Resumen de Estimación de tiempos entre la ocurrencia de eventos a partir de datos incompletos: análisis de duraciones de desempleo

M. Pilar Olave Rubio , José Antonio Cristóbal Cristóbal , José Tomás Alcalá Nalvaiz

• español

  En este trabajo se analiza la variable estocástica que representa los tiempos de espera entre dos eventos consecutivos de un proceso de renovación estacionario, tal como los periodos de desempleo de diferentes individuos en una cierta población.

  El modo de obtención de los datos está basado en un muestreo de sección cruzada: Se fija un instante de tiempo �t� específico y se toma una muestra aleatoria de los individuos que están registrados en la oficina de desempleo en ese instante. Para cada persona, estamos interesados en el periodo de desempleo que incluye el instante �t�. Pero en la práctica, esos valores no son observables, y lo único que podemos conocer es el tiempo desde la inclusión del individuo en el último desempleo hasta el instante del muestreo �t�. Es decir, nuestros datos son los tiempos de recurrencia hacia atrás desde la ocurrencia del último evento hasta un tiempo pre-establecido (porque desconocemos cuando se producirá la salida de ese periodo de desempleo), junto con los correspondientes valores de un cierto conjunto de covariables (como por ejemplo, el tiempo empleado por el individuo en cursos de formación ocupacional o su edad).

  Hemos obtenido una estimación no paramétrica de la función de regresión, construida tan sólo a partir de nuestros datos incompletos, que nos sirve para explicar la influencia de las covariables en la duración del desempleo, y constituye un planteamiento mucho más natural que otros que se puedan realizar basados en la estimación de la razón de riesgo con formas predeterminadas de inclusión de las covariables

• English

  In this work we analyze the stochastic variable representing the waiting times between two consecutive events of a stationary renewal process, such as the unemployment times of different individuals in a certain population.

  We suppose that our data are obtained by cross-sectional sampling: A specific point in time �t� is chosen, and a random sample of the individuals registered at the unemployment office at �t� is extracted. For each people we are interested in the unemployment period including �t�. But in the practice, these values are not observable, and the only we can know is the time from the inclusion of the individual in the last unemployment to the sampling time �t�.

  That is to say, our data are the backward recurrence times from the occurrence of the last event up to a pre-established time (because of our ignorance of the exit of this unemployment period), along with the corresponding values of a certain set of covariates (as, for example, the time spent on employment training courses of the age).

  We have obtained a nonparametric estimation of the regression function (only based on our data) and therefore, we can explain the influence of the covariates in the unobservable unemployment duration. This is an more natural approach than other methods based on the estimation of the hazard rate, where established forms for the inclusion of covariates are supposed.