La desigualdad de oportunidades (IOp) es la parte de la desigualdad global que puede predecirse por circunstancias predeterminadas, normalmente heredadas, como el entorno familiar, la raza/etnia, la casta, el sexo biológico y el lugar de nacimiento.
A partir de estas características personales, distintos métodos estadísticos pueden dividir a la población de un país en subgrupos que compartan circunstancias comunes y comparar sus distribuciones de ingresos. Mientras que un enfoque "ex-ante" compara las medias de estos grupos, una alternativa "ex-post" tiene en cuenta las diferencias en cada punto de la distribución. Las medidas generales de desigualdad de oportunidades resumen estas diferencias.
La igualdad de oportunidades significa que las personas tienen acceso a las mismas oportunidades en la vida, independientemente de cualquier circunstancia heredada. Por lo tanto, significa reducir a cero la medida en que los factores heredados (como el sexo, lugar de nacimiento y la ocupación y educación de los padres) pueden explicar la desigualdad actual de ingresos o de consumo.
Esto, a su vez, implica eliminar las diferencias entre los ingresos de subgrupos de población con circunstancias diferentes, idealmente aumentando los ingresos de los subgrupos de población con menos acceso a las oportunidades (los "más desfavorecidos").
Igualar las oportunidades exige aumentar la movilidad social entre generaciones, y las medidas de movilidad intergeneracional (IGM) están estrechamente relacionadas con nuestras medidas de IOp. Al igual que la IOp, las estimaciones de IGM tienen muchas formas y tamaños, como coeficientes de regresión, elasticidades, coeficientes de correlación, etc., y cada una de ellas para niveles o rangos.
Esperamos que las futuras versiones de GEOM incluyan también medidas de movilidad intergeneracional, que se extraerán de la investigación existente. Sigue atento.
Aunque las estimaciones contenidas en el GEOM describen una asociación estadística y no se interpretan como causales, la medida en que la desigualdad que experimentamos hoy en día es hereditaria importa al menos de tres maneras.
En primer lugar, muchas personas - incluidos filósofos de la justicia social- la consideran la parte más injusta de la desigualdad. En segundo lugar, se asocia positivamente con el alcance de la desigualdad general: cuanta más desigualdad transmite una sociedad de generación en generación, más desigual tiende a ser. En tercer lugar, tiende a provocar el desaprovechamiento del potencial humano y puede ser una fuente de ineficacia económica e incluso de menor crecimiento económico.
Existen diferentes medidas de desigualdad, cada una de las cuales resume, en una cifra, la dispersión en la distribución. El coeficiente de Gini y el MLD son dos de estas medidas.
El coeficiente de Gini se ha convertido quizás en la medida "por defecto" de la desigualdad, que va de cero a uno. Cuando es igual a cero, todo el mundo gana lo mismo: igualdad perfecta. Un Gini de uno significa que todos los recursos van a parar a una sola persona: desigualdad máxima. En la práctica, las sociedades se mueven entre estos dos extremos.
MLD son las siglas en inglés de Desviación Logarítmica Media. Es otra forma de medir la desigualdad, más sensible a las brechas en la parte inferior de la distribución. El valor mínimo de la MLD también es cero, pero no tiene un máximo.
Las medidas absolutas y relativas son formas diferentes de comunicar la Desigualdad de Oportunidades (IOp). Por ejemplo, si el GINI de España es 0,3 y la Desigualdad de Oportunidades absoluta (calculada por los algoritmos) es 0,15, entonces la Desigualdad de Oportunidades relativa es 0,15/0,3 o 50%. En otras palabras, podemos decir que la mitad de la desigualdad total en España se explica por la Desigualdad de Oportunidades.
Un tipo es un grupo de personas que comparten exactamente las mismas circunstancias o características heredadas y predeterminadas. Cada persona pertenece a un tipo, y sólo a uno, por lo que, en conjunto, los tipos suman la población total.
Existen dos enfoques principales para definir la igualdad de oportunidades:
El enfoque ex-ante se basa en la idea de que el conjunto de oportunidades abiertas a los individuos de un tipo determinado, antes de que realicen ningún esfuerzo o tomen ninguna decisión, debe tener el mismo valor. La desigualdad de oportunidades ex-ante es entonces la desigualdad entre los valores de estos conjuntos de oportunidades, a menudo representada por la renta media de cada tipo.
El enfoque ex-post se basa en la idea de que los resultados de los individuos que ejercen el mismo grado de esfuerzo (o responsabilidad) deberían ser iguales. Si se considera que la posición relativa (o rango) de una persona en la distribución de la renta de su tipo es un indicador de su esfuerzo relativo, la desigualdad de oportunidades ex-post no es más que una agregación de las diferencias entre estas distribuciones, en todos y cada uno de los rangos.
Dado que las medidas de IOp son esencialmente medidas de desigualdad entre tipos, de un modo u otro (véase la pestaña "ex-ante" y "ex-post"), importa mucho cómo se divide la población en tipos. Una vez acordadas las características heredadas que deben tratarse como circunstancias, si observáramos a toda la población, podríamos dividirla en grupos dentro de los cuales todos tuvieran circunstancias exactamente idénticas. Éstos son los verdaderos tipos.
Sin embargo, la realidad es que algunas veces trabajamos con muestras, no con toda la población. Esto crea una disyuntiva: si incluimos demasiados tipos, en relación con el tamaño de la muestra, podemos acabar sobrestimando la IOp. Si incluimos muy pocos, podemos subestimarla. "Árboles" y "Bosques" son herramientas de machine learning que nos permiten elegir la partición "óptima", dados los conjuntos de datos con los que trabajamos.
Utilizamos dos tipos de árboles: los árboles de inferencia condicional (CIT) son los más adecuados para las medidas ex-ante, y los árboles de transformación son ideales para las medidas ex-post. Dado que los CIT pueden ser sensibles a la muestra específica que se extrae de la población, se utilizan bosques aleatorios (colecciones de árboles) para eliminar parte de la varianza y obtener estimaciones más robustas.