relacionadas con las humanidades, las ciencias sociales y las disciplinas administrativas,
como se señala en el informe de Million Women Mentors de 2015.
Además, al tenor de lo explicado por Laverde y Gomez (2021), las actividades laborales son
uno de los principales factores de la gran diferenciación de género, ya que aquí es donde se
da la brecha más amplia, puesto que los hombres tienen mayor remuneración que las mujeres
y mayor participación en sectores laborales como la construcción, la minería, transporte,
tecnología, finanzas, entre otros. Hecho que genera condiciones desfavorables en cuanto a
materia salarial.
El analisis a realizar estima la variable dependiente del salario a través de las variables de
sexo, educación, experiencia, y edad, las cuales explican casi el 50% de la variabilidad del
salario. Esto significa que podrían existir otros factores afectando los salarios que no están
capturados en el modelo actual, como el sector específico de la tecnología en el que trabajan
las personas, la ubicación geográfica, el tamaño de la empresa, las horas trabajadas, entre
otros factores que podrían influir en la compensación, conforme a lo mencionado por MinTIC
(2012).
Por lo que la inclusión de otras variables explicativas relevantes podría aumentar la cantidad
de variabilidad en los salarios que el modelo de regresión múltiple es capaz de explicar.
Resulta importante destacar que no mencionan en el presente texto ya que no se dispone de
datos completos o precisos para todas las variables de interés. La carencia de información de
calidad sobre aquellos factores podría incidir negativamente en la solidez del modelo, lo que
no excluye que este explica casi el 50% de la variabilidad del salario.

3. Datos
Los datos a analizar provienen de una metodología no experimental, obtenidos mediante una
encuesta realizada a 208 personas empleadas en el sector de la tecnología. Durante esta
encuesta, se recopiló información específica sobre variables personales y profesionales de los
encuestados, incluyendo su sexo, nivel de educación, años de experiencia, edad y salario.
Cabe destacar que la naturaleza de estos datos es de corte transversal, ya que se enfocan en
analizar y comprender el salario de estas 208 personas durante un período de tiempo
específico, en este caso, a lo largo del mes de febrero de 2023. Esta aproximación transversal
permite una instantánea detallada de las características salariales en el sector tecnológico,
proporcionando una base sólida para investigar cómo diversos factores como la educación, la
experiencia laboral y la edad pueden influir en las diferencias salariales.

Teniendo tanto variables cuantitativas como cualitativas, en relación a las variables

numéricas, estas se refieren a la experiencia laboral y la edad. Respecto a las variables
categóricas, en la variable de Género; específicamente, se ha designado el valor 1 para los
hombres y 0 para las mujeres. Además, en cuanto al nivel educativo, se establece que 1
representa Bachillerato, 2 indica un pregrado en curso, 3 denota la finalización de una
licenciatura, 4 refleja un posgrado en curso, y 5 representa la conclusión de un posgrado.

El análisis estadístico descriptivo de la encuesta en general refleja lo siguiente en las distintas

variables:
3. 1. Sexo:
Se encuestaron 208 personas, tanto hombres como mujeres.
La media es aproximadamente 0.33, lo que sugiere una mayor proporción de mujeres (0) en
la muestra.
La desviación estándar es de aproximadamente 0.47, por lo que refleja una dispersión
moderada alrededor de la media de 0.33.

3.2. Educación:
La media es de aproximadamente 3.16, lo que podría indicar que el nivel de educación más
común es alrededor de un pregrado finalizado.
La desviación estándar es de 1.47, lo que demuestra una amplia gama de niveles educativos
entre los encuestados.

3.3. Experiencia:
La experiencia promedio es de aproximadamente 4.35 años.
La desviación estándar es de 2.77 años, indicando una variabilidad considerable en la
experiencia laboral. Esto sugiere que la muestra incluye tanto a empleados relativamente
nuevos como a aquellos con una experiencia laboral considerable.

3.4 Edad:
La edad promedio de los encuestados es de aproximadamente 40.39 años.
La desviación estándar es de 10.32 años, sugiriendo una dispersión en el rango de edades
amplia entre los encuestados.

3.5 Salario:
El salario promedio es de aproximadamente 3992.19 (millones de pesos colombianos)
mensuales.
La desviación estándar es de 1125.62, lo que indica una variación significativa en los salarios
entre los encuestados.

El análisis de los datos de la encuesta, que incluye 208 registros del sector tecnológico, revela
una tendencia significativa en cuanto a la brecha salarial de género. A pesar de que hay una
mayor proporción de mujeres en la muestra (indicado por una media de aproximadamente
0.33 en la variable de género, donde 0 representa a las mujeres), sus salarios promedio son
inferiores a los de sus contrapartes masculinas. Mientras que el salario medio para las
mujeres es de $3.721, los hombres tienen un salario medio de $4.551. Esto no solo sitúa a las
mujeres por debajo del salario promedio general de $3.992,19, sino que también destaca una
brecha salarial considerable, ya que los hombres superan este promedio. Esta diferencia es
aún más notable considerando que la desviación estándar de los salarios es de $1.125,62, lo
que indica una amplia variabilidad. Estos hallazgos apoyan la hipótesis de una brecha salarial
basada en el género dentro del sector tecnológico, a pesar de la diversidad en educación,
experiencia y edad entre los encuestados.

Además, ​a pesar de la diversidad en los niveles de educación y experiencia, con desviaciones

estándar de 1.47 y 2.77 respectivamente, la brecha salarial persiste. Esto implica que incluso
cuando mujeres y hombres tienen niveles similares de educación y experiencia, las mujeres
tienden a recibir salarios más bajos, reforzando la evidencia de una disparidad salarial.
La amplia gama de edades entre los encuestados, reflejada en una desviación estándar de
10.32 años, indica una diversidad generacional. Sin embargo, si esta diversidad no se traduce
en una equidad salarial entre géneros, refuerza la idea de que la brecha salarial es persistente
a través de diferentes generaciones en el sector.

La considerable variabilidad en los salarios, con una desviación estándar de 1125.62, sugiere
que hay una amplia gama de salarios dentro del sector. Sin embargo, si las mujeres están
predominantemente en el extremo inferior de esta gama, mientras que los hombres están más
representados en el extremo superior, esto indica una clara brecha salarial.
La media salarial para las mujeres es significativamente más baja que la de los hombres, y
también está por debajo del promedio general. Este hecho por sí solo es un indicador claro de
desigualdad salarial basada en el género.

4. Análisis
Para evaluar el efecto de las diversas variables previamente examinadas, es necesario llevar a
cabo un análisis mediante un modelo de regresión lineal. Este enfoque se utiliza para
examinar la conexión entre dos o más variables. Según Montero (2016), “La regresión lineal
múltiple busca establecer modelos lineales o que puedan linealizarse entre una variable
dependiente y dos o más variables independientes.”

Dado que la investigación examina diversas variables independientes como la edad, el sexo,
la educación y la experiencia en relación con el salario, que constituye la variable
dependiente, se hace necesario emplear un modelo de regresión múltiple. Este tipo de modelo
se destaca por analizar múltiples variables simultáneamente, a diferencia de un modelo de
regresión simple que se centra en la relación entre una variable independiente y la variable
dependiente de manera individual. La elección de un enfoque de regresión múltiple permite
comprender de manera más completa y holística cómo estas diversas variables
independientes contribuyen y se relacionan con la variabilidad en la variable dependiente del
salario.
Por lo cual, la fórmula del modelo de regresión múltiple está dada de la siguiente manera:
Salario = b0 + b1 × Educación + b2 × Experiencia + b3 × Sexo + b4 × Edad + u
En donde b0 es el término constante del modelo o punto de corte, b1, b2, b3 y b4 son
aquellos coeficientes que indican en qué proporción va a cambiar mi salario final según la
variable independiente, y u representa el término de error, también conocido como el residuo.
En términos prácticos, la u captura toda la variabilidad del salario (la variable dependiente)
que no es explicada por las variables independientes incluidas en el modelo (Educación,
Experiencia, Sexo y Edad).

● Obtención de los mínimos cuadrados ordinarios en un modelo de regresión

múltiple (MCO)

Coefficients

Intercept 631,853635

Sexo 503,69822

Educación 333,733395

Experiencia 64,8112634
Edad 46,0345074

1. b1 (Sexo): El coeficiente es 503.70, lo cual sugiere que, manteniendo constantes los

otros factores, hay una diferencia promedio en el salario de aproximadamente 503.70
unidades monetarias entre los géneros. Dado que '1' representa a los hombres y '0' a
las mujeres, los hombres ganan en promedio 503.70 unidades más que las mujeres.
2. b2 (Educación): El coeficiente es 333.73, indicando que por cada incremento de una
unidad en el nivel educativo, el salario promedio aumenta en 333.73 unidades. Esto
significa que una persona con un nivel de educación superior (por ejemplo, pasando
de Pregrado a Posgrado) tendría, en promedio, un salario mayor en esa cantidad.
3. b3 (Experiencia): Con un coeficiente de 64.81, se interpreta que por cada año
adicional de experiencia, el salario aumenta en promedio 64.81 unidades.
4. b4 (Edad): El coeficiente es 46.03, lo que sugiere que por cada año adicional de edad,
el salario aumenta en promedio 46.03 unidades.
5. b0: Es el término constante del modelo o el punto de corte. En estimaciones salariales
este valor puede ser el salario mínimo. En este caso, el valor de b0 es 631.85. Esto
representa el salario esperado cuando todas las variables independientes (Educación,
Experiencia, Sexo y Edad) son cero.

● Estimaciones de salarios:
Al tener tantos datos, se van a estimar diferentes salarios en relación con hombres y mujeres:
1. Estimación del salario de una mujer con 5 años de educación, 10 años de experiencia
y 30 años de edad:
Salario = 631.853634731556 + (503.6982203×0) + (333.733395×5) +
(64.81126339×10) + (46.03450739×30): $4,329.67
Estimación del salario de un hombre con 5 años de educación, 10 años de experiencia
y 30 años de edad:
Salario = 631.853634731556 + (503.6982203×1) + (333.733395×5) +
(64.81126339×10) + (46.03450739×30): $4,833.37

2. Estimación del salario de una mujer con 3 años de educación, 5 años de experiencia y
40 años de edad:
 Salario = 631.853634731556 + (503.6982203×0) + (333.733395×3) +
(64.81126339×5) + (46.03450739×40): $3,798.49
Estimación del salario de un hombre con 3 años de educación, 5 años de experiencia y
40 años de edad:
Salario = 631.853634731556 + (503.6982203×1) + (333.733395×3) +
(64.81126339×5) + (46.03450739×40): $4,302.19

3. Estimación del salario de una mujer con 2 años de educación, 1 año de experiencia y
50 años de edad:
Salario = 631.853634731556 + (503.6982203×0) + (333.733395×2) +
(64.81126339×1) + (46.03450739×50): $3,665.86
Estimación del salario de un hombre con 2 años de educación, 1 año de experiencia y
50 años de edad:
Salario = 631.853634731556 + (503.6982203×1) + (333.733395×2) +
(64.81126339×1) + (46.03450739×50): $4,169.56

● Cálculo de R^2 o bondad de ajuste: 0,477064955

El R^2, es una medida de cuán bien los valores ajustados por el modelo se aproximan
a los valores reales. El valor de R cuadrado en este análisis de regresión es de
aproximadamente 0.477, lo que significa que alrededor del 47.7% de la variabilidad
en los salarios se puede explicar por las variables independientes incluidas en el
modelo: Sexo, Educación, Experiencia y Edad. La interpretación del R^2 en este
contexto, respalda la noción de que las diferencias en los salarios no se deben
únicamente al azar y que las variables seleccionadas juegan un papel importante en la
determinación de los salarios.

● Suma total de los cuadrados: Esta fórmula explica qué tanta dispersión hay en la
variable y (salarios).
Se calcula a partir de:
SSR: Representa la parte de la variabilidad total (SST) que es explicada por el modelo
de regresión. Es la suma de las diferencias al cuadrado entre los valores predichos por
el modelo y la media de la variable dependiente.
 SSE: Representa la parte de la variabilidad total (SST) que no es explicada por el
modelo. Es la suma de los cuadrados de los residuos (las diferencias entre los valores
observados y los valores predichos por el modelo).
R^2: ¿Cuán bien los valores ajustados por el modelo se aproximan a los valores
reales? Se calcula dividiendo la SSR por la SST (R^2 = SSR/SST). En este caso el
R^2 es de 0.477
SST= 0.477/125120337.2 = 262,306,786.58
Un SST de aproximadamente 262 millones sugiere que hay una variabilidad
considerable en los salarios entre los individuos de la encuesta. Aunque el modelo
explica casi la mitad de esta variabilidad, todavía hay un 52.3% de la variabilidad en
los salarios que no se explica por las variables incluidas.
Esto significa que podrían existir otros factores afectando los salarios que no están
capturados en el modelo actual, como el sector específico de la tecnología en el que
trabajan las personas, la ubicación geográfica, el tamaño de la empresa, las horas
trabajadas, entre otros factores que podrían influir en la compensación, conforme a lo
mencionado por MinTIC (2012). Por lo que la inclusión de otras variables
explicativas relevantes podría aumentar la cantidad de variabilidad en los salarios que
el modelo es capaz de explicar.

Conclusiones:
El análisis descriptivo inicial reveló diferencias en los salarios promedio entre hombres y
mujeres, con las mujeres ganando menos en promedio. Esta diferencia en los salarios
promedios es una indicación temprana de la posible existencia de una brecha salarial de
género.

Al analizar el Modelo de Regresión Lineal, los coeficientes del modelo de regresión muestran
que el sexo es un predictor significativo de los salarios, con un valor aproximado de 503.70.
Esto indica que, todo lo demás constante, los hombres tienden a ganar significativamente más
que las mujeres, lo que sugiere que el género tiene una influencia directa y significativa en la
determinación del salario. Entre las variables independientes analizadas, el género tiene uno
de los coeficientes más altos, lo que indica que es un factor de gran influencia en la brecha
salarial, incluso cuando se controla por otros factores como la educación, la experiencia y la
edad.

El análisis de las estimaciones salariales obtenidas a partir del modelo de regresión lineal
múltiple, teniendo en cuenta variables como educación, experiencia, sexo y edad,
proporciona una perspectiva reveladora de la estructura salarial en el sector tecnológico. Las
estimaciones indican diferencias claras en los salarios esperados entre hombres y mujeres,
incluso cuando tienen niveles comparables de educación, experiencia y están en el mismo
rango de edad.

Para las mujeres, los salarios estimados varían desde $3,665.86 hasta $4,329.67, mientras que
para los hombres, la gama es de $4,169.56 a $4,833.37 para los mismos niveles de educación
y experiencia. Estos resultados subrayan una disparidad significativa: a pesar de poseer
calificaciones y experiencia comparables, las mujeres tienen salarios estimados
sistemáticamente más bajos en cada uno de los escenarios considerados.

El coeficiente asociado al sexo en el modelo es particularmente revelador, con un valor de

aproximadamente $503.70. Este número refleja la diferencia salarial promedio atribuible al
género después de ajustar por otros factores. Es decir, ser hombre conlleva una prima salarial
promedio de más de $500 en comparación con ser mujer, lo que sugiere que el género por sí
solo tiene un impacto significativo en la determinación del salario, independientemente de
otros atributos.

El R^2 de aproximadamente 0.477 en el modelo indica que cerca de la mitad de la variación

en los salarios puede ser explicada por las variables incluidas en el modelo. Esto sugiere que,
aunque hay otros factores que afectan los salarios y que no han sido incluidos en el modelo,
las variables que hemos considerado son significativas y tienen un impacto considerable en
los salarios.

La SST alta refleja una variabilidad significativa en los salarios de los individuos. El hecho
de que nuestro modelo solo explique aproximadamente el 47.7% de esta variabilidad sugiere
que hay otros factores que también podrían estar contribuyendo a la brecha salarial, lo que
indica la necesidad de investigaciones adicionales para identificar y entender estos factores.

El análisis de los datos disponibles y el modelo de regresión lineal múltiple aplicado han
revelado evidencia concluyente de una brecha salarial entre hombres y mujeres en el sector
de la tecnología, un campo históricamente dominado por hombres. A pesar de los esfuerzos
por alcanzar la igualdad de género y la inclusión, el coeficiente significativo asociado con la
variable de género en el modelo indica que ser hombre tiene una prima salarial considerable,
incluso después de ajustar por otros factores relevantes como la educación, la experiencia y la
edad. Este hallazgo es un llamado a la acción para que los líderes de la industria tecnológica
adopten un papel más activo en la creación de una cultura laboral inclusiva que valore y
recompense equitativamente el talento, independientemente del género.
Bibliografía

1. Arredondo, G. (2019). “STEM y brecha de género en Latinoamérica.” Revista del

Colegio de San Luis.
2. Becker, G. (1991). “A Treatise on the Family.. Massachusetts: London” Harvard
University Press.
3. Blau, Kahn. (2017). "The Gender Wage Gap: Extent, Trends, and Explanations."
Journal of Economic Literature, 55 (3): 789-865.
4. CEPAL (2021). Panorama Social de América Latina 2020.
https://data.oecd.org/earnwage/gender-wage-gap.htm
5. DANE. (2023) “Situación de la brecha salarial en Colombia”.
6. Foro Económico Mundial. (2016). Informe del Foro Económico Mundial (WEF).
7. Maume Jr., D. J. (1999). “Glass ceilings and glass escalators. Occupational
segregation and race and sex differences in managerial promotions”. Work and
Occupations.
8. Martinez, A. (2020) “La brecha de las brechas: la mujer en el mundo tecnológico y
digital de nuestro país”.
9. Laverde, M, Gómez, D. “Determinantes de la brecha salarial en hombres y mujeres en
Colombia en el periodo 2010 - 2019” Universidad EAFIT.
10. Romero, J. (2007). “¿Discriminación Laboral o Capital Humano? Determinantes del
Ingreso Laboral de los afro cartageneros.” Documentos de Trabajo sobre Economía
Regional.
11. OCDE. (2015). “Girls lack self-confidence. En The ABC of Gender Equality in
Education: Aptitude, Behaviour, Confidence”. 63-95. Paris: OECD Publishing.
12. Organización Internacional del Trabajo (2019). “La persistente brecha de género en la
tecnología.” ILOSTAT.
13. UNESCO. (2017). “Cracking the code: Girls’ and women’s education in science,
technology, engineering and mathematics (STEM)”. París: UNESCO.
14. Wainerman, C. (1996) ¿Segregación o discriminación? El mito de la igualdad de
oportunidades. Boletín Informativo Techint, (285). 59-75
15. Zárate, M. y Godoy, L. (2005). “Análisis crítico de los estudios históricos del trabajo
femenino en Chile.” Cuaderno de Investigación.
16. Montero, R. (2016). Modelos de regresión lineal múltiple. Documentos de Trabajo en
Economía Aplicada. Universidad de Granada. España.
17. MinTIC. (2012). Estudio de salarios y profesionales en el sector de software y TIC en
Colombia.