RETORNOS DE LA EDUCACIÓN Y TOMA DE DECISIONES EN LA GESTIÓN
EDUCATIVA ECUATORIANA: APLICACIÓN DEL MODELO DE MINCER CON LA
ENEMDU 2023

RETURNS TO EDUCATION AND DECISION-MAKING IN ECUADORIAN
EDUCATIONAL MANAGEMENT: AN APPLICATION OF THE MINCER MODEL USING
THE 2023 ENEMDU

Autores:
¹Jorge Rolando Córdova Aymar, ²Zonia Gricelda Del Pino Villa, ³José Luis González
Márquez y
4
Juan Josué González Márquez.

¹ORCID ID:
https://orcid.org/0000-0000-
7073-4462

²ORCID ID:
https://orcid.org/0009-0009-3115-7274

3
ORCID ID:
https://orcid.org/0000-0001-9090-7471

4
ORCID ID:
https://orcid.org/
0009-0003-4561-9114

¹E-mail de contacto:
rolancor@hotmail.com

²E-mail de contacto:
chonchita@73hotmail.com

³E-mail de contacto:
jgonzalez5661@upse.edu.ec

4
E-mail de contacto:
jgonzalezl@delfos.edu.ec

Afiliación:
1*2*3*4*
Universidad Iberoamericana del Ecuador UNIBE,
(Ecuador).

Artículo recibido: 08 de Septiembre del 2026.

Artículo revisado: 24 de Septiembre del 2026.

Artículo aprobado: 24 de Septiembre del 2026.

¹
Licenciado
en
Ciencias
de
la
Educación,
especialización
en
Educación
Física,
graduado
en
la
Pontificia
Universidad
Católica
del
Ecuador, sede Ibarra, (Ecuador), con 26 años de experiencia docente. Maestrante de la Maestría en Gestión Educativa en la Universidad
Iberoamericana del Ecuador, (UNIBE), (Ecuador).

²Licenciada en Educación General Básica, con 12 años de experiencia docente en el sistema educativo ecuatoriano. Maestrante de la
Maestría en Gestión Educativa en la Universidad Iberoamericana del Ecuador, (UNIBE), (Ecuador).

³Economista, graduado en la Universidad de Guayaquil, (Ecuador), con más de 18 años de experiencia profesional, académica y de
investigación.
Magíster
en
Economía
y
Dirección
de
Empresas,
graduado
en
la
Escuela
Superior
Politécnica
del
Litoral,
(ESPOL)
(Ecuador). Magíster en Educación Superior, graduado en la Universidad de Guayaquil (Ecuador). Doctor en Estadística Matemática
Aplicada, graduado en la Universidad Nacional de Tumbes, (Perú).

4
Licenciado
en
Educación,
graduado
en
la
Universidad
de
Guayaquil,
(Ecuador),
con
más
de
10
años
de
experiencia
profesional,
académica
y
de
investigación.
Magíster
en
Gestión
Educativa,
graduado
en
la
Universidad
Iberoamericana
del
Ecuador
(UNIBE)
(Ecuador).

Resumen

La
gestión
educativa
necesita
evidencia
que
conecte
las
trayectorias
formativas
con
resultados laborales sin reducir la educación a
su dimensión salarial. Este estudio estima los
retornos
asociados
con
la
escolaridad
en
Ecuador y examina cómo pueden incorporarse
a
decisiones
de
planificación,
permanencia,
orientación académica y equidad. Se aplicó un
diseño
cuantitativo,
no
experimental
y
transversal con los microdatos de la Encuesta
Nacional de Empleo, Desempleo y Subempleo
(ENEMDU)
anual
2023.
La
muestra
analítica
incluyó 126.009 personas ocupadas de 18 a 65
años
con
información
válida
de
escolaridad
e
ingreso laboral positivo. Se estimaron funciones
de
ingresos
de
Mincer
mediante
mínimos
cuadrados
ponderados
por
el
factor
de
expansión
y
errores
estándar
robustos
agrupados por unidad primaria de muestreo. El
modelo base estimó un retorno de 8,7% por año
adicional de escolaridad (IC 95%: 8,3%–9,1%);
con controles de sexo, área, provincia y mes, el
retorno
fue
8,1%
(IC
95%:
7,7%–8,4%).
Las
estimaciones fueron mayores para las mujeres
(11,1%) que para los hombres (7,6%), pero el
modelo ajustado mantuvo una brecha de nivel
desfavorable para ellas. El retorno también fue
menor
en
el
área
rural
que
en
la
urbana.
Se
concluye que el modelo de Mincer es útil como
indicador
diagnóstico
y
de
seguimiento,
siempre
que
se
combine
con
evidencia
de
calidad,
acceso,
abandono,
pertinencia
territorial e inserción laboral y no se interprete
como
una
estimación
causal
ni
como
criterio
único para asignar recursos.

Palabras
clave:
Retornos
de
la
educación,
Modelo
de
Mincer,
Gestión
educativa,
ENEMDU, Ecuador.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 254

Abstract

Educational
management
requires
evidence
linking
educational
pathways
to
labor-market
outcomes
without
reducing
education
to
its
wage
dimension.
This
study
estimates
the
returns
associated
with
schooling
in
Ecuador
and
examines
how
they
can
inform
planning,
student
retention,
academic
guidance,
and
equity
decisions.
A
quantitative,
non-
experimental,
cross-sectional
design
was
applied
to
the
2023
annual
microdata
from
Ecuador’s
National
Survey
of
Employment,
Unemployment
and
Underemployment
(ENEMDU). The analytical sample comprised
126,009 employed individuals aged 18–65 with
valid schooling information and positive labor
income.
Mincer
earnings
functions
were
estimated
using
expansion-factor-weighted
least squares and cluster-robust standard errors
at the primary sampling-unit level. The baseline
model
yielded
an
8.7%
return
per
additional
year of schooling (95% CI: 8.3%–9.1%); after
controlling for sex, area, province, and survey
month, the estimate was 8.1% (95% CI: 7.7%–
8.4%).
Estimated
returns
were
higher
for
women (11.1%) than for men (7.6%), although
the
adjusted
model
still
showed
a
negative
income-level gap for women. Returns were also
lower in rural than in urban areas. The Mincer
model
is
therefore
useful
as
a
diagnostic
and
monitoring
indicator
when
combined
with
evidence
on
educational
quality,
access,
dropout, territorial relevance, and labor-market
transitions.
It
should
not
be
interpreted
as
a
causal estimate or used as the sole criterion for
resource allocation.

Keywords:
Returns
to
education,
Mincer
model,
Educational
management,
ENEMDU, Ecuador.

Sumário

A
gestão
educacional
necessita
de
evidências
que
conectem
as
trajetórias
formativas
aos
resultados no mercado de trabalho, sem reduzir
a educação à sua dimensão salarial. Este estudo
estima os retornos associados à escolaridade no
Equador
e
examina
como
eles
podem
ser
incorporados
às
decisões
de
planejamento,
permanência, orientação acadêmica e equidade.
Foi
aplicado
um
desenho
quantitativo,
não
experimental
e
transversal,
utilizando
os
microdados da Pesquisa Nacional de Emprego,
Desemprego e Subemprego (ENEMDU) anual
de
2023.
A
amostra
analítica
incluiu
126.009
pessoas
ocupadas,
com
idades
entre
18
e
65
anos,
com
informações
válidas
sobre
escolaridade
e
renda
do
trabalho
positiva.
Foram
estimadas
funções
de
rendimentos
de
Mincer
por
meio
de
mínimos
quadrados
ponderados
pelo
fator
de
expansão
e
erros-
padrão
robustos
agrupados
por
unidade
primária
de
amostragem.
O
modelo-base
estimou um retorno de 8,7% por ano adicional
de
escolaridade
(IC
95%:
8,3%–9,1%);
com
controles
de
sexo,
área,
província
e
mês,
o
retorno foi de 8,1% (IC 95%: 7,7%–8,4%). As
estimativas
foram
maiores
para
as
mulheres
(11,1%) do que para os homens (7,6%), porém
o modelo ajustado manteve uma diferença de
nível
desfavorável
às
mulheres.
O
retorno
também
foi
menor
na
área
rural
do
que
na
urbana. Conclui-se que o modelo de Mincer é
útil
como
indicador
diagnóstico
e
de
monitoramento, desde que seja combinado com
evidências sobre qualidade, acesso, abandono,
pertinência territorial e inserção no mercado de
trabalho,
e
não
seja
interpretado
como
uma
estimativa causal nem como critério único para
a alocação de recursos.

Palavras-chave:
Retornos
da
educação,
Modelo
de
Mincer,
Gestão
educacional,
ENEMDU, Equador.

Introducción

La
gestión
educativa
implica
decidir
en
condiciones que no siempre son favorables. Los
recursos son limitados, las necesidades cambian
de
un
territorio
a
otro
y
existe
una
presión
constante para que la educación contribuya al
bienestar
de
la
población.
Por
esta
razón,
las
autoridades y quienes dirigen las instituciones
necesitan
información
que
les
permita
reconocer
brechas,
establecer
prioridades
y
valorar si la formación recibida genera mejores
oportunidades
para
las
personas.
Aunque
el
aporte
de
la
educación
no
puede
reducirse

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 255

únicamente al salario, pues también se relaciona
con
la
salud,
la
participación
ciudadana,
la
convivencia social y el desarrollo personal, el
ingreso
laboral
constituye
un
indicador
observable
de
cómo
el
mercado
reconoce
los
conocimientos
y
las
credenciales
educativas
(Oreopoulos
y
Salvanes,
2011;
World
Bank,
2018).

La
relación
entre
educación
e
ingresos
encuentra uno de sus principales fundamentos
en
la
teoría
del
capital
humano.
Desde
esta
perspectiva, la educación, la capacitación y la
experiencia
representan
formas
de
inversión
que
pueden
aumentar
las
capacidades
productivas
de
las
personas
y
mejorar
sus
ingresos futuros (Schultz, 1961; Becker, 1993).
Mincer (1974) trasladó este planteamiento a una
ecuación que relaciona el logaritmo del ingreso
con
los
años
de
escolaridad
y
la
experiencia
potencial.
En
este
modelo,
el
coeficiente
correspondiente
a
la
escolaridad
permite
aproximar
el
cambio
porcentual
del
ingreso
asociado
con
un
año
adicional
de
educación,
manteniendo constante la experiencia.

La
educación,
sin
embargo,
no
solo
puede
elevar
la
productividad.
También
puede
funcionar
como
una
señal
que
ayuda
a
los
empleadores
a
identificar
determinadas
capacidades,
incluso
cuando
no
pueden
observarlas directamente. Desde este enfoque,
las
credenciales
educativas
cumplen
una
función
de
señalización
o
filtro
dentro
del
mercado laboral (Arrow, 1973; Spence, 1973).
Esto
permite
entender
por
qué
los
ingresos
asociados con un título pueden depender tanto
de los aprendizajes adquiridos como del valor
que los empleadores asignan a la credencial. La
estructura relativamente sencilla de la ecuación
de
Mincer
ha
facilitado
su
utilización
en
numerosos países y períodos. Con el paso del
tiempo, el modelo se ha convertido en uno de
los
principales
referentes
empíricos
para
analizar la relación entre educación, experiencia
e ingresos laborales (Lemieux, 2006; Patrinos,
2024).
No
obstante,
sus
resultados
deben
interpretarse
con
cautela.
Una
asociación
estadística
obtenida
a
partir
de
datos
observacionales no demuestra, por sí sola, que
la educación sea la causa directa de la variación
del
ingreso.
Las
capacidades
individuales,
el
origen
familiar,
la
calidad
educativa
y
la
selección
dentro
del
mercado
laboral
también
pueden
influir
en
los
resultados
(Card,
1999;
Heckman et al., 2006).

Los
estudios
internacionales
suelen
ubicar
el
retorno
privado
promedio
de
la
escolaridad
entre el 9% y el 10% por cada año adicional de
estudio.
Este
valor
no
es
uniforme,
ya
que
cambia
según
la
región,
el
sexo,
el
nivel
educativo y las condiciones de inserción laboral
(Harmon et al., 2003; Montenegro y Patrinos,
2014;
Psacharopoulos
y
Patrinos,
2018).
Por
ello, un promedio general debe analizarse con
prudencia
y
no
puede
trasladarse
automáticamente
a
todos
los
grupos
de
población.

La magnitud de los retornos también depende
de
la
calidad
de
los
aprendizajes,
de
las
características de la estructura productiva y de
la
disponibilidad
de
empleos
que
requieren
trabajadores
calificados.
La
ampliación
de
la
cobertura educativa puede aumentar los años de
estudio de la población, pero no garantiza que
los
estudiantes
adquieran
las
competencias
necesarias
ni
que
encuentren
oportunidades
laborales acordes con su formación (Hanushek
y
Woessmann,
2008;
World
Bank,
2018).
Cuando la expansión de la escolaridad no está
acompañada de mejoras en el aprendizaje y en
la demanda de trabajo calificado, los retornos
pueden
ser
menores
o
distribuirse
de
manera
desigual (Pritchett, 2001). En América Latina y

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 256

otros países en desarrollo, la educación también
presenta una relación positiva con los ingresos.
Sin
embargo,
la
magnitud
estimada
varía
de
acuerdo
con
el
método
empleado,
la
composición de la muestra y la forma en que se
define
el
ingreso
laboral
(Peet
et
al.,
2015;
Psacharopoulos
y
Patrinos,
2018).
Estas
diferencias metodológicas explican por qué dos
investigaciones
realizadas
en
un
mismo
país
pueden
obtener
resultados
distintos
sin
que
necesariamente sean contradictorios.

En
Ecuador,
investigaciones
anteriores
han
encontrado
que
las
personas
con
mayor
escolaridad tienden a recibir mejores ingresos,
aunque los resultados muestran diferencias por
sexo,
sector
económico
y
trayectoria
laboral
(Lucero,
2019).
Estudios
recientes
sobre
el
mercado
laboral
formal
ecuatoriano
señalan,
además, que los beneficios de la educación se
encuentran relacionados con el contexto y con
el capital social académico. Esto significa que
un
título
no
actúa
de
manera
aislada,
sino
en
combinación
con
las
redes
profesionales,
las
oportunidades disponibles y las condiciones de
acceso al empleo (Del Pozo y Brugués, 2025).

A pesar de su utilidad, este tipo de evidencia
suele
discutirse
principalmente
desde
la
economía
laboral
y
no
siempre
llega
a
convertirse
en
un
insumo
concreto
para
la
gestión educativa. Conocer el retorno promedio
de
la
escolaridad
puede
ayudar
a
respaldar
políticas de permanencia estudiantil, mejorar el
seguimiento
de
los
graduados
o
reconocer
territorios
donde
la
formación
recibida
se
traduce
en
menores
ingresos.
El
problema
aparece cuando el indicador se utiliza fuera de
su alcance. No sería correcto presentarlo como
una
garantía
de
ingreso
individual,
como
una
medida directa de la calidad de una institución
o
como
un
criterio
suficiente
para
clasificar
carreras
y
programas.
La
gestión
basada
en
evidencia no consiste únicamente en disponer
de
estadísticas.
También
exige
interpretar
los
resultados,
contrastarlos
con
otras
fuentes
y
relacionarlos
con
las
condiciones
particulares
de
cada
institución
o
territorio.
Los
datos
adquieren
utilidad
cuando
contribuyen
a
formular
preguntas,
identificar
problemas
y
revisar
las
decisiones
adoptadas
(Ikemoto
y
Marsh, 2007; Mandinach y Schildkamp, 2021).
Por
tanto,
los
indicadores
deben
emplearse
como
parte
de
un
proceso
de
análisis
y
aprendizaje institucional, no como mecanismos
automáticos de decisión (Schildkamp, 2019).

En este contexto,
la investigación
aborda una
necesidad
que
presenta
dos
componentes
relacionados.
Por
una
parte,
es
necesario
disponer
de
una
estimación
reciente
de
la
relación entre escolaridad e ingreso laboral en
Ecuador, construida con microdatos nacionales
y
mediante
un
procedimiento
que
pueda
ser
reproducido.
Por
otra,
se
requiere
analizar
de
qué manera esta información puede apoyar las
decisiones
de
gestión
educativa
sin
atribuirle
una
capacidad
explicativa
que
no
posee.
Este
último aspecto cobra especial importancia en un
país
donde
las
diferencias
territoriales
y
de
género
continúan
condicionando
las
oportunidades educativas y laborales.

A
partir
de
esta
problemática
se
plantea
la
siguiente pregunta de investigación: ¿cuál fue la
magnitud
del
retorno
asociado
con
la
escolaridad
entre
la
población
ocupada
ecuatoriana
en
2023
y
de
qué
manera
este
resultado,
acompañado
de
otros
indicadores,
puede contribuir a la toma de decisiones en la
gestión educativa? En correspondencia con esta
pregunta,
el
objetivo
general
es
estimar
los
retornos de la educación mediante el modelo de
Mincer
y
analizar
sus
posibles
implicaciones
para la planificación y la equidad educativa en
Ecuador.
La
investigación
parte
de
tres

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 257

supuestos
que
serán
contrastados
empíricamente.
Se
espera
encontrar
una
relación positiva entre los años de escolaridad y
el
ingreso
laboral.
También
se
considera
que
esta relación puede presentar diferencias entre
mujeres y hombres, así como entre residentes de
áreas urbanas y rurales.

Se
espera
que
el
coeficiente
de
escolaridad
mantenga su signo positivo y su significancia
estadística
cuando
se
incorporen
controles
territoriales y temporales y cuando se utilicen
otras definiciones de la población analizada o
del ingreso. Estas estimaciones se realizan con
la ENEMDU anual 2023 y se interpretan como
asociaciones
estadísticas,
no
como
efectos
causales.
Dentro
de
la
gestión
educativa,
los
resultados
del
modelo
de
Mincer
pueden
utilizarse
de
diferentes
maneras.
En
la
planificación institucional o nacional, permiten
discutir la importancia económica de promover
la permanencia y la culminación de los estudios.
Cuando se examinan las diferencias por sexo o
territorio, también pueden ayudar a identificar
grupos que enfrentan mayores dificultades para
convertir
su
educación
en
mejores
oportunidades
laborales.
Su
estimación
periódica
podría
incorporarse,
además,
en
sistemas de seguimiento que permitan observar
la evolución de estas brechas.

El
uso
de
datos
en
las
decisiones
educativas
requiere
capacidades
institucionales
para
acceder
a
la
información,
analizarla
y
relacionarla
con
el
conocimiento
que
poseen
docentes, directivos y responsables de política
(Ikemoto
y
Marsh,
2007;
Schildkamp,
2019).
En consecuencia, el coeficiente de escolaridad
no
proporciona
toda
la
información
necesaria
para
decidir.
Su
interpretación
debe
complementarse
con
indicadores
de
acceso,
abandono,
titulación,
aprendizaje,
costos
educativos,
campo
de
estudio
y
calidad
del
empleo.
También
deben
considerarse
las
características
sociales
y
productivas
de
cada
territorio.

Esta
precaución
permite
evitar
dos
interpretaciones frecuentes. La primera consiste
en
valorar
la
educación
únicamente
por
el
salario alcanzado. La segunda supone que todas
las diferencias de ingreso se originan dentro del
sistema educativo. En el
caso de
las mujeres,
por
ejemplo,
puede
encontrarse
un
retorno
porcentual de la escolaridad superior al de los
hombres y, al mismo tiempo, mantenerse una
brecha
salarial
desfavorable.
Esta
situación
puede
estar
relacionada
con
discriminación,
segregación ocupacional, responsabilidades de
cuidado
o
interrupciones
en
la
trayectoria
laboral (Blau y Kahn, 2017; Maldonado y Peña,
2020).

Por esta razón, el estudio diferencia el retorno
de la escolaridad del nivel de ingreso alcanzado
por
cada
grupo.
El
primero
representa
la
variación
proporcional
asociada
con
un
año
adicional de educación; la segunda muestra la
posición
relativa
de
mujeres
y
hombres,
o
de
habitantes
urbanos
y
rurales,
después
de
incorporar los controles estadísticos. Mantener
esta
distinción
es
necesario
para
evitar
conclusiones
equivocadas
y
formular
recomendaciones de gestión coherentes con los
resultados.

Materiales y Métodos

Se
desarrolló
un
estudio
cuantitativo,
no
experimental,
transversal
y
de
alcance
explicativo-correlacional. La fuente fue la base
anual de personas de la Encuesta Nacional de
Empleo,
Desempleo
y
Subempleo
2023,
producida
por
el
Instituto
Nacional
de
Estadística
y
Censos
(INEC,
2024).
La
ENEMDU
emplea
un
diseño
probabilístico
bietápico; sus unidades primarias de muestreo

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 258

corresponden
a
conglomerados
y
la
vivienda
constituye
la
unidad
secundaria
del
INEC.
El
análisis
utilizó
el
factor
anual
de
expansión
proporcionado por el INEC.

La unidad de análisis fue la persona ocupada de
18
a
65
años.
Se
conservaron
registros
con
información
completa
de
edad,
escolaridad,
ingreso
laboral,
sexo,
área,
provincia,
mes,
conglomerado y factor de expansión. Debido a
que el logaritmo no está definido para valores
nulos
o
negativos,
se
exigió
ingreso
laboral
mensual
positivo,
también
se
excluyeron
valores
de
ingreso
por
debajo
del
percentil
ponderado
1
y
por
encima
del
percentil
ponderado 99, equivalentes a USD 25 y USD
2.450,
para
limitar
la
influencia
de
observaciones extremas. La muestra final fue de
126.009
personas,
representativas
de
aproximadamente 6,19 millones de ocupados.

La
variable
dependiente
principal
fue
el
logaritmo natural del ingreso laboral mensual.
La escolaridad se expresó en años aprobados y
se
construyó
a
partir
del
nivel
educativo
y
el
último
año
o
grado
aprobado,
siguiendo
las
categorías
y
reglas
del
diccionario
de
la
ENEMDU. La experiencia potencial se definió
como
edad
menos
escolaridad
menos
seis;
se
restringe
a
valores
entre
cero
y
55
años.
Su
cuadrado se divide para 100 con el propósito de
facilitar la presentación de los coeficientes.

El
modelo
ajustado
incorporó
una
variable
dicotómica
para
mujer,
otra
para
residencia
rural, efectos fijos de provincia y efectos fijos
del mes de levantamiento. Estas covariables no
eliminan
la
posibilidad
de
confusión
por
habilidad, campo de estudio, calidad educativa,
ocupación
o
selección
laboral;
su
función
es
evaluar
si
la
relación
escolaridad–ingreso
permanece
al
comparar
personas
con
características
observables
y
contextos
territoriales
y
temporales
similares.
La
especificación
base
fue
la
función
de
ingresos de Mincer:

Ecuación: ln(Yᵢ) = β₀ + β₁Sᵢ + β₂Xᵢ +
β₃(Xᵢ²/100) + εᵢ (1)

donde Yᵢ representa el ingreso laboral mensual,
Sᵢ los años de escolaridad, Xᵢ la experiencia
potencial y εᵢ el término de error. El modelo
ampliado fue:

Ecuación: ln(Yᵢ) = β₀ + β₁Sᵢ + β₂Xᵢ +
β₃(Xᵢ²/100) + γZᵢ + δₚ + λₘ + εᵢ (2)

Zᵢ contiene sexo y área; δₚ y λₘ son efectos
fijos de provincia y mes. Como el resultado se
expresa en logaritmos, el retorno porcentual
exacto se calculó mediante:

Ecuación: r = 100[exp(β₁) − 1] (3)

Los
modelos
se
estimaron
por
mínimos
cuadrados
ponderados
con
el
factor
de
expansión
anual
normalizado.
Los
errores
estándar
se
calcularon
de
forma
robusta
y
agrupada
en
las
5.876
unidades
primarias
de
muestreo, con corrección por grados de libertad.
Esta
decisión
reconoce
la
dependencia
de
observaciones dentro de los conglomerados; los
ponderadores
recuperan
la
representación
poblacional, mientras que la agrupación mejora
la
inferencia
ante
correlación
intraclúster
(Cameron y Miller, 2015; Solon et al., 2015).
Para
evaluar
heterogeneidad
se
reestimó
la
ecuación base por sexo y área.

Se
aplicaron
dos
pruebas
de
robustez:
una
restringida
a
asalariados
y
otra
con
logaritmo
del
ingreso
laboral
por
hora.
Se
reportaron
coeficientes
errores
estándar,
intervalos
de
confianza
de
95%,
significancia
y
R².
Los
resultados
describen
asociaciones
condicionales;
no
se
emplearon
instrumentos,
discontinuidades
ni
paneles
capaces
de

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 259

identificar causalidad. La investigación utilizó
una
base
pública
anonimizada
y
no
implicó
intervención
ni
contacto
con
participantes.
Se
conservaron
las
etiquetas
y
reglas
del
diccionario oficial; las transformaciones, filtros
y
especificaciones
se
documentaron
para
permitir
su
réplica.
No
se
intentó
identificar
personas, hogares o establecimientos. La base y
la
documentación
pueden
consultarse
en
el
portal del INEC. El procesamiento y análisis de
los
microdatos
se
realizó
en
R,
versión,
mediante RStudio. La importación y depuración
de
la
ENEMDU
se
efectuó
con
los
paquetes
haven,
dplyr
y
tidyr.
Para
incorporar
las
ponderaciones,
los
estratos
y
las
unidades
primarias
de
muestreo
se
utilizó
el
paquete
survey. Las ecuaciones de ingreso se estimaron
mediante
regresiones
lineales
aplicadas
al
diseño muestral, con errores estándar robustos
agrupados por unidad primaria de muestreo. La
organización
de
los
resultados,
la
elaboración
de
tablas
y
la
representación
gráfica
se
realizaron
con
broom,
model
summary
y
ggplot2.

Resultados y Discusión

La muestra analítica presentó una edad media
de
40,0
años,
11,5
años
de
escolaridad
y
un
ingreso laboral mensual medio de USD 471,91;
la
mediana
fue
USD
410.
Las
mujeres
representaron 39,2% de la población ponderada
y
las
personas
residentes
en
áreas
rurales,
27,8%.
La
tabla
1
muestra
un
gradiente
monotónico entre nivel educativo e ingreso: la
mediana ascendió de USD 200 entre quienes no
registraron educación a USD 646 entre quienes
alcanzaron educación superior.

Tabla 1
. Ingreso laboral mensual por nivel educativo, Ecuador, 2023

Nivel educativo

n

Población
expandida

Años de
escolaridad

Media
USD

Mediana
USD

Ninguno

1.187

93.916

0,0

259,57

200

Centro de alfabetización

86

7.602

4,1

270,75

230

Educación básica

39.555

2.307.638

7,1

342,02

300

Bachillerato

46.173

2.332.678

12,8

439,71

430

Educación superior

39.008

1.446.667

17,1

745,86

646

Total

126.009

6.188.501

11,5

471,91

410

Nota. Estimaciones ponderadas con el factor anual de expansión. La población expandida se redondeó a la unidad. Fuente: elaboración propia con ENEMDU
anual 2023 (INEC, 2024).

Fuente: Elaboración propia.

Figura 1.
Mediana del ingreso laboral mensual
según nivel educativo.

Fuente: Elaboración propia.

En el modelo base, el coeficiente de escolaridad
fue
0,0831
(EE
=
0,0018;
p
<
0,001),
equivalente
a
un
retorno
exacto
de
8.7%
por
cada
año
adicional
de
educación
(IC
95%:
8.3%–9.1%).
La
experiencia
mostró
una
asociación positiva y su término cuadrático fue
negativo, compatible con un perfil cóncavo de
ingresos; el punto de giro se ubicó cerca de 32.9
años
de
experiencia
potencial.
El
modelo
explicó 16,6% de la variación del logaritmo del
ingreso.
Al
incorporar
sexo,
área,
efectos
de
provincia y mes, el coeficiente de escolaridad
disminuyó a 0,0775 (EE = 0,0017; p < 0,001),
equivalente a 8.1% (IC 95%: 7.7%–8.4%). La

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 260

estabilidad del signo y la precisión respaldan la
expectativa de una asociación positiva robusta,
aunque la reducción de 0,6 puntos porcentuales
confirma
que
parte
del
gradiente
bruto
se
relaciona
con
composición
territorial
y
demográfica. El R² aumentó un 24,5%.

Tabla 2
. Funciones de ingreso de Mincer para la población ocupada.

Variable / estadístico

Modelo 1 Base

Modelo 2 Ajustado

Años de escolaridad

0,0831***(0,0018)

0,0775***(0,0017)

Experiencia potencial

0,0281***(0,0013)

0,0282***(0,0013)

Experiencia² / 100

−0,0428***(0,0027)

−0,0429***(0,0026)

Mujer

—

−0,3679***(0,0126)

Área rural

—

−0,1877***(0,017)

Efectos fijos provincia

No

Sí

Efectos fijos mes

No

Sí

Observaciones

126.009

126.009

Conglomerados

5.876

5.876

R²

0,166

0,245

Retorno exacto escolaridad

8,70%

8,10%

Fuente: Elaboración propia.

El coeficiente de mujer en el modelo ajustado
equivale
a
una
brecha
condicional
de
-30.8%
respecto de los hombres, mientras el coeficiente
rural corresponde a una brecha de -17.1% frente
al
área
urbana.
Estos
porcentajes
comparan
niveles de ingreso manteniendo constantes las
covariables
incluidas;
no
deben
interpretarse
como
brechas
causadas
por
el
sexo
o
el
territorio.

Tabla 3
. Retornos de la escolaridad por subgrupos y pruebas de robustez.

Especificación

n

β escolaridad

Retorno

IC 95%

R²

Total

126.009

0,0831

8,70%

8,3%–9,1%

0,17

Hombres

74.027

0,0736

7,60%

7,2%–8,1%

0,17

Mujeres

51.982

0,1052

11,10%

10,3%–11,9%

0,22

Urbano

96.238

0,0794

8,30%

7,9%–8,6%

0,16

Rural

29.771

0,0685

7,10%

6,1%–8,0%

0,09

Solo asalariados

75.544

0,094

9,90%

9,4%–10,3%

0,28

Ingreso por hora

123.148

0,0639

6,60%

6,3%–6,9%

0,17

Fuente: Elaboración propia.

Cada
fila
corresponde
a
una
estimación
separada de la función base con experiencia y
experiencia
al
cuadrado.
La
especificación
de
ingreso por hora usa
el
logaritmo
del
ingreso
laboral
horario
y
cuenta
con
123.148
observaciones.
Todos
los
coeficientes
de
escolaridad
presentan
p
<
0,001.
Fuente:
elaboración propia. En la tabla 3, se visualiza la
estimación por sexo fue 11,1% para las mujeres
y
7,6%
para
los
hombres.
Esta
diferencia
de
pendientes no contradice la brecha negativa de
nivel registrada en el modelo ajustado: indica
que
un
año
adicional
se
asocia
con
un
incremento proporcional mayor entre mujeres,
pero a partir de una posición salarial inferior.
Por
área,
el
retorno
fue
8,3%
en
lo
urbano
y
7,1% en lo rural, lo que sugiere que la misma
acumulación
de
escolaridad
encuentra
estructuras de oportunidad distintas.

Figura 2
. Retorno estimado de la escolaridad
por sexo y área.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 261

Nota.
Retorno porcentual exacto e intervalos de
confianza
de
95%
derivados
de
modelos
separados.
Las
pruebas
de
robustez
mantuvieron
resultados
positivos
y
estadísticamente precisos. Entre asalariados, el
retorno
alcanzó
9,9%;
al
utilizar
ingreso
por
hora
fue
6,6%.
La
diferencia
entre
ingreso
mensual y horario puede reflejar variaciones en
horas trabajadas, tipo de empleo y composición
de la muestra.

En
conjunto,
las
estimaciones
apoyan
la
expectativa
de
estabilidad
cualitativa,
pero
también muestran que la magnitud depende de
la
definición
del
resultado
y
de
la
población
analizada.
El
estudio
encontró
un
retorno
asociado
con
la
escolaridad
de
8.7%
en
la
función
base
y
8.1%
en
la
especificación
ajustada. La magnitud se aproxima al rango de
9%–10%
informado
por
revisiones
internacionales, aunque la estimación ajustada
se ubica ligeramente por debajo (Montenegro y
Patrinos,
2014;
Psacharopoulos
y
Patrinos,
2018).
La
coincidencia
general
apoya
la
relevancia
económica
de
la
educación
en
Ecuador;
la
diferencia
recuerda
que
cada
estimación
depende
del
año,
la
población,
la
definición
del
ingreso
y
la
estructura
del
mercado laboral.

Los resultados también son coherentes con la
literatura ecuatoriana que identifica una prima
educativa positiva, pero no uniforme (Lucero,
2019).
El
gradiente
descriptivo
fue
claro:
la
mediana de ingreso de quienes tenían educación
superior
superó
en
USD
346
a
la
de
quienes
registraron educación básica. Esa diferencia no
constituye el efecto de obtener un título, porque
los
grupos
difieren
en
edad,
origen,
capacidades,
ocupación
y
selección.
Su
valor
para
la
gestión
es
descriptivo:
señala
que
la
acumulación educativa se relaciona con mejores
resultados,
pero
no
informa
por
sí
sola
qué
programa, institución o modalidad los produce.
La heterogeneidad de género exige una lectura
especialmente
cuidadosa.
Las
mujeres
presentaron un retorno marginal mayor, pero un
nivel de ingreso condicional aproximadamente
30,8% menor. Un gestor que observara solo la
pendiente podría concluir erróneamente que no
existe
desventaja;
quien
mirara
solo
el
nivel
podría pasar por alto que la educación tiene un
papel
relevante
para
mejorar
su
posición
relativa.
La
coexistencia
de
ambos
resultados
sugiere
combinar
apoyos
de
continuidad
y
titulación con servicios de cuidado, prevención
de
discriminación,
orientación
ocupacional
e
intermediación laboral.

La
diferencia
urbano-rural
apunta
a
una
restricción de contexto. El retorno rural de 7,1%
fue positivo, pero inferior al urbano. Ello puede
reflejar
menor
densidad
empresarial,
informalidad,
distancia
a
empleos
calificados,
conectividad
limitada
o
una
oferta
formativa
poco
articulada
con
la
economía
local.
La
respuesta
no
debería
ser
reducir
inversión
educativa
rural,
sino
complementar
la
formación
con
infraestructura,
conectividad,
alianzas
con
empleadores,
prácticas
profesionales y seguimiento territorial.

Desde la gestión basada en datos, la principal
contribución
del
modelo
es
convertir
una
relación compleja en un indicador repetible. Su
utilidad
aumenta
cuando
se
calcula
con
una
definición
estable,
se
desagrega
con
tamaños
muestrales suficientes y se presenta junto con
intervalos de confianza. Un tablero anual podría
mostrar el retorno general, las brechas por sexo
y
área,
los
ingresos
medianos
por
nivel
y
la
transición al empleo. Las variaciones deberían
activar preguntas y evaluaciones, no decisiones
automáticas (Mandinach y Schildkamp, 2021;
Schildkamp, 2019). El R² de 24,5% del modelo
ajustado muestra, además, que la escolaridad y

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 262

los controles incluidos explican solo una parte
del ingreso. La calidad de los aprendizajes, el
campo
de
estudio,
las
redes,
la
experiencia
efectiva,
la
ocupación,
la
formalidad
y
las
condiciones
macroeconómicas
también
importan.
La
literatura
sobre
habilidades
cognitivas señala que los años de educación son
un proxy imperfecto de lo aprendido (Hanushek
y Woessmann, 2008). Por tanto, la política no
puede limitarse a expandir años de estudio: debe
asegurar aprendizaje, pertinencia y conexiones
de calidad con el empleo.

El análisis tampoco identifica un efecto causal.
La habilidad no observada y la selección pueden
sesgar
el
coeficiente;
la
experiencia
potencial
no
equivale
a
experiencia
efectiva,
especialmente cuando existen interrupciones; el
ingreso autoinformado puede contener error; y
la
muestra
excluye
desempleados
e
inactivos.
Tampoco
se
distinguieron
campo
de
estudio,
institución,
calidad
educativa,
ocupación
ni
formalidad en la especificación principal. Los
intervalos
incorporan
agrupación
por
conglomerado,
pero
no
reproducen
toda
la
complejidad del diseño estratificado.

Un
retorno
privado
no
es
una
tasa
social
de
rendimiento:
no
descuenta
costos
directos,
duración,
financiamiento
público
ni
externalidades.
No
debe
utilizarse
para
cerrar
programas,
jerarquizar
personas
o
asignar
recursos
exclusivamente
según
salarios.
Para
decisiones de alto impacto se requieren análisis
de costos, demanda social, acceso, aprendizaje,
empleabilidad,
contribución
territorial
y
bienestar. La ecuación de Mincer es una brújula
parcial, no un piloto automático.
En el corto
plazo,
una
institución
o
autoridad
puede
incorporar
cuatro
acciones:
documentar
la
construcción anual del indicador; vincularlo con
registros
de
matrícula,
abandono
y
titulación;
desagregar únicamente cuando la precisión lo
permita; y convocar a equipos académicos, de
bienestar
y
vinculación
para
interpretar
los
cambios.
En
el
mediano
plazo,
conviene
agregar campos de estudio y calidad del empleo
y
contrastar
la
ENEMDU
con
estudios
de
seguimiento
a
graduados.
La
decisión
de
ampliar o rediseñar un programa debería seguir
una secuencia de evidencia: identificar la señal
en
ingresos
o
empleo,
verificar
si
el
patrón
persiste,
explorar
causas
con
información
cualitativa
y
administrativa,
diseñar
una
intervención
y
evaluar
su
resultado.
Así,
el
modelo
no
sustituye
el
juicio
profesional;
estructura
preguntas
y
hace
explícitas
las
hipótesis que deben contrastarse.

Conclusiones

La
escolaridad
mantuvo
una
asociación
positiva,
sustantiva
y
estadísticamente
precisa
con el ingreso laboral de la población ocupada
ecuatoriana
en
2023.
Cada
año
adicional
se
relacionó
con
un
incremento
de
8,7%
en
el
modelo base y de 8,1% al controlar por sexo,
área, provincia y mes. El resultado fue positivo
en
todas
las
especificaciones
y
se
sostuvo
al
restringir la muestra a asalariados y al utilizar
ingreso por hora.

La
relación
no
fue
homogénea.
Las
mujeres
mostraron una pendiente educativa mayor, pero
conservaron una brecha negativa de nivel; las
personas rurales tuvieron un retorno menor que
las urbanas. Estas diferencias demuestran que
ampliar
la
escolaridad
es
necesario,
pero
insuficiente:
la
gestión
debe
atender
las
condiciones
que
permiten
transformar
la
formación en empleo de calidad. El modelo de
Mincer puede fortalecer la toma de decisiones
si
se
utiliza
como
indicador
diagnóstico,
se
actualiza
con
reglas
consistentes
y
se
integra
con datos de permanencia, aprendizaje, costos,
territorio y transición laboral. Sus mejores usos
son orientar preguntas, priorizar evaluaciones y

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 263

monitorear
brechas.
Sus
peores
usos
serían
tratarlo como prueba causal, garantía individual
o criterio único de asignación. La agenda de
investigación debe avanzar hacia estimaciones
por
campo
de
estudio
y
calidad
del
empleo,
series comparables en términos reales, modelos
que
consideren
selección
laboral
y
diseños
capaces
de
aproximarse
a
efectos
causales.
También
se
requieren
estudios
de
implementación
que
examinen
si
el
uso
institucional
de
estos
indicadores
mejora
efectivamente la planificación y la equidad.

Referencias Bibliográficas

Arrow, K. (1973). Higher education as a filter.
Journal of Public Economics, 2
(3), 193–216.
https://doi.org/10.1016/0047-
2727(73)90013-3

Becker,
G.
(1993).
Human
capital:
A
theoretical
and
empirical
analysis,
with
special
reference
to
education
(3.ª
ed.).
University of Chicago Press.

Blau, F., & Kahn, L. (2017). The gender wage
gap:
Extent,
trends,
and
explanations.
Journal of Economic Literature, 55
(3), 789–
865.
https://doi.org/10.1257/jel.20160995

Cameron,
A.,
&
Miller,
D.
(2015).
A
practitioner’s
guide
to
cluster-robust
inference.
Journal
of
Human
Resources,
50
(2),
317–372.
https://doi.org/10.3368/jhr.50.2.317

Card, D. (1999). The causal effect of education
on earnings. En O. Ashenfelter & D. Card
(Eds.),
Handbook of labor economics
(Vol.
3A,
pp.
1801–1863).
Elsevier.
https://doi.org/10.1016/S1573-
4463(99)03011-4

Del,
D.,
&
Brugués,
F.
(2025).
Retornos
educativos
y
capital
social
académico:
Evidencia desde el mercado laboral formal
ecuatoriano
(Cuaderno de Trabajo N.º 21).
Instituto Nacional de Estadística y Censos.
https://www.ecuadorencifras.gob.ec/docum
entos/web-

Hanushek, E., &
Woessmann, L. (2008). The
role
of
cognitive
skills
in
economic
development.
Journal
of
Economic
Literature,
46
(3),
607–668.
https://doi.org/10.1257/jel.46.3.607

Harmon,
C.,
Oosterbeek,
H.,
&
Walker,
I.
(2003).
The
returns
to
education:
Microeconomics.
Journal
of
Economic
Surveys,
17
(2),
115–156.
https://doi.org/10.1111/1467-6419.00191

Heckman, J., Lochner, L., & Todd, P. (2006).
Earnings
functions,
rates
of
return
and
treatment effects: The Mincer equation and
beyond. En E. Hanushek & F. Welch (Eds.),
Handbook
of
the
economics
of
education
(Vol.
1,
pp.
307–458).
Elsevier.
https://doi.org/10.1016/S1574-
0692(06)01007-5

Ikemoto,
G.,
&
Marsh,
J.
(2007).
Cutting
through the “data-driven” mantra: Different
conceptions of data-driven decision making.
Teachers
College
Record,
109
(13),
105–
131.
https://doi.org/10.1177/0161468107109013
10

Instituto
Nacional
de
Estadística
y
Censos.
(2024).
Encuesta
Nacional
de
Empleo,
Desempleo
y
Subempleo:
ENEMDU
anual
2023
[Base
de
datos
y
documentación
metodológica].
https://www.ecuadorencifras.gob.ec/enemd
u-anual-2023/

Instituto Nacional de Estadística y Censos. (s.
f.).
Diseño
muestral
de
la
ENEMDU
.
https://www.ecuadorencifras.gob.ec/diseno-
muestral-2/

Lemieux,
T.
(2006).
The
“Mincer
equation”
thirty years after
Schooling, experience, and
earnings
.
En
S.
Grossbard
(Ed.),
Jacob
Mincer:
A
pioneer
of
modern
labor
economics
(pp.
127–145).
Springer.
https://doi.org/10.1007/0-387-29175-X_11

Lucero,
M.
(2019).
Rendimiento
de
la
educación
en
Ecuador.
Estudios
de
la
Gestión:
Revista
Internacional
de
Administración
,
(6),
37–90.
https://doi.org/10.32719/25506641.2019.6.2

Maldonado, J., & Peña, C. (2020). Maternidad
y
brecha
salarial:
¿Penaliza
el
mercado
laboral
la
maternidad?
Cuestiones
Económicas,
30
(2).
https://doi.org/10.47550/RCE/30.2.1

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 264
Licencia de Creative Commons

Mandinach,
E.,
&
Schildkamp,
K.
(2021).
Misconceptions
about
data-based
decision
making in education: An exploration of the
literature.
Studies in Educational Evaluation,
69
,
100842.
https://doi.org/10.1016/j.stueduc.2020.1008
42

Mincer, J. (1974).
Schooling, experience, and
earnings
.
National
Bureau
of
Economic
Research.
https://www.nber.org/books-and-
chapters/schooling-experience-and-earnings

Montenegro,
C.,
&
Patrinos,
H.
(2014).
Comparable
estimates
of
returns
to
schooling
around
the
world
(Policy
Research Working Paper N.º 7020). World
Bank.
https://openknowledge.worldbank.org/entiti
es/publication/e049f05e-0613-5389-8f99-
3e39b64bcf01

Oreopoulos,
P.,
&
Salvanes,
K.
G.
(2011).
Priceless:
The
nonpecuniary
benefits
of
schooling.
Journal
of
Economic
Perspectives,
25
(1),
159–184.
https://doi.org/10.1257/jep.25.1.159

Patrinos, H. A. (2024). Estimating the return to
schooling
using
the
Mincer
equation.
IZA
World
of
Labor
.
https://doi.org/10.15185/izawol.278.v2

Peet, E., Fink, G., & Fawzi, W. (2015). Returns
to
education
in
developing
countries:
Evidence
from
the
living
standards
and
measurement
study
surveys.
Economics
of
Education
Review,
49
,
69–90.
https://doi.org/10.1016/j.econedurev.2015.0
8.002

Pritchett, L. (2001). Where has all the education
gone?
The
World
Bank
Economic
Review,
15
(3),
367–391.
https://doi.org/10.1093/wber/15.3.367

Psacharopoulos, G., & Patrinos, H. A. (2018).
Returns
to
investment
in
education:
A
decennial
review
of
the
global
literature.
Education
Economics,
26
(5),
445–458.
https://doi.org/10.1080/09645292.2018.148
4426

Schildkamp,
K.
(2019).
Data-based
decision-
making
for
school
improvement:
Research
insights
and
gaps.
Educational
Research,
61
(3),
257–273.
https://doi.org/10.1080/00131881.2019.162
5716

Schultz,
T.
(1961).
Investment
in
human
capital.
The
American
Economic
Review,
51
(1),
1–17.
https://www.jstor.org/stable/1818907

Solon, G., Haider, S. J., & Wooldridge, J. M.
(2015). What are we weighting for?
Journal
of
Human
Resources,
50
(2),
301–316.
https://doi.org/10.3368/jhr.50.2.301

Spence, M. (1973). Job market signaling.
The
Quarterly
Journal
of
Economics,
87
(3),
355–374.
https://doi.org/10.2307/1882010

World Bank. (2018).
World development report
2018:
Learning
to
realize
education’s
promise
.
https://doi.org/10.1596/978-1-
4648-1096-1

Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0
Internacional.
Copyright
©
Jorge
Rolando
Córdova
Aymar,
Zonia
Gricelda
Del
Pino
Villa,
José
Luis
González
Márquez
y
Juan
Josué
González Márquez.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 265

Declaraciones éticas y editoriales del artículo

Contribución de los autores (Taxonomía CRediT).

Jorge Rolando Córdova Aymar: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.

Zonia Gricelda Del Pino Villa: curación y organización de los datos, participación en la recolección de información, validación de los resultados obtenidos
y elaboración de representaciones gráficas y visualización de los datos.

José Luis González Márquez: curación y organización de los datos, participación en la recolección de información, validación de los resultados obtenidos
y elaboración de representaciones gráficas y visualización de los datos.

Juan Josué González Márquez: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.

Declaración de conflicto de intereses

Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del presente
artículo.

Declaración de financiamiento

La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de existir
financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.

Declaración del editor

El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia y
buenas
prácticas
editoriales.
El
manuscrito
fue
sometido
a
un
proceso
de
evaluación
mediante
revisión
por
pares
doble
ciego,
garantizando
la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.

Declaración de los revisores

Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.

Declaración ética de la investigación

Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad de
los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse a
los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.

Declaración sobre el uso de inteligencia artificial

Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción del
manuscrito,
se
realizó
únicamente
como
apoyo
técnico
para
mejorar
la
claridad
del
lenguaje
o
el
análisis de
información,
manteniendo
siempre
la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito ni
sustituyen la responsabilidad académica de los investigadores.

Disponibilidad de datos

Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 10.1
Edición Especial X 2026
Página 266