Cómo se llegaba a la clase media alta en 1994

El ingreso personal es una variable clave en la investigación económica y social, y sus predictores pueden ayudar a orientar políticas públicas. Este análisis examina qué factores influyeron más en alcanzar la clase media alta en 1994, que defino como ganar $50,000 dólares o más ese año. Plantearlo como un umbral tiene tres ventajas: permite enfocarse en un punto de corte específico y relevante para políticas públicas; la regresión logística es menos sensible a valores atípicos que modelar el ingreso bruto directamente; y evita la distribución tan sesgada del ingreso en sí.

Los datos provienen del conocido conjunto de datos "Adult" del UCI Machine Learning Repository, extraído del censo de EE. UU. de 1994. Tras el preprocesamiento —reagrupando algunas variables categóricas para evitar celdas con pocos casos— consideré diez predictores candidatos: sexo, edad, raza, tipo de empleo, ocupación, estado civil, si nació en EE. UU., años de educación y horas trabajadas por semana. Probé la educación tanto como variable categórica como en años continuos de escolaridad; la versión continua ajustó mejor y es la que se usa en el modelo final. Cerca del 24% de los 32,561 encuestados ganaba $50,000 o más.

Ajusté una regresión logística que predice las probabilidades (odds) de superar los $50,000 a partir de nueve variables a la vez, manteniendo las demás constantes, y luego probé la hipótesis nula de que cada coeficiente era igual a cero. Todas las variables de la tabla de hallazgos a continuación fueron estadísticamente significativas al nivel del 5%.

El efecto más grande, por mucho, fue el estado civil: las probabilidades de superar los $50,000 para las personas casadas eran casi diez veces más altas que para las no casadas. Como se trata de una razón de momios (odds ratio) y no de una razón de probabilidades, esto no significa que las personas casadas fueran literalmente "10 veces más propensas" a ganar $50,000 o más — pero sigue siendo, por un margen amplio, el efecto más fuerte del modelo. Los años de educación quedaron en segundo lugar: cada año adicional aumentaba las probabilidades en cerca de un tercio. El gráfico a continuación muestra cómo ambos efectos se combinan: la probabilidad prevista de superar los $50,000 aumenta mucho más rápido con la educación en un perfil casado que en uno soltero, manteniendo todo lo demás en un valor típico de 1994.

Un árbol de clasificación entrenado con las mismas variables, dividiendo principalmente por estado civil y educación, clasificó correctamente al 82% de los encuestados — una mejora modesta sobre el 76% aproximado que se obtendría simplemente prediciendo que todos ganaban menos de $50,000, ya que solo cerca del 24% de la muestra superaba el umbral. La pseudo-R² de McFadden del modelo logístico fue 0.35, generalmente considerada un buen ajuste según esa medida.

Vale la pena señalar dos limitaciones metodológicas: agrupar algunas variables categóricas puede haber ocultado patrones más detallados, y la regresión logística estándar no evalúa efectos de interacción — por ejemplo, si el efecto de la educación sobre el ingreso varía según el tipo de empleo. De forma más fundamental, se trata de una muestra censal observacional, no de un experimento, por lo que estos son asociaciones y no efectos causales comprobados. El estado civil y el ingreso probablemente se influyen mutuamente en ambas direcciones, y ambos se correlacionan con factores no medidos como la edad y la estructura del hogar — por eso trataría la educación, y no el estado civil, como el hallazgo más accionable y menos confundido aquí.