Caracterización del ingreso laboral en las regiones del Perú mediante el Análisis Factorial Múltiple
Article Sidebar
Main Article Content
Abstract
A pesar del notable crecimiento económico en el Perú en años recientes, aún persisten marcadas desigualdades regionales. En este contexto, el objetivo de la investigación es identificar las principales características del ingreso laboral por rama de actividad económica en las regiones del Perú entre los años 2018 al 2022. Con información del ingreso laboral promedio mensual de la PEA ocupada, para cada una de las 24 regiones del Perú, el Callao y Lima Metropolitana, se emplea el Análisis Factorial Múltiple. Los resultados muestran que el ingreso laboral en las regiones del Perú presenta una correlación relativamente baja, lo que puede sugerir poca articulación entre sectores. Otro rasgo característico observado es que los años 2020 y 2021 están en un subconjunto, distinto a los años 2018, 2019 y 2022, posiblemente a consecuencia de la pandemia del Covid-19. El análisis concluye con la conformación de tres clústeres que ayuda a identificar las regiones con ingresos laborales altos, medios y bajos. De este modo, los resultados contribuyen a un mayor entendimiento de la dinámica de los ingresos laborales en el Perú.
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
Abdi, H., & Valentin, D. (2007). Multiple Factor Analysis (MFA). Encyclopedia of Measurement and Statistics.
Abdi, H., Williams, L. J., & Valentin, D. (2013). Multiple factor analysis: Principal component analysis for multitable and multiblock data sets. Wiley Interdisciplinary Reviews: Computational Statistics, 5(2), 149–179. https://doi.org/10.1002/wics.1246
Acemoglu, D., Laibson, D., & List, J. A. (2022). Macroeconomics (3th ed.). Pearson.
Alarcón, M. (2018). Encadenamientos productivos y jerarquías de sectores de base tecnológica en México. EconoQuantum, 15(2), 73–94. https://doi.org/10.18381/eq.v15i2.7129
Aldás, J., & Uriel, E. (2017). Análisis multivariante aplicado con R (2a ed.). Ediciones Paraninfo.
Ayala-Beas, S. R. (2023). Apliación del análisis de componentes principales para la estimación de un índice de economía circular en América Latina y el Caribe [Tesis de segunda especialidad, Universidad Peruana Union]. http://repositorio.upeu.edu.pe/handle/20.500.12840/7256
Backhaus, K., Erichson, B., Gensler, S., Weiber, R., & Weiber, T. (2021). Multivariate Analysis: An Application-Oriented Introduction. Springer. https://doi.org/10.1007/978-3-658-32589-3
Banco Mundial. (2025). Perú: Aprovechando las oportunidades para el crecimiento y la prosperidad. https://openknowledge.worldbank.org/server/api/core/bitstreams/66d702a8-b700-4ef0-ab3c-75d920e3612b/content
Castillo, L. E. (2020). Dinámica regional de la desigualdad de ingresos en Perú. In Documentos de Trabajo (No. 2020–004).
https://www.bcrp.gob.pe/docs/Publicaciones/Documentos-de- Trabajo/2020/documento-de-trabajo-004-2020-esp.pdf
Geladi, P., & Linderholm, J. (2020). Principal Component Analysis. En S. Brown, R. Tauler, B. Walczak (Eds.), Comprehensive Chemometrics (2nd ed., pp. 17–37). Elsevier. https://doi.org/10.1016/B978-0-12-409547-2.14892-9
Gonzales de Olarte, E. (2015). Una economía incompleta. Perú 1950-2007: Análisis estructural. Fondo Editorial de la PUCP.
https://repositorio.pucp.edu.pe/items/e4b5935a-d363-445f-a8eb-5ed435a27165
Gordeev, R. V., Pyzhev, A. I., & Yagolnitser, M. A. (2021). Drivers of spatial heterogeneity in the russian forest sector: A multiple factor analysis. Forests, 12(12). https://doi.org/10.3390/f12121635
Hair Jr. J. F., Black, W. C., Babin, B. J., Anderson, R. E., Black, W. C., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning EMEA.
Hernández Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la investigación: las tres rutas cuantitativa, cualitativa y mixta. Mc Graw Hill. http://repositorio.uasb.edu.bo/handle/20.500.14624/1292
Izzuddin, K. H., & Wijayanto, A. W. (2024). Pemodelan Clustering Ward, K-Means, DIANA, dan PAM dengan PCA untuk Karakterisasi Kemiskinan Indonesia Tahun 2021. Jurnal Sistem Komputer, 13(1), 2020. https://doi.org/10.34010/komputika.v13i1.10803
Ministerio de Economía y Finanzas. (2025). Informe de Actualización de Proyecciones Macroeconómicas 2025-2028.
https://www.mef.gob.pe/contenidos/pol_econ/marco_macro/IAPM_2025-2028.pdf
MTPE (2024). Información estadística del Mercado de Trabajo de Regiones. https://www.gob.pe/institucion/mtpe/informes-publicaciones/6111852- informacion-estadistica-del-mercado-de-trabajo-de-regiones-setiembre-2024
Ocampo, J. A. (2008). Hirschman, la industrialización y la teoría del desarrollo. Desarrollo y Sociedad, 62, 41–65. https://doi.org/10.13043/dys.62.2
Pagès, J. (2004). Multiple factor analysis: Main Features and Application to Sensory Data. Revista Colombiana de Estadistica, 27(1), 1–26.
Posit team. (2025). RStudio: Integrated Development Environment for R. https://posit.co/
R Core Team. (2025). A Language and Environment for Statistical Computing. https://www.r-project.org
Rendón-Rojas, L., & Mejía-Reyes, P. (2015). Producción manufacturera en dos regiones mexiquenses: evaluación de las leyes de Kaldor. Economía, Sociedad y Territorio, xv(48), 425–454. https://doi.org/10.22136/est012015597
Tsoulfidis, L., & Athanasiadis, I. (2022). A new method of identifying key industries: a principal component analysis. Journal of Economic Structures, 11(1). https://doi.org/10.1186/s40008-022-00261-z
Visbal-Cadavid, D., Martínez-Gómez, M., & Escorcia-Caballero, R. (2020). Exploring university performance through multiple factor analysis: A case study. Sustainability (Switzerland), 12(3), 1–24. https://doi.org/10.3390/su12030924
Wold, S., Esbensen, K., & Geladi, P. (1987). Principal Component Analysis. Chemometrics and Intelligent Laboratory Systems, 2, 37–52. https://doi.org/10.1016/0169-7439(87)80084-9