Predictor de Ingresos e Informalidad

Problema

La conversación pública sobre informalidad laboral en Perú discute con anécdotas. Los microdatos de ENAHO ya existen, pero casi nadie fuera de la academia los convierte en un número que un tomador de decisiones o un visitante curioso pueda usar de verdad, o muestra la disyuntiva entre un modelo que explica y uno que solo predice.

Enfoque

Torneo de modelos (OLS, Mincer, Lasso, RF, GB) más un clasificador de informalidad, construido para mostrar el camino completo, no solo el modelo que ganó.

Nueve especificaciones de ingreso corren bajo el mismo split 80/20 y validación cruzada de 5 pliegues, desde una lectura literal de la ecuación de Mincer de aula hasta gradient boosting sobre el logaritmo del ingreso, seleccionadas por MAE de validación cruzada y no espiando el conjunto de prueba. El modelo desplegado (E9, gradient boosting) mejora a la mejor especificación interpretable en S/ 79 de MAE -una brecha que se lee como el aporte de no linealidades e interacciones que una forma lineal no puede capturar, no como prueba de que el modelo simple está mal. Ningún R² supera 0,5 en soles, algo que el README encuadra contra el propio R² de libro de Mincer, de 0,25-0,35 en logaritmo del ingreso -otra escala, citada para que la cifra no se confunda con un ajuste mejor del que realmente es.

Un segundo clasificador, entrenado por separado, estima el riesgo de empleo informal con los mismos microdatos: gradient boosting llega a un PR-AUC de 0,96 contra una prevalencia base de 0,68, con un punto operativo elegido sobre probabilidades out-of-fold de entrenamiento (nunca de test), de modo que, de cada 1 000 trabajadores señalados, cerca de 900 son efectivamente informales. Se reporta también una ablación estructural -quitar solo el tamaño de empresa baja el PR-AUC a 0,957- justamente para que el número no se lea como más de lo que es: una herramienta de focalización para programas, no un pronóstico del futuro laboral de nadie.