VARIABLES QUE EXPLICAN EL TIEMPO DE
DESEMPLEO EN BUSCADORES XALAPEÑOS.
USO DEL MODELO RANDOM FOREST
DETERMINANTS OF UNEMPLOYMENT DURATION
AMONG JOB SEEKERS IN XALAPA: A RANDOM FOREST
MODEL APPROACH
Noé Cortés Viveros
Universidad Veracruzana
Rodrigo Aryan Hernández García
Universidad Veracruzana
Anabel Galván Sarabia
Universidad Veracruzana
Marcos Eduardo Ortega Melgarejo
Universidad Veracruzana
Hector Rogelio Olivares Galvan
Universidad Veracruzana
pág. 7879
DOI: https://doi.org/10.37811/cl_rcm.v9i4.19375
Variables que explican el tiempo de desempleo en buscadores Xalapeños.
Uso del Modelo Random Forest
Noé Cortés Viveros1
nocortes@uv.mx
https://orcid.org/0009-0000-7888-3091
Universidad Veracruzana
México
Rodrigo Aryan Hernández García
rodrhernandez@uv.mx
https://orcid.org/0000-0002-2299-5366
Universidad Veracruzana
México
Anabel Galván Sarabia
angalvan@uv.mx
https://orcid.org/0009-0005-7864-9162
Universidad Veracruzana
México
Marcos Eduardo Ortega Melgarejo
https://orcid.org/0009-0001-2045-7062
Universidad Veracruzana
México
Hector Rogelio Olivares Galvan
https://orcid.org/0000-0002-1114-3512
Universidad Veracruzana
México
RESUMEN
La presente investigación es continuación de trabajos previos y aborda “la problemática del desempleo
en Xalapa, Veracruz, analizando las variables que influyen en su duración” (Cortés et al., 2024; Cortés
et al., 2025). Se examinó una muestra de 363 buscadores de empleo registrados en la oficina de
fomento económico municipal (Cortés et al., 2024). Para lo cual se aplicó el modelo de Random
Forest. Se concluye que el modelo es pertinente para explicar de manera contundente la relación que
existe entre la variable explicada “tiempo de desempleo” y las variables explicativas: como sexo, edad,
escolaridad, jefatura de familia, dependientes económicos, años de residencia y grado de marginación
urbana.
Palabras clave: Xalapa, desempleo, sexo, disparidad, marginación
1 Autor principal
Correspondencia: nocortes@uv.mx
DOI: https://doi.org/10.37811/cl_rcm.v9i4.19375
Variables que explican el tiempo de desempleo en buscadores Xalapeños.
Uso del Modelo Random Forest
Noé Cortés Viveros1
nocortes@uv.mx
https://orcid.org/0009-0000-7888-3091
Universidad Veracruzana
México
Rodrigo Aryan Hernández García
rodrhernandez@uv.mx
https://orcid.org/0000-0002-2299-5366
Universidad Veracruzana
México
Anabel Galván Sarabia
angalvan@uv.mx
https://orcid.org/0009-0005-7864-9162
Universidad Veracruzana
México
Marcos Eduardo Ortega Melgarejo
https://orcid.org/0009-0001-2045-7062
Universidad Veracruzana
México
Hector Rogelio Olivares Galvan
https://orcid.org/0000-0002-1114-3512
Universidad Veracruzana
México
RESUMEN
La presente investigación es continuación de trabajos previos y aborda “la problemática del desempleo
en Xalapa, Veracruz, analizando las variables que influyen en su duración” (Cortés et al., 2024; Cortés
et al., 2025). Se examinó una muestra de 363 buscadores de empleo registrados en la oficina de
fomento económico municipal (Cortés et al., 2024). Para lo cual se aplicó el modelo de Random
Forest. Se concluye que el modelo es pertinente para explicar de manera contundente la relación que
existe entre la variable explicada “tiempo de desempleo” y las variables explicativas: como sexo, edad,
escolaridad, jefatura de familia, dependientes económicos, años de residencia y grado de marginación
urbana.
Palabras clave: Xalapa, desempleo, sexo, disparidad, marginación
1 Autor principal
Correspondencia: nocortes@uv.mx
pág. 7880
Determinants of Unemployment Duration Among Job Seekers in Xalapa: A
Random Forest Model Approach
ABSTRACT
This research builds upon previous work and addresses “the issue of unemployment in Xalapa,
Veracruz, by analyzing the variables that influence its duration” (Cortés et al., 2024; Cortés et al.,
2025). A sample of 363 job seekers registered with the municipal office of economic development was
examined using the Random Forest model. The findings confirm that this model is suitable for
robustly explaining the relationship between the dependent variable—“unemployment duration”—and
the explanatory variables, which include gender, age, educational attainment, household headship,
number of economic dependents, years of residence, and degree of urban marginalization.
Keywords: Xalapa, Unemployment, Gender, Disparity, Marginalization
Artículo recibido 10 julio 2025
Aceptado para publicación: 16 agosto 2025
Determinants of Unemployment Duration Among Job Seekers in Xalapa: A
Random Forest Model Approach
ABSTRACT
This research builds upon previous work and addresses “the issue of unemployment in Xalapa,
Veracruz, by analyzing the variables that influence its duration” (Cortés et al., 2024; Cortés et al.,
2025). A sample of 363 job seekers registered with the municipal office of economic development was
examined using the Random Forest model. The findings confirm that this model is suitable for
robustly explaining the relationship between the dependent variable—“unemployment duration”—and
the explanatory variables, which include gender, age, educational attainment, household headship,
number of economic dependents, years of residence, and degree of urban marginalization.
Keywords: Xalapa, Unemployment, Gender, Disparity, Marginalization
Artículo recibido 10 julio 2025
Aceptado para publicación: 16 agosto 2025
pág. 7881
INTRODUCCIÓN
En la presente investigación se define el tiempo de desempleo: El periodo que han pasado los
individuos desempleados en busca de una ocupación remunerada (Kriaa et al., 2020; Ramos, 2023).
Así mismo, se puede entender que es cuando los individuos no cuentan con trabajo y los han buscado
activamente en las últimas cuatro semanas (Atta ur Rahman et al., 2019).
Con el fin de tener la seguridad de que las personas encuestadas estuvieran sin empleo y en la
búsqueda de éste, se obtuvo el permiso de aplicar una encuesta en la oficina de Fomento Económico
del Ayuntamiento de Xalapa Ver. El objetivo de encuestar a buscadores de empleo era obtener datos
precisos, ya que datos puntuales de fechas de pérdida y recuperación de empleo no se pueden
encontrar en las bases de datos del INEGI (Cortés et al., 2024), por otro lado dicha institución
considera como empleada a la población que ha realizado una actividad remunerada de al menos una
hora a la semana previa al censo (García & Sánchez, 2012).
Una vez que se obtuvieron los datos se procedió a realizar una descripción estadística de los datos, sin
embargo, este no era el fin principal. El objetivo es encontrar las variables que mejor explican el
tiempo de desempleo, para esto se aplicaron los modelos de regresión lineal simple y la regresión
logística, los cuales no fueron adecuados ya que no cumplían con los supuestos básicos(Cortés et al.,
2025).
En la búsqueda del modelo que explicara el tiempo de desempleo se encontró el modelo estadístico
Random Forest, con el cumple con las métricas de las variables Precisión (Precisión) y el modelo es
extremadamente preciso, con casi todas las predicciones positivas siendo correctas(Cortés et al.,
2025).
Marco conceptual
Variables que influyen en el tiempo de desempleo
Por lo general en las investigaciones cuyo objetivo es determinar las variables que influyen en el
tiempo del desempleo, son “la edad, la educación, el género, la ubicación geográfica, la calificación
educativa entre otras” (Atta ur Rahman et al., 2019)
INTRODUCCIÓN
En la presente investigación se define el tiempo de desempleo: El periodo que han pasado los
individuos desempleados en busca de una ocupación remunerada (Kriaa et al., 2020; Ramos, 2023).
Así mismo, se puede entender que es cuando los individuos no cuentan con trabajo y los han buscado
activamente en las últimas cuatro semanas (Atta ur Rahman et al., 2019).
Con el fin de tener la seguridad de que las personas encuestadas estuvieran sin empleo y en la
búsqueda de éste, se obtuvo el permiso de aplicar una encuesta en la oficina de Fomento Económico
del Ayuntamiento de Xalapa Ver. El objetivo de encuestar a buscadores de empleo era obtener datos
precisos, ya que datos puntuales de fechas de pérdida y recuperación de empleo no se pueden
encontrar en las bases de datos del INEGI (Cortés et al., 2024), por otro lado dicha institución
considera como empleada a la población que ha realizado una actividad remunerada de al menos una
hora a la semana previa al censo (García & Sánchez, 2012).
Una vez que se obtuvieron los datos se procedió a realizar una descripción estadística de los datos, sin
embargo, este no era el fin principal. El objetivo es encontrar las variables que mejor explican el
tiempo de desempleo, para esto se aplicaron los modelos de regresión lineal simple y la regresión
logística, los cuales no fueron adecuados ya que no cumplían con los supuestos básicos(Cortés et al.,
2025).
En la búsqueda del modelo que explicara el tiempo de desempleo se encontró el modelo estadístico
Random Forest, con el cumple con las métricas de las variables Precisión (Precisión) y el modelo es
extremadamente preciso, con casi todas las predicciones positivas siendo correctas(Cortés et al.,
2025).
Marco conceptual
Variables que influyen en el tiempo de desempleo
Por lo general en las investigaciones cuyo objetivo es determinar las variables que influyen en el
tiempo del desempleo, son “la edad, la educación, el género, la ubicación geográfica, la calificación
educativa entre otras” (Atta ur Rahman et al., 2019)
pág. 7882
Edad
La edad es una variable importante en la búsqueda de empleo, por un lado, se tiene la experiencia o no
dependiendo de la edad y por el otro el mercado laboral tiene una expectativa con respecto a esta
variable al momento de reclutar. En la bolsa de trabajo de diferentes empresas de la región se ha
podido observar que la edad máxima como requisito en algunas vacantes de 45 años. En este sentido,
las investigaciones demuestran que las personas mayores de 65 años en promedio se encuentran en
desempleo 17 semanas (Montero, 2007). Así mismo, la probabilidad de permanecer más tiempo en
estado de desempleo es para el grupo de edad de 25 a30 años (Kriaa et al., 2020).
Capital Humano y el desempleo
El Capital humano es un constructo macroeconómico que favorece el desarrollo y crecimiento
económico de los países (Kriaa et al., 2020). Específicamente se puede medir como el número de años
de educación formal, además de entenderse como el conjunto de conocimientos de un individuo
obtiene, además de su educación académica, en su trabajo, en su hogar y en las organizaciones en las
cuales se desarrolla.
Cabe hacer mención que no hay una determinación tajante en los resultados de diferentes
investigaciones, con respecto al tiempo de desempleo y la escolaridad, por un lado se argumenta que si
el individuo tiene una educación básica estará más tiempo en el desempleo y en el caso de tener una
educación media superior o superior la duración del desempleo disminuye (Aguayo & Lamelas, 2011;
Hernández & García, 2017; Kriaa et al., 2020). Por otro lado, los resultados también muestran que las
personas con un nivel educativo más bajo salen del desempleo más rápido que alguien con un nivel
educativo más alto (Canavire-Bacarreza & Lima, 2007; García & Sánchez, 2012). En este tenor, una
persona con un nivel bajo de escolaridad puede pasar en promedio nueve semanas en el desempleo,
mientras que las personas con un nivel de licenciatura pueden experimentar en promedio trece
semanas en el desempleo (Montero, 2007).
Con respecto a la variable sexo, en el caso de las mujeres a medida que aumente la educación el
tiempo de desempleo disminuye, caso contrario en el hombre, quien conforme incrementa la
educación también la duración en el desempleo (Arango & Ríos, 2015).
Edad
La edad es una variable importante en la búsqueda de empleo, por un lado, se tiene la experiencia o no
dependiendo de la edad y por el otro el mercado laboral tiene una expectativa con respecto a esta
variable al momento de reclutar. En la bolsa de trabajo de diferentes empresas de la región se ha
podido observar que la edad máxima como requisito en algunas vacantes de 45 años. En este sentido,
las investigaciones demuestran que las personas mayores de 65 años en promedio se encuentran en
desempleo 17 semanas (Montero, 2007). Así mismo, la probabilidad de permanecer más tiempo en
estado de desempleo es para el grupo de edad de 25 a30 años (Kriaa et al., 2020).
Capital Humano y el desempleo
El Capital humano es un constructo macroeconómico que favorece el desarrollo y crecimiento
económico de los países (Kriaa et al., 2020). Específicamente se puede medir como el número de años
de educación formal, además de entenderse como el conjunto de conocimientos de un individuo
obtiene, además de su educación académica, en su trabajo, en su hogar y en las organizaciones en las
cuales se desarrolla.
Cabe hacer mención que no hay una determinación tajante en los resultados de diferentes
investigaciones, con respecto al tiempo de desempleo y la escolaridad, por un lado se argumenta que si
el individuo tiene una educación básica estará más tiempo en el desempleo y en el caso de tener una
educación media superior o superior la duración del desempleo disminuye (Aguayo & Lamelas, 2011;
Hernández & García, 2017; Kriaa et al., 2020). Por otro lado, los resultados también muestran que las
personas con un nivel educativo más bajo salen del desempleo más rápido que alguien con un nivel
educativo más alto (Canavire-Bacarreza & Lima, 2007; García & Sánchez, 2012). En este tenor, una
persona con un nivel bajo de escolaridad puede pasar en promedio nueve semanas en el desempleo,
mientras que las personas con un nivel de licenciatura pueden experimentar en promedio trece
semanas en el desempleo (Montero, 2007).
Con respecto a la variable sexo, en el caso de las mujeres a medida que aumente la educación el
tiempo de desempleo disminuye, caso contrario en el hombre, quien conforme incrementa la
educación también la duración en el desempleo (Arango & Ríos, 2015).
pág. 7883
Variable Sexo
La variable sexo se ha analizado como elemento importante que influye en el tiempo de desempleo,
sin embargo, normalmente se trabaja como género (Kriaa et al., 2020), Las mujeres se ven afectadas
con una mayor duración el desempleo debido a que participan en actividades en el hogar, las cuales no
son remuneradas (Marcillo, 2015), en comparación con los hombres en la misma situación: casados o
en unión libre los hombres permanecen menor tiempo en el desempleo (Arango & Ríos, 2015; Kriaa et
al., 2020; Montero, 2007).
Relación con la carrera
Esta variable se analiza bajo la interrogante si el buscador de empleo cuando tiene una carrera
universitaria forzosamente encuentra un trabajo de acuerdo con su área de experticia.
Años de residencia y experiencia laboral en años
Los años de residencia se analizan bajo la interrogante si tiene más ventaja en conseguir trabajo una
persona que tiene más tiempo viviendo en la ciudad con respecto a otra que tiene menos años de
residencia en Xalpa. Por otro lado, la experiencia laboral está ligada al capital humano, por la
experiencia y el bagaje de conocimientos adquiridos no solo en el aula, si no, también en el desarrollo
de actividades laborales.
Materiales y métodos
De acuerdo con el trabajo previo de Cortés et al., 2025, para obtener datos confiables, se recurrió
como primera fuente a la oficina de empleo del municipio de Xalapa, Veracruz, así como las bases de
datos de los buscadores de empleo. Dado que se manejan datos sensibles y confidenciales de las
personas, las entrevistas se tuvieron que hacer en la oficina de Fomento Económico.
Como se mencionó, la recolección de datos fue a través de entrevistas, las cuales se realizaron por
llamadas telefónicas, con una duración promedio de cuatro minutos por participante. La selección de
los sujetos de estudio se realizó a través de muestreo probabilístico simple, donde cada individuo
registrado tenía la misma oportunidad de ser contactado. En caso de que el participante seleccionado
declinara participar en el estudio, se procedía a su exclusión definitiva de la base de datos para evitar
contactos posteriores no deseados, continuando con la selección aleatoria hasta obtener la
participación voluntaria del siguiente candidato. Es importante reconocer la colaboración del
Variable Sexo
La variable sexo se ha analizado como elemento importante que influye en el tiempo de desempleo,
sin embargo, normalmente se trabaja como género (Kriaa et al., 2020), Las mujeres se ven afectadas
con una mayor duración el desempleo debido a que participan en actividades en el hogar, las cuales no
son remuneradas (Marcillo, 2015), en comparación con los hombres en la misma situación: casados o
en unión libre los hombres permanecen menor tiempo en el desempleo (Arango & Ríos, 2015; Kriaa et
al., 2020; Montero, 2007).
Relación con la carrera
Esta variable se analiza bajo la interrogante si el buscador de empleo cuando tiene una carrera
universitaria forzosamente encuentra un trabajo de acuerdo con su área de experticia.
Años de residencia y experiencia laboral en años
Los años de residencia se analizan bajo la interrogante si tiene más ventaja en conseguir trabajo una
persona que tiene más tiempo viviendo en la ciudad con respecto a otra que tiene menos años de
residencia en Xalpa. Por otro lado, la experiencia laboral está ligada al capital humano, por la
experiencia y el bagaje de conocimientos adquiridos no solo en el aula, si no, también en el desarrollo
de actividades laborales.
Materiales y métodos
De acuerdo con el trabajo previo de Cortés et al., 2025, para obtener datos confiables, se recurrió
como primera fuente a la oficina de empleo del municipio de Xalapa, Veracruz, así como las bases de
datos de los buscadores de empleo. Dado que se manejan datos sensibles y confidenciales de las
personas, las entrevistas se tuvieron que hacer en la oficina de Fomento Económico.
Como se mencionó, la recolección de datos fue a través de entrevistas, las cuales se realizaron por
llamadas telefónicas, con una duración promedio de cuatro minutos por participante. La selección de
los sujetos de estudio se realizó a través de muestreo probabilístico simple, donde cada individuo
registrado tenía la misma oportunidad de ser contactado. En caso de que el participante seleccionado
declinara participar en el estudio, se procedía a su exclusión definitiva de la base de datos para evitar
contactos posteriores no deseados, continuando con la selección aleatoria hasta obtener la
participación voluntaria del siguiente candidato. Es importante reconocer la colaboración del
pág. 7884
departamento de fomento económico municipal, quien facilitó las condiciones logísticas necesarias,
incluyendo espacio de trabajo y línea telefónica fija, permitiendo que la recolección de datos se
desarrollara dentro de sus instalaciones.
Con los datos obtenidos se realizó un análisis estadístico descriptivo (Cortés et al., 2024) del cual se
obtuvo un conjunto de datos importantes. Sin embargo, en este artículo, se pretende determinar cuál es
la relación que se tiene entre la variable explicada “el tiempo de desempleo” y las variables
explicativas.
Diseño del instrumento
Para la realización del instrumento se consideraron los mismos 16 ítems establecidos por Cortés et al.
(2024), fundamentados en la revisión bibliográfica de dicho trabajo, incorporando variables que la
evidencia empírica asocia con la duración del desempleo:
Variables demográficas: edad (Montero, 2007; Rivas & Hernández, 2017; Kriaa et al., 2020; Ramos,
2023) y perspectiva de género (Aguayo & Lamelas, 2011; Marcillo, 2015; Arango & Ríos, 2015;
Kriaa et al., 2020; Ramos, 2023);
Factores socioeconómicos: jefe de familia (Canavire-Bacarreza & Lima, 2007; Rivas & Hernández,
2017; Charles-Leija et al., 2018; Domínguez et al., 2021; Ramos, 2023) y dependientes económicos
(Arango & Ríos, 2015; Canavire-Bacarreza & Lima, 2007; Rivas & Hernández, 2017);
Capital humano: educación y experiencia laboral (Aguayo & Lamelas, 2011; Arango & Ríos, 2015;
García & Sánchez, 2012; Khan & Yousaf, 2013; Ibarrola, 2014; Hernández & García, 2017; Kriaa et
al., 2020).
Población y muestra
Se identificó una población de 6714 personas buscadoras de empleo que acudieron a las oficinas de
fomento económico del municipio de Xalapa, con el fin de aplicar el instrumento y conforme a la
fórmula en la tabla 1, se lleóo a un tamaño de muestra de 363 buscadores de empleo.
departamento de fomento económico municipal, quien facilitó las condiciones logísticas necesarias,
incluyendo espacio de trabajo y línea telefónica fija, permitiendo que la recolección de datos se
desarrollara dentro de sus instalaciones.
Con los datos obtenidos se realizó un análisis estadístico descriptivo (Cortés et al., 2024) del cual se
obtuvo un conjunto de datos importantes. Sin embargo, en este artículo, se pretende determinar cuál es
la relación que se tiene entre la variable explicada “el tiempo de desempleo” y las variables
explicativas.
Diseño del instrumento
Para la realización del instrumento se consideraron los mismos 16 ítems establecidos por Cortés et al.
(2024), fundamentados en la revisión bibliográfica de dicho trabajo, incorporando variables que la
evidencia empírica asocia con la duración del desempleo:
Variables demográficas: edad (Montero, 2007; Rivas & Hernández, 2017; Kriaa et al., 2020; Ramos,
2023) y perspectiva de género (Aguayo & Lamelas, 2011; Marcillo, 2015; Arango & Ríos, 2015;
Kriaa et al., 2020; Ramos, 2023);
Factores socioeconómicos: jefe de familia (Canavire-Bacarreza & Lima, 2007; Rivas & Hernández,
2017; Charles-Leija et al., 2018; Domínguez et al., 2021; Ramos, 2023) y dependientes económicos
(Arango & Ríos, 2015; Canavire-Bacarreza & Lima, 2007; Rivas & Hernández, 2017);
Capital humano: educación y experiencia laboral (Aguayo & Lamelas, 2011; Arango & Ríos, 2015;
García & Sánchez, 2012; Khan & Yousaf, 2013; Ibarrola, 2014; Hernández & García, 2017; Kriaa et
al., 2020).
Población y muestra
Se identificó una población de 6714 personas buscadoras de empleo que acudieron a las oficinas de
fomento económico del municipio de Xalapa, con el fin de aplicar el instrumento y conforme a la
fórmula en la tabla 1, se lleóo a un tamaño de muestra de 363 buscadores de empleo.
pág. 7885
Tabla 1. Fórmula para determinar el tamaño de la muestra
Parámetro Valor
N 6714
Z 1.96
p 50%
q 50%
e 5%
Se adoptó una estrategia de muestreo probabilístico aleatorio simple (Levine et al., 2014), donde cada
elemento del universo de buscadores laborales poseyó igual oportunidad de formar parte de la muestra
seleccionada (Cortés et al., 2024).
Operacionalización de variables
Tabla 2. Operacionalización de variables
Tipo de
variables Variables Definición conceptual ITEM
Variable
dependiente
Tiempo de
desempleo
El tiempo de desempleo se define como el lapso
durante el cual los individuos desocupados han
mantenido de forma sostenida la búsqueda de una
oportunidad laboral.2 (Kriaa et al., 2020, p. 82).
¿Cuándo perdió
su empleo?
¿Cuándo
ingreso a su
nuevo empleo?
Variable
independiente
Sexo
“La condición orgánica que distingue a las
personas en hombres y mujeres” (INEGI, 2020,
p.132), Así mismo, “se debe de considerar que el
Sexo se refiere a la clasificación de personas en
hombres o mujeres en función de características
biológicas y fisiológicas” (INEGI, 2020, p.133)
¿Es hombre 0
mujer?
Edad Los años cumplidos al momento de perder el
trabajo, en la vez del registro de los datos.
¿Cuánto años
cumplidos
tiene?3
2 Unemployment duration represents the length of time spent by unemployed people who have been continuously looking for
an occupation (Kriaa et al., 2020, p. 82).
3 Esta es la pregunta que realiza el INEGI en los censos de población y vivienda, el concepto que utiliza en esta variable es el
siguiente: Edad. Años cumplidos que tiene la persona desde la fecha de nacimiento hasta el momento de la entrevista
(INEGI, 2020, p.135), sin embargo, para la presente investigación se ha optado por tomar los años cumplidos en el momento
en que reportó la búsqueda de empleo.
𝑛 = 𝑁 ∗ 𝑍𝑎
2 ∗ 𝑝 ∗ 𝑞
𝑒2 ∗ (𝑁 − 1) + 𝑍𝑎
2 ∗ 𝑝 ∗ 𝑞
Tabla 1. Fórmula para determinar el tamaño de la muestra
Parámetro Valor
N 6714
Z 1.96
p 50%
q 50%
e 5%
Se adoptó una estrategia de muestreo probabilístico aleatorio simple (Levine et al., 2014), donde cada
elemento del universo de buscadores laborales poseyó igual oportunidad de formar parte de la muestra
seleccionada (Cortés et al., 2024).
Operacionalización de variables
Tabla 2. Operacionalización de variables
Tipo de
variables Variables Definición conceptual ITEM
Variable
dependiente
Tiempo de
desempleo
El tiempo de desempleo se define como el lapso
durante el cual los individuos desocupados han
mantenido de forma sostenida la búsqueda de una
oportunidad laboral.2 (Kriaa et al., 2020, p. 82).
¿Cuándo perdió
su empleo?
¿Cuándo
ingreso a su
nuevo empleo?
Variable
independiente
Sexo
“La condición orgánica que distingue a las
personas en hombres y mujeres” (INEGI, 2020,
p.132), Así mismo, “se debe de considerar que el
Sexo se refiere a la clasificación de personas en
hombres o mujeres en función de características
biológicas y fisiológicas” (INEGI, 2020, p.133)
¿Es hombre 0
mujer?
Edad Los años cumplidos al momento de perder el
trabajo, en la vez del registro de los datos.
¿Cuánto años
cumplidos
tiene?3
2 Unemployment duration represents the length of time spent by unemployed people who have been continuously looking for
an occupation (Kriaa et al., 2020, p. 82).
3 Esta es la pregunta que realiza el INEGI en los censos de población y vivienda, el concepto que utiliza en esta variable es el
siguiente: Edad. Años cumplidos que tiene la persona desde la fecha de nacimiento hasta el momento de la entrevista
(INEGI, 2020, p.135), sin embargo, para la presente investigación se ha optado por tomar los años cumplidos en el momento
en que reportó la búsqueda de empleo.
𝑛 = 𝑁 ∗ 𝑍𝑎
2 ∗ 𝑝 ∗ 𝑞
𝑒2 ∗ (𝑁 − 1) + 𝑍𝑎
2 ∗ 𝑝 ∗ 𝑞
pág. 7886
Nivel de
escolaridad4
Grado máximo de educación formal obtenido por la
población de tres años en adelante, determinado
según los estándares del Sistema Educativo
Nacional o su homólogo para estudios
internacionales (INEGI, 2020, p. 243).
¿Cuál es su
nivel de
escolaridad?
Años de
residencia
en la ciudad
Número de años que la persona ha vivido en la
ciudad
¿Cuánto tiempo
lleva residiendo
en su ciudad
actual?
Relación
con la
carrera
El trabajo que se busca tiene que ser con relación a
la carrera estudiada
¿Su trabajo
actual tiene
relación con la
carrera?
Experiencia
laboral en
años
Los años de experiencia que tiene la persona en el
ámbito laboral
¿Cuál es su
experiencia
laboral en años?
Resultados
Resultados descriptivos
Se identificó una asociación entre variables de edad y duración de residencia en Xalapa y sus
alrededores. Cerca de 60 casos mostraron períodos de residencia menores a su edad biológica, no
obstante, la gran mayoría registró permanencia local superior al 90% de su ciclo vital. Los años de
residencia presentaron valores mínimos de 1 año y máximos de 65 años, alcanzando un promedio de
28.25344, cifra próxima a la media de edad observada.
Tabla 3. Datos estadísticos de variable años de residencia
Variable Observaciones Media
Desviación
estándar
Mínimo Máximo
Años de
residencia
363 28.25344 12.43688 1 65
La variable Sexo: mujer y hombre, como se puede observar en la tabla el 52.10% son mujeres y el
47.09% son hombres.
4 Se utilizó como categorías de respuesta los siguientes: Primaria; Secundaria; Bachillerato; Carrera comercial y/o técnica;
Licenciatura trunca; Licenciatura; Especialidad o maestría
Nivel de
escolaridad4
Grado máximo de educación formal obtenido por la
población de tres años en adelante, determinado
según los estándares del Sistema Educativo
Nacional o su homólogo para estudios
internacionales (INEGI, 2020, p. 243).
¿Cuál es su
nivel de
escolaridad?
Años de
residencia
en la ciudad
Número de años que la persona ha vivido en la
ciudad
¿Cuánto tiempo
lleva residiendo
en su ciudad
actual?
Relación
con la
carrera
El trabajo que se busca tiene que ser con relación a
la carrera estudiada
¿Su trabajo
actual tiene
relación con la
carrera?
Experiencia
laboral en
años
Los años de experiencia que tiene la persona en el
ámbito laboral
¿Cuál es su
experiencia
laboral en años?
Resultados
Resultados descriptivos
Se identificó una asociación entre variables de edad y duración de residencia en Xalapa y sus
alrededores. Cerca de 60 casos mostraron períodos de residencia menores a su edad biológica, no
obstante, la gran mayoría registró permanencia local superior al 90% de su ciclo vital. Los años de
residencia presentaron valores mínimos de 1 año y máximos de 65 años, alcanzando un promedio de
28.25344, cifra próxima a la media de edad observada.
Tabla 3. Datos estadísticos de variable años de residencia
Variable Observaciones Media
Desviación
estándar
Mínimo Máximo
Años de
residencia
363 28.25344 12.43688 1 65
La variable Sexo: mujer y hombre, como se puede observar en la tabla el 52.10% son mujeres y el
47.09% son hombres.
4 Se utilizó como categorías de respuesta los siguientes: Primaria; Secundaria; Bachillerato; Carrera comercial y/o técnica;
Licenciatura trunca; Licenciatura; Especialidad o maestría
pág. 7887
Tabla 4. Datos estadísticos de variable sexo
Variable Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Sexo
Mujer 189 52.1 52.1 52.1
Hombre 174 47.9 47.9 100.0
Total 363 100.0 100.0
El análisis por género reveló que las mujeres presentaron un promedio de 137 días, superando en
35.14 días al promedio masculino de 102.14 días. Los rangos máximos fueron de 1398 días para el
grupo femenino y 791 días para el masculino, registrándose valores mínimos de cero días en ambos
casos (dos mujeres y un hombre).
El conjunto de 363 casos analizados abarcó edades entre 19 y 75 años, con un promedio de 33.21 años
y desviación típica de 8.687522.
Tabla 5. Datos estadísticos de variable edad
Variable Observaciones Media
Desviación
estándar
Mínimo Máximo
Edad 363 33.21 8.687522 19 75
La segmentación por grupos etarios se definió con rangos quinquenales. Considerando que el límite
máximo de edad para hombres solicitantes es de 75 años, este valor se clasificó como dato faltante, ya
que incorporarlo incrementaría el total a 12 categorías, donde la categoría número once carecería de
registros.
Tabla 6. Datos estadísticos de variable rango de edad
Rango de edad Categoría Rango de edad Categoría
19-23 1 44-48 6
24-28 2 49-53 7
29-33 3 54-58 8
34-38 4 59-63 9
Tabla 4. Datos estadísticos de variable sexo
Variable Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Sexo
Mujer 189 52.1 52.1 52.1
Hombre 174 47.9 47.9 100.0
Total 363 100.0 100.0
El análisis por género reveló que las mujeres presentaron un promedio de 137 días, superando en
35.14 días al promedio masculino de 102.14 días. Los rangos máximos fueron de 1398 días para el
grupo femenino y 791 días para el masculino, registrándose valores mínimos de cero días en ambos
casos (dos mujeres y un hombre).
El conjunto de 363 casos analizados abarcó edades entre 19 y 75 años, con un promedio de 33.21 años
y desviación típica de 8.687522.
Tabla 5. Datos estadísticos de variable edad
Variable Observaciones Media
Desviación
estándar
Mínimo Máximo
Edad 363 33.21 8.687522 19 75
La segmentación por grupos etarios se definió con rangos quinquenales. Considerando que el límite
máximo de edad para hombres solicitantes es de 75 años, este valor se clasificó como dato faltante, ya
que incorporarlo incrementaría el total a 12 categorías, donde la categoría número once carecería de
registros.
Tabla 6. Datos estadísticos de variable rango de edad
Rango de edad Categoría Rango de edad Categoría
19-23 1 44-48 6
24-28 2 49-53 7
29-33 3 54-58 8
34-38 4 59-63 9
pág. 7888
39-43 5 64-68 10
Reporte de análisis estadístico de los modelos
En este informe se presenta el análisis estadístico aplicado a los datos utilizando dos técnicas de
modelado, la regresión lineal múltiple y la regresión logística. El análisis se llevó a cabo utilizando el
lenguaje de programación R (The R journal, 2008).
Random Forest Descripción Random Forest es un algoritmo de aprendizaje automático basado en la
construcción de múltiples árboles de decisión (ensemble learning) (Breiman, 2001). Este método
utiliza el bagging (bootstrap aggregating) para mejorar la precisión y estabilidad de los modelos.
Random Forest es capaz de manejar tanto variables continuas como categóricas, y se destaca por su
capacidad de evitar el sobreajuste en muchos casos. Resultado El modelo de Random Forest presentó
el mejor desempeño en comparación con los otros métodos evaluados, mostrando alta precisión
predictiva y robustez ante la variabilidad de los datos, en este análisis se busca predecir El tiempo en
desempleo en días con respecto de las variables: “Edad”, “Sexo”, “escolaridad”, “años de residencia”,
“relación con la carrera” y “la experiencia laboral en años”. A continuación, se muestra la importancia
de cada variable para predecir.
Se observa que las variables más importantes para predecir el tiempo de desempleo es Edad, Años de
residencia y Experiencia laboral en años. Ahora se procede a calcular las métricas de las variables
Precisión (Precision): 0.98 El modelo es extremadamente preciso, con casi todas las predicciones
positivas siendo correctas. Recall (Sensibilidad): 0.93 El modelo detecta una gran mayoría de los casos
positivos (93.1%), con muy pocos falsos negativos. Especificidad (Specificity): 0.99 El modelo casi
nunca clasifica incorrectamente un negativo como positivo (99.6%). F1-Score: 0.95 El balance entre
precisión y recall es excelente, lo que indica que el modelo tiene un rendimiento muy sólido en ambas
métricas. Accuracy (Exactitud): 0.98 La exactitud del modelo es muy alta (98.1%), lo que refleja su
39-43 5 64-68 10
Reporte de análisis estadístico de los modelos
En este informe se presenta el análisis estadístico aplicado a los datos utilizando dos técnicas de
modelado, la regresión lineal múltiple y la regresión logística. El análisis se llevó a cabo utilizando el
lenguaje de programación R (The R journal, 2008).
Random Forest Descripción Random Forest es un algoritmo de aprendizaje automático basado en la
construcción de múltiples árboles de decisión (ensemble learning) (Breiman, 2001). Este método
utiliza el bagging (bootstrap aggregating) para mejorar la precisión y estabilidad de los modelos.
Random Forest es capaz de manejar tanto variables continuas como categóricas, y se destaca por su
capacidad de evitar el sobreajuste en muchos casos. Resultado El modelo de Random Forest presentó
el mejor desempeño en comparación con los otros métodos evaluados, mostrando alta precisión
predictiva y robustez ante la variabilidad de los datos, en este análisis se busca predecir El tiempo en
desempleo en días con respecto de las variables: “Edad”, “Sexo”, “escolaridad”, “años de residencia”,
“relación con la carrera” y “la experiencia laboral en años”. A continuación, se muestra la importancia
de cada variable para predecir.
Se observa que las variables más importantes para predecir el tiempo de desempleo es Edad, Años de
residencia y Experiencia laboral en años. Ahora se procede a calcular las métricas de las variables
Precisión (Precision): 0.98 El modelo es extremadamente preciso, con casi todas las predicciones
positivas siendo correctas. Recall (Sensibilidad): 0.93 El modelo detecta una gran mayoría de los casos
positivos (93.1%), con muy pocos falsos negativos. Especificidad (Specificity): 0.99 El modelo casi
nunca clasifica incorrectamente un negativo como positivo (99.6%). F1-Score: 0.95 El balance entre
precisión y recall es excelente, lo que indica que el modelo tiene un rendimiento muy sólido en ambas
métricas. Accuracy (Exactitud): 0.98 La exactitud del modelo es muy alta (98.1%), lo que refleja su
pág. 7889
capacidad para hacer predicciones correctas en general.
CONCLUSIÓN
El modelo de Random Forest tiene un rendimiento excelente en todas las métricas clave. Detecta la
mayoría de los positivos reales, comete muy pocos errores en las predicciones positivas (falsos
positivos), y tiene una exactitud general muy alta. Este modelo fue mejor en comparación con otros
modelos, como la regresión logística, en cuanto a su capacidad para realizar predicciones precisas y
consistentes. Es un modelo muy recomendable para este tipo de problema, ya que equilibra muy bien
la capacidad de detección de positivos y la precisión de las predicciones.
Random Forest nos ayuda a identificar qué variables son importantes para explicar el tiempo de
desempleo, pero no indica directamente si una variable aumenta o disminuye dicho tiempo, ya que es
un modelo no paramétrico y no lineal.
Las mujeres parecen tener duraciones más cortas (Grogan & van den Berg, 2001)
La variable edad tiene influencia en la duración del desempleo (Kriaa et al., 2020), sin embargo para
otras investigaciones no encontraron diferencias significativas entre los grupos de edad (Grogan & van
den Berg, 2001; Kavkler et al., 2009)
Los hombres tiene una duración en el desempleo un 60% menos (Castellar & Uribe, 2006)
El nivel educativo influye en el tiempo del desempleo (Castellar & Uribe, 2006)
La experiencia influye en el tiempo del desempleo (Castellar & Uribe, 2006)
La escolaridad media en años de educación formal es crucial para la inserción laboral (Varela &
Ocegueda, 2023)
La experiencia laboral es crucial para no prolongar el tiempo de desempleo (Varela & Ocegueda,
2023)
Menos probabilidad de encontrar un empleo Con perfil de mujer, individuo con más de 45 años, con
estudios de primaria. Con más probabilidad de encontrar un empleo Hombre, con una edad entre 16 y
25 años, con nivel de estudios, con estudios de secundaria en adelante (Montilla, 2005)
Las mujeres tienen tiempos de mayor duración que los hombres (Vallejo-Zamudio & Sotelo-Forero,
2022)
A mayor edad disminuye la duración del desempleo (Vallejo-Zamudio & Sotelo-Forero, 2022)
capacidad para hacer predicciones correctas en general.
CONCLUSIÓN
El modelo de Random Forest tiene un rendimiento excelente en todas las métricas clave. Detecta la
mayoría de los positivos reales, comete muy pocos errores en las predicciones positivas (falsos
positivos), y tiene una exactitud general muy alta. Este modelo fue mejor en comparación con otros
modelos, como la regresión logística, en cuanto a su capacidad para realizar predicciones precisas y
consistentes. Es un modelo muy recomendable para este tipo de problema, ya que equilibra muy bien
la capacidad de detección de positivos y la precisión de las predicciones.
Random Forest nos ayuda a identificar qué variables son importantes para explicar el tiempo de
desempleo, pero no indica directamente si una variable aumenta o disminuye dicho tiempo, ya que es
un modelo no paramétrico y no lineal.
Las mujeres parecen tener duraciones más cortas (Grogan & van den Berg, 2001)
La variable edad tiene influencia en la duración del desempleo (Kriaa et al., 2020), sin embargo para
otras investigaciones no encontraron diferencias significativas entre los grupos de edad (Grogan & van
den Berg, 2001; Kavkler et al., 2009)
Los hombres tiene una duración en el desempleo un 60% menos (Castellar & Uribe, 2006)
El nivel educativo influye en el tiempo del desempleo (Castellar & Uribe, 2006)
La experiencia influye en el tiempo del desempleo (Castellar & Uribe, 2006)
La escolaridad media en años de educación formal es crucial para la inserción laboral (Varela &
Ocegueda, 2023)
La experiencia laboral es crucial para no prolongar el tiempo de desempleo (Varela & Ocegueda,
2023)
Menos probabilidad de encontrar un empleo Con perfil de mujer, individuo con más de 45 años, con
estudios de primaria. Con más probabilidad de encontrar un empleo Hombre, con una edad entre 16 y
25 años, con nivel de estudios, con estudios de secundaria en adelante (Montilla, 2005)
Las mujeres tienen tiempos de mayor duración que los hombres (Vallejo-Zamudio & Sotelo-Forero,
2022)
A mayor edad disminuye la duración del desempleo (Vallejo-Zamudio & Sotelo-Forero, 2022)
pág. 7890
A mayor años de educación disminuye la duración del desempleo (Vallejo-Zamudio & Sotelo-Forero,
2022)
Relación del tiempo de desempleo con la edad (Ramos, 2023)
Las siguientes variables no son significativas en el tiempo de desempleo lugar de residencia, género,
nivel educativo, experiencia laboral, jefe de hogar (Ramos, 2023)
No hay una influencia de la variable educación en el tiempo de desempleo caso contrario en otros
resultados en dos vertientes, los más educados permanecen menos tiempo en el desempleo (Grogan &
van den Berg, 2001; Kavkler et al., 2009),
La variable edad influye negativamente en la probabilidad de estar desempleado (Fernández, 2018)
Los estudios universitarios concluidos reducen la probabilidad de estar desempleado (Fernández,
2018)
Jóvenes entre 18 a 29 años bajo nivel educativo aumenta la probabilidad de estar desempleado (Mejía
& Guerrero, 2025)
Edad, sexo, nivel de estudios (Noriega de Tapia, 2022)
Las mujeres tienen más probabilidad de permanecer en el desempleo en comparación con los hombres
(Ramírez, 2016)
Mayores probabilidades de permanecer en el desempleo los grupos de menor edad (Ramírez, 2016)
Mayor escolaridad mayor el tiempo de búsqueda de empleo, expectativas salariales (Ramírez, 2016)
REFERENCIAS BIBLIOGRÁFICAS
Aguayo, E., & Lamelas, N. (2011). Educación y empleo: Desigualdad de género en las regiones
mexicanas. 2000-2005. Revista Estudios Feministas, 19(3), 733–750.
https://doi.org/10.1590/S0104-026X2011000300005
Arango, L. E., & Ríos, A. M. (2015). Duración del desempleo en Colombia: Género, intensidad de
búsqueda y anuncios de vacantes. Banco de la República. https://doi.org/10.32468/be.866
Atta ur Rahman, Khan, A., & Jamal, W. (2019). Factors Affecting Duration of Unemployment among
Young Graduates of Khyber Pakhtunkhwa (An Approach to Duration Analysis). Global Social
Sciences Review, IV(II), 27–33. https://doi.org/10.31703/gssr.2019(IV-II).04
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.
A mayor años de educación disminuye la duración del desempleo (Vallejo-Zamudio & Sotelo-Forero,
2022)
Relación del tiempo de desempleo con la edad (Ramos, 2023)
Las siguientes variables no son significativas en el tiempo de desempleo lugar de residencia, género,
nivel educativo, experiencia laboral, jefe de hogar (Ramos, 2023)
No hay una influencia de la variable educación en el tiempo de desempleo caso contrario en otros
resultados en dos vertientes, los más educados permanecen menos tiempo en el desempleo (Grogan &
van den Berg, 2001; Kavkler et al., 2009),
La variable edad influye negativamente en la probabilidad de estar desempleado (Fernández, 2018)
Los estudios universitarios concluidos reducen la probabilidad de estar desempleado (Fernández,
2018)
Jóvenes entre 18 a 29 años bajo nivel educativo aumenta la probabilidad de estar desempleado (Mejía
& Guerrero, 2025)
Edad, sexo, nivel de estudios (Noriega de Tapia, 2022)
Las mujeres tienen más probabilidad de permanecer en el desempleo en comparación con los hombres
(Ramírez, 2016)
Mayores probabilidades de permanecer en el desempleo los grupos de menor edad (Ramírez, 2016)
Mayor escolaridad mayor el tiempo de búsqueda de empleo, expectativas salariales (Ramírez, 2016)
REFERENCIAS BIBLIOGRÁFICAS
Aguayo, E., & Lamelas, N. (2011). Educación y empleo: Desigualdad de género en las regiones
mexicanas. 2000-2005. Revista Estudios Feministas, 19(3), 733–750.
https://doi.org/10.1590/S0104-026X2011000300005
Arango, L. E., & Ríos, A. M. (2015). Duración del desempleo en Colombia: Género, intensidad de
búsqueda y anuncios de vacantes. Banco de la República. https://doi.org/10.32468/be.866
Atta ur Rahman, Khan, A., & Jamal, W. (2019). Factors Affecting Duration of Unemployment among
Young Graduates of Khyber Pakhtunkhwa (An Approach to Duration Analysis). Global Social
Sciences Review, IV(II), 27–33. https://doi.org/10.31703/gssr.2019(IV-II).04
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.
pág. 7891
https://doi.org/10.1023/A:1010933404324
Canavire-Bacarreza, G. J., & Lima, L. F. (2007). Unemployment Duration and Labor Mobility in
Argentina: A Socioeconomic-Based Pre- and PostCrisis Analysis. Centro de Estudios
Distributivos, Laborales y Sociales, 54, 39.
Castellar, C., & Uribe, J. I. (2006). Determinantes de la duración del desempleo en áera metropolitana
de cali 1988-1998. Sociedad & Economía, 11, 1.
Charles-Leija, H., Torres, A., & Castro, D. (2018). Efectos del capital social en el empleo en México.
Revista de Economia Institucional, 20, 263. https://doi.org/10.18601/01245996.v20n38.11
Cortés, N., Hernández, R. A., Galván, A., Méndez, F. M., & Marín, P. L. (2024). Variables que
Explican el Tiempo de Desempleo en Buscadores Xalapeños. Un Acercamiento Descriptivo.
Ciencia Latina Revista Científica Multidisciplinar, 8(5), 10260–10283.
https://doi.org/10.37811/cl_rcm.v8i5.14408
Cortés Viveros, N., Hernández García, R. A., Galván Sarabia, A., Olivares Galvan, H. R., & Texon
Olguin, O. A. (2025). En Busca del Modelo Ideal para Determinar las Variables que Explican
el Tiempo de Desempleo en Buscadores Xalapeños. Estudios y Perspectivas Revista Científica
y Académica, 5(3), 65–81. https://doi.org/10.61384/r.c.a..v5i3.1332
Domínguez, A. O. F., Adame, G. L. O., & García, A. J. T. (2021). Duración del desempleo y la
migración en México ante la crisis financiera. Migraciones Internacionales, 12.
https://doi.org/10.33679/rmi.v1i1.2338
Fernández, V. D. (2018). Factores determinantes del desempleo juvenil en el Distrito de Copani,
Provincia de Yunguyo, Departamento de Puno, en el año 2017. Universidad Nacional del
Altiplano. https://repositorio.unap.edu.pe/handle/20.500.14082/6943
García, B., & Sánchez, L. (2012). Trayectorias del desempleo urbano en México. Revista
Latinoamericana de Población, 6(10), 5–30. https://doi.org/10.31406/relap2012.v6.i1.n10.1
Grogan, L., & van den Berg, G. J. (2001). The duration of unemployment in Russia. Journal of
Population Economics, 14(3), 549–568. https://doi.org/10.1007/s001480000029
Hernández, E. A., & García, G. (2017). Determinantes por cuantiles de la duración del desempleo en
Cali y su área metropolitana en el periodo 2012-2014. Estudios Gerenciales, 33(143), 177–
https://doi.org/10.1023/A:1010933404324
Canavire-Bacarreza, G. J., & Lima, L. F. (2007). Unemployment Duration and Labor Mobility in
Argentina: A Socioeconomic-Based Pre- and PostCrisis Analysis. Centro de Estudios
Distributivos, Laborales y Sociales, 54, 39.
Castellar, C., & Uribe, J. I. (2006). Determinantes de la duración del desempleo en áera metropolitana
de cali 1988-1998. Sociedad & Economía, 11, 1.
Charles-Leija, H., Torres, A., & Castro, D. (2018). Efectos del capital social en el empleo en México.
Revista de Economia Institucional, 20, 263. https://doi.org/10.18601/01245996.v20n38.11
Cortés, N., Hernández, R. A., Galván, A., Méndez, F. M., & Marín, P. L. (2024). Variables que
Explican el Tiempo de Desempleo en Buscadores Xalapeños. Un Acercamiento Descriptivo.
Ciencia Latina Revista Científica Multidisciplinar, 8(5), 10260–10283.
https://doi.org/10.37811/cl_rcm.v8i5.14408
Cortés Viveros, N., Hernández García, R. A., Galván Sarabia, A., Olivares Galvan, H. R., & Texon
Olguin, O. A. (2025). En Busca del Modelo Ideal para Determinar las Variables que Explican
el Tiempo de Desempleo en Buscadores Xalapeños. Estudios y Perspectivas Revista Científica
y Académica, 5(3), 65–81. https://doi.org/10.61384/r.c.a..v5i3.1332
Domínguez, A. O. F., Adame, G. L. O., & García, A. J. T. (2021). Duración del desempleo y la
migración en México ante la crisis financiera. Migraciones Internacionales, 12.
https://doi.org/10.33679/rmi.v1i1.2338
Fernández, V. D. (2018). Factores determinantes del desempleo juvenil en el Distrito de Copani,
Provincia de Yunguyo, Departamento de Puno, en el año 2017. Universidad Nacional del
Altiplano. https://repositorio.unap.edu.pe/handle/20.500.14082/6943
García, B., & Sánchez, L. (2012). Trayectorias del desempleo urbano en México. Revista
Latinoamericana de Población, 6(10), 5–30. https://doi.org/10.31406/relap2012.v6.i1.n10.1
Grogan, L., & van den Berg, G. J. (2001). The duration of unemployment in Russia. Journal of
Population Economics, 14(3), 549–568. https://doi.org/10.1007/s001480000029
Hernández, E. A., & García, G. (2017). Determinantes por cuantiles de la duración del desempleo en
Cali y su área metropolitana en el periodo 2012-2014. Estudios Gerenciales, 33(143), 177–
pág. 7892
186. https://doi.org/10.1016/j.estger.2017.05.001
Ibarrola, M. de. (2014). REPENSANDO LAS RELACIONES ENTRE LA EDUCACIÓN Y EL
TRABAJO: Una reflexión basada en investigaciones realizadas en México. Cadernos CEDES,
34(94), 367–383. https://doi.org/10.1590/S0101-32622014000300006
Kavkler, A., Dănăcică, D.-E., Babucea, A. G., BIûANIû, I., Böhm, B., Tevdovski, D., Toševska, K., &
BORŠIý, D. (2009). 6. COX REGRESSION MODELS FOR UNEMPLOYMENT
DURATION IN ROMANIA, AUSTRIA, SLOVENIA, CROATIA, AND MACEDONIA.
Romanian Journal of Economic Forecasting, 24.
Khan, T., & Yousaf, F. (2013). UNEMPLOYMENT DURATION OF FIRST TIME JOB SEEKERS:
A CASE STUDY OF BAHAWALPUR. Asian Journal of Economic Modelling, 12.
Kriaa, F., Bouhari, M., & Mathlouthi, Y. (2020). Determinants of unemployment duration for young
men and women in Tunisia. Economics, Management and Sustainability, 5(2), 78–95.
https://doi.org/10.14254/jems.2020.5-2.5
Levine, D. M., Krehbiel, T., & Berenson, M. L. (2014). Estadística para Administración (Sexta).
Pearson Educación.
Marcillo, E. V. M. (2015). El trabajo no remunerado como determinante de la duración del desempleo
en Colombia, un análisis a nivel de género. Archivos de economía, 423, 36.
Mejía, S. R., & Guerrero, E. L. (2025). Análisis de los determinantes del desempleo juvenil en
Ecuador en los años 2019, 2021 y 2024 [bachelorThesis, Universidad del Azuay].
http://dspace.uazuay.edu.ec/handle/datos/15844
Montero, R. (2007). ¿Cuánto Dura el Desempleo de la Población más Pobre en Chile? Cuadernos de
Economía, 44(130), 211–231.
Montilla, S. (2005). Diferencias individuales de los desempleados y constructos motivacionales: Una
relación de interdependencia predictora del desempleo estructural. Journal of Work and
Organizational Psychology, 21(3), 269–297.
Noriega de Tapia, A. (2022). Análisis de los determinantes del desempleo en España.
https://uvadoc.uva.es/handle/10324/56587
Ramírez, N. F. (2016, julio). Determinantes del Desempleo en la República Dominicana: Dinámica
186. https://doi.org/10.1016/j.estger.2017.05.001
Ibarrola, M. de. (2014). REPENSANDO LAS RELACIONES ENTRE LA EDUCACIÓN Y EL
TRABAJO: Una reflexión basada en investigaciones realizadas en México. Cadernos CEDES,
34(94), 367–383. https://doi.org/10.1590/S0101-32622014000300006
Kavkler, A., Dănăcică, D.-E., Babucea, A. G., BIûANIû, I., Böhm, B., Tevdovski, D., Toševska, K., &
BORŠIý, D. (2009). 6. COX REGRESSION MODELS FOR UNEMPLOYMENT
DURATION IN ROMANIA, AUSTRIA, SLOVENIA, CROATIA, AND MACEDONIA.
Romanian Journal of Economic Forecasting, 24.
Khan, T., & Yousaf, F. (2013). UNEMPLOYMENT DURATION OF FIRST TIME JOB SEEKERS:
A CASE STUDY OF BAHAWALPUR. Asian Journal of Economic Modelling, 12.
Kriaa, F., Bouhari, M., & Mathlouthi, Y. (2020). Determinants of unemployment duration for young
men and women in Tunisia. Economics, Management and Sustainability, 5(2), 78–95.
https://doi.org/10.14254/jems.2020.5-2.5
Levine, D. M., Krehbiel, T., & Berenson, M. L. (2014). Estadística para Administración (Sexta).
Pearson Educación.
Marcillo, E. V. M. (2015). El trabajo no remunerado como determinante de la duración del desempleo
en Colombia, un análisis a nivel de género. Archivos de economía, 423, 36.
Mejía, S. R., & Guerrero, E. L. (2025). Análisis de los determinantes del desempleo juvenil en
Ecuador en los años 2019, 2021 y 2024 [bachelorThesis, Universidad del Azuay].
http://dspace.uazuay.edu.ec/handle/datos/15844
Montero, R. (2007). ¿Cuánto Dura el Desempleo de la Población más Pobre en Chile? Cuadernos de
Economía, 44(130), 211–231.
Montilla, S. (2005). Diferencias individuales de los desempleados y constructos motivacionales: Una
relación de interdependencia predictora del desempleo estructural. Journal of Work and
Organizational Psychology, 21(3), 269–297.
Noriega de Tapia, A. (2022). Análisis de los determinantes del desempleo en España.
https://uvadoc.uva.es/handle/10324/56587
Ramírez, N. F. (2016, julio). Determinantes del Desempleo en la República Dominicana: Dinámica
pág. 7893
Temporal y Microsimulaciones [MPRA Paper]. https://mpra.ub.uni-muenchen.de/76998/
Ramos, L. (2023). Factores determinantes que influyen en el desempleo juvenil en la provincia
Mariscal Nieto; durante el año 2019. Universidad Privada de Tacna.
http://repositorio.upt.edu.pe/handle/20.500.12969/2899
Rivas, P. A., & Hernández, E. A. (2017). Duración del desempleo en los profesionales para las cuatro
principales áreas metropolitanas de Colombia (2008-2014). Equidad y Desarrollo, 29, 27–52.
https://doi.org/10.19052/ed.4123
The R journal. (2008). CRAN: R News. https://cran.r-project.org/doc/Rnews/
Vallejo-Zamudio, L.-E., & Sotelo-Forero, L. (2022). Determinantes de la duración del desempleo en el
departamento de Boyacá—Colombia, 2019-2021. Saber, Ciencia y Libertas, 17(2), 193–213.
https://doi.org/10.18041/2382-3240/saber.2022v17n2.9276
Varela, R., & Ocegueda, J. M. (2023). Canales de búsqueda y duración del desempleo en México.
Estudios sociales. Revista de alimentación contemporánea y desarrollo regional, 33(62).
https://doi.org/10.24836/es.v33i62.1345
Temporal y Microsimulaciones [MPRA Paper]. https://mpra.ub.uni-muenchen.de/76998/
Ramos, L. (2023). Factores determinantes que influyen en el desempleo juvenil en la provincia
Mariscal Nieto; durante el año 2019. Universidad Privada de Tacna.
http://repositorio.upt.edu.pe/handle/20.500.12969/2899
Rivas, P. A., & Hernández, E. A. (2017). Duración del desempleo en los profesionales para las cuatro
principales áreas metropolitanas de Colombia (2008-2014). Equidad y Desarrollo, 29, 27–52.
https://doi.org/10.19052/ed.4123
The R journal. (2008). CRAN: R News. https://cran.r-project.org/doc/Rnews/
Vallejo-Zamudio, L.-E., & Sotelo-Forero, L. (2022). Determinantes de la duración del desempleo en el
departamento de Boyacá—Colombia, 2019-2021. Saber, Ciencia y Libertas, 17(2), 193–213.
https://doi.org/10.18041/2382-3240/saber.2022v17n2.9276
Varela, R., & Ocegueda, J. M. (2023). Canales de búsqueda y duración del desempleo en México.
Estudios sociales. Revista de alimentación contemporánea y desarrollo regional, 33(62).
https://doi.org/10.24836/es.v33i62.1345