Vol. 7 – Núm. 1 / Enero – Junio – 2026
Incidencia del nivel educativo sobre la probabilidad de pobreza y
pobreza extrema en Ecuador, período 2018-2024
The impact of educational attainment on the probability of poverty and
extreme poverty in ecuador, 2018–2024
Influência do nível de escolaridade na probabilidade de pobreza e pobreza
extrema no Equador, período 2018-2024
Pallo-Guamangate, Digna
Universidad Técnica de Cotopaxi
digna.pallo1412@utc.edu.ec
https://orcid.org/0009-0002-8817-9772
Rios-Moreno, Leny
Universidad Técnica de Cotopaxi
leny.rios3267@utc.edu.ec
https://orcid.org/0009-0008-9647-7861
Parreño Herrera, Carlos Alberto
Universidad Técnica de Cotopaxi
carlos.parreno6380@utc.edu.ec
https://orcid.org/0009-0006-6255-4043
DOI / URL: https://doi.org/10.55813/gaea/ccri/v7/n1/1564
Como citar:
Pallo-Guamangate, D., Rios-Moreno, L., & Parreño Herrera, C. A. (2026). Incidencia del nivel
educativo sobre la probabilidad de pobreza y pobreza extrema en Ecuador, período 2018-
2024. Código Científico Revista De Investigación, 7(1), 2599–2615.
Recibido: 26/05/2026 Aceptado: 24/06/2026 Publicado: 30/06/2026
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2600
Resumen
El propósito central del presente artículo es estimar si mayores niveles de educación reducen
la probabilidad que un individuo este en situación de pobreza o pobreza extrema, en línea con
la teoría del capital humano. La investigación adopta un enfoque cuantitativo, observacional y
explicativo, basado en modelos econométricos de elección binaria (Logit), adecuados para el
análisis de variables dependientes dicotómicas. Los resultados muestran una relación de
rechazo, robusta y significativamente demostrativa con el nivel de instrucción y la probabilidad
de pobreza y pobreza extrema, se identifica un gradiente educativo claro: con un nivel de
instrucción elevado, la probabilidad estimada de pobreza disminuye sistemáticamente, de tal
manera es el efecto principal en la pobreza extrema. Se observa que, las estimaciones revelan
la importancia de factores sociodemográficos y territoriales, como el área de residencia, la
etnia, el sexo, edad, la situación laboral y el estado civil, los cuales influyen directamente en la
probabilidad de pobreza. La evidencia confirma que el papel central de la educación es un
determinante del bienestar económico en Ecuador y aporta resultados actualizados que
contribuyen a la literatura sobre economía de la educación y pobreza en países de ingreso
medio.
Palabras clave: Pobreza; Pobreza extrema; Capital humano; Modelos Logit
Abstract
The central purpose of this article is to estimate whether higher levels of education reduce the
probability of an individual living in poverty or extreme poverty, in line with human capital
theory. The research adopts a quantitative, observational, and explanatory approach, based on
binary choice econometric models (Logit), suitable for analyzing dichotomous dependent
variables. The results show a robust and significantly demonstrative rejection relationship
between the level of education and the probability of poverty and extreme poverty. A clear
educational gradient is identified: with a higher level of education, the estimated probability of
poverty systematically decreases, making it the main effect on extreme poverty. The estimates
reveal the importance of sociodemographic and territorial factors, such as area of residence,
ethnicity, sex, age, employment status, and marital status, which directly influence the
probability of poverty. The evidence confirms that education plays a central role as a
determinant of economic well-being in Ecuador and provides updated results that contribute to
the literature on the economics of education and poverty in middle-income countries.
Keywords: Education; Poverty; Extreme poverty; Human capital; Logit models.
Resumo
O propósito central deste artigo é estimar se níveis mais elevados de educação reduzem a
probabilidade de um indivíduo viver em situação de pobreza ou extrema pobreza, em
consonância com a teoria do capital humano. A pesquisa adota uma abordagem quantitativa,
observacional e explicativa, baseada em modelos econométricos de escolha binária (Logit),
adequados para a análise de variáveis dependentes dicotômicas.
Os resultados evidenciam uma relação robusta e estatisticamente significativa de redução entre
o nível de escolaridade e a probabilidade de pobreza e extrema pobreza. Identifica-se um claro
gradiente educacional: à medida que o nível de educação aumenta, a probabilidade estimada
de pobreza diminui sistematicamente, configurando-se como o principal fator de impacto sobre
a extrema pobreza.
As estimativas revelam a importância de fatores sociodemográficos e territoriais, como área de
residência, etnia, sexo, idade, situação laboral e estado civil, os quais influenciam diretamente
a probabilidade de pobreza. As evidências confirmam que a educação desempenha um papel
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2601
central como determinante do bem-estar econômico no Equador e fornecem resultados
atualizados que contribuem para a literatura sobre economia da educação e pobreza em países
de renda média.
Palavras-chave: Educação; Pobreza; Extrema pobreza; Capital humano; Modelos Logit.
Introducción
La educación se considera un determinante estructural fundamental ante la reducción
de la pobreza y la pobreza extrema, estudios comparativos entre países indican que mayor nivel
promedio de escolaridad está sistemáticamente relacionado con menores tasas de pobreza,
particularmente en países de ingresos medios (Alonso & Criado, 2024; Leoni, 2025). Estudios
comparativos para países de ingresos bajos y medios encuentran que la educación secundaria
y superior reducen significativamente la probabilidad de pobreza, incluso después de controlar
por características demográficas y laborales (Iryna et al., 2023). Lambon et al. (2025)
manejando modelos probit aplicados a encuestas de hogares en países en desarrollo, asegura
que la educación es uno de los factores más robustos en la reducción tanto de la pobreza como
de la pobreza extrema, la evidencia agregada de la educación sobre la pobreza puede verse
limitado por factores estructurales del mercado laboral.
Karapanagiotis y Reimers (2024) señalan que, aunque las brechas educativas entre
países han tendido a cerrarse, las brechas salariales persisten, lo que limita la capacidad de la
educación para reducir la pobreza extrema en contextos de bajo dinamismo productivo. En
América Latina, Asadullah et al. (2021) documentan que el aumento de la oferta educativa no
siempre se traduce en retornos salariales suficientes para reducir la pobreza de forma
proporcional, Guijarro et al. (2024) indican que la desigualdad educativa presenta un fuerte
componente territorial, lo cual reduce el potencial redistributivo de la educación.
Munir y Kanwal (2020) muestran en los casos de Albania y Nepal, que las reformas
educativas pueden ayudan a disminuir la desigualdad educativa, pero su impacto sobre la
pobreza depende de la articulación con políticas laborales y sociales complementarias. De
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2602
manera análoga, Burgess et al. (2020) evidencian que los sistemas educativos selectivos
tienden a incrementar las desigualdades salariales en la etapa adulta, limitando la capacidad de
la educación para disminuir la pobreza, Nguyen et al. (2025) afirma que el impacto de la
educación sobre la pobreza está influenciado por el contexto territorial e institucional.
Lasso et al. (2020) utilizando variables instrumentales para corregir la endogeneidad de
la educación en Turquía, determina que mayores niveles educativos del jefe del hogar
disminuye significativamente la probabilidad de la pobreza. Çakmak y Kılıç (2021) muestran
que la educación reduce tanto la pobreza transitoria como la pobreza crónica, subrayando la
importancia de diferenciar entre tipos de pobreza, estudios recientes señalan que la educación
no garantiza automáticamente la salida de la pobreza. Investigaciones para América Latina
justifican que la expansión educativa ha contribuido a mejorar los ingresos laborales y a reducir
la debilidad económica, aunque con efectos heterogéneos entre países y territorios (Bracco et
al., 2025).
A pesar de los avances observados en ciertos períodos, una proporción significativa de
la población continúa enfrentando condiciones de privación monetaria, con grietas marcadas
entre zonas urbanas y rurales, regiones geográficas y grupos poblacionales. (Çitak & Duffy,
2020). A partir de la teoría del capital humano, la educación desarrolla la productividad
individual, mejora las oportunidades de inserción laboral y eleva los ingresos, reduciendo así
la probabilidad de que los individuos enfrenten situaciones de pobreza (Becker, 1975; Mincer,
1958).
Bautista et al. (2023) estima un modelo logit utilizando datos de la ENEMDU y
encuentran que la probabilidad de la pobreza se reduce significativamente con el nivel
educativo del individuo. La educación aumenta los ingresos laborales, disminuye el empleo
informal y alcanza mayor capacidad de respuesta frente a choques económicos, Beuermann et
al. (2024) señalan que la educación reduce el riesgo de pérdida de empleo durante recesiones,
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2603
igualmente, Mella y Moya (2024) muestran que las perdidas educativas incrementan la pobreza
futura.
Metodología
El principal objetivo del presente artículo es estimar el efecto del nivel educativo sobre
la probabilidad de que un individuo se encuentre en situación de pobreza y pobreza extrema en
Ecuador, así mismo discrepa empíricamente la hipótesis de que mayores niveles educativos
reducen significativamente dicha probabilidad. La investigación tiene un enfoque cuantitativo,
de tipo observacional, transversal y explicativo, basado en el análisis de microdatos de hogares.
Este diseño permite evaluar asociaciones estadísticas y estimar probabilidades condicionadas,
sin intervención directa sobre las variables de estudio, lo cual resulta adecuado para analizar
fenómenos socioeconómicos como la pobreza en argumentos reales (Valdés, 2020).
La fuente de información utilizada corresponde a datos provenientes de la Encuesta
Nacional de Empleo, Desempleo y Subempleo (ENEMDU), elaborada por el Instituto Nacional
de Estadística y Censos (INEC). Se emplean los levantamientos correspondientes al período
2018-2024, lo que permite capturar condiciones estructurales recientes del mercado laboral y
del bienestar económico en Ecuador.
El estudio considera dos variables dependientes, ambas definidas dicotómicamente,
siguiendo la metodología estatal del INEC para el cálculo de la pobreza monetaria:
1.- Pobreza por ingresos: Variable binaria que toma el valor de 1 si el ingreso per capital
del hogar del individuo se encuentra por debajo de la línea de pobreza por ingresos, y 0 en caso
contrario.
2.- Pobreza extrema por ingresos: Variable binaria que toma el valor de 1 si el ingreso
per-capital del hogar se sitúa por debajo de la línea de pobreza extrema (canasta básica
alimentaria), y en caso contrario.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2604
La distinción entre pobreza y pobreza extrema resulta fundamental, dado que la
literatura muestra que los determinantes y la intensidad de los efectos de la educación pueden
diferir entre ambos estados de privación (Alonso & Criado, 2024; Vasilescu & Stănilă, 2025).
Dado que las variables dependientes son de naturaleza binaria, se emplea un modelo logit, el
cual es apropiado para estimar probabilidades condicionadas y analizar la relación entre
variables explicativas y la ocurrencia de un evento discreto, como la pobreza (Durnoi et al.,
2024; Iryna et al., 2023).
El modelo logit se especifica formalmente de la siguiente manera:
𝑃
(
𝑌𝑖
= 1 ∣
𝑋𝑖
) = 1 +
𝑒
−(
𝛽
0+
𝛽
1Educ
𝑖
+
𝛽
2
𝑋𝑖
)
donde:
1
𝑃
(
𝑌𝑖
= 1 ∣
𝑋𝑖
) = 1 +
𝑒
−(
𝛽
0+
𝛽
1Educ
𝑖
+
𝛽
2
𝑋𝑖
)
𝑌𝑖
representa la condición de pobreza o pobreza extrema del individuo
Educ
𝑖
corresponde al nivel educativo alcanzado del individuo
𝑋𝑖
simboliza al vector de variables de control
𝛽
0 importta el intercepto, y,
𝛽
1,
𝛽
2 son los parámetros a estimar
El uso del modelo logit permite obtener efectos secundarios, los cuales facilitan la
interpretación económica de los resultados, al expresar cómo un cambio en el nivel educativos
modifica la probabilidad de que un individuo sea pobre o extremadamente pobre, manteniendo
constantes la demás variable.
Variables para utilizar en el modelo
Con la finalidad de analizar la incidencia del nivel educativo sobre la probabilidad de
pobreza y pobreza extrema en Ecuador, se estimarán dos modelos Logit. Este método es
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2605
adecuado debido a que las variables dependientes son de naturaleza binaria, mas aún permitirá
comparar si la incidencia del nivel educativo difiere entre la pobreza y la pobreza extrema.
Variables dependientes
Pobreza por ingresos, pobreza extrema por ingresos: Pobreza por ingresos y pobreza
extrema por ingresos se determinan empleando la clasificación estatal del INEC, de este modo
se identifica como pobres a los individuos cuyo ingreso per capital familiar es menor a la línea
de pobreza vigente en cada periodo de análisis, de igual manera se considera en pobreza
extrema a quienes presentan ingresos inferiores a la línea oficial de pobreza extrema. Estas
líneas son actualizadas periódicamente mediante el Índice de Precios al Consumidor (IPC).
Tabla 1
Línea de pobreza y pobreza extrema
Año
Línea de pobreza (USD per cápita
mensual)
Línea de pobreza extrema (USD per cápita
mensual)
2018
84,79
47,78
2019
85,03
47,90
2020
84,05
47,37
2021
85,60
48,24
2022
88,72
50,00
2023
90,08
50,76
2024
91,43
51,53
Nota: (Autores, 2026).
Variable independiente
Nivel de instrucción: como variable categórica, diferenciando entre: Ninguno, centro
de alfabetización, educación primaria, educación básica, educación secundaria, educación
media, superior no universitaria, superior universitaria y post-grado.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2606
Figura 1
Distribución del nivel de instrucción
Nota: (Autores, 2026).
Figura 1: muestra la distribución porcentual del nivel de instrucción de la población, se
observa que gran mayoría de individuos se encuentra en los niveles de educación primaria
(20.7%), educación secundaria (20.9%) y educación básica (20.2%), lo que evidencia que una
parte importante de la población posee niveles educativos intermedios.
Variables de control
Las variables de control de basan en las características socioeconómicos de los
individuos que residen en Ecuador.
Sexo (
𝑿𝟐
): Variable cualitativa categórica: 1 = Hombre1; 2 = Mujer
Edad (
𝑿𝟑
): Variable Cuantitativa, corresponde al número de años cumplidos de cada
individuo al momento de la encuesta.
Estado Civil (
𝑿𝟒
): Variable categórica, identifica la situación conyugal de los
individuos al momento de la encuesta, en la ENEMDU, esta variable comprende las siguientes
categorías: 1
= Casado; 2 = Separado (a); 3 = Divorsiado (a); 4 = Viudo (a); 5 = Unión Libre; 6 =
Soltero (a).
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2607
Área (
𝑿𝟓
): Variable cualitativa categórica, se refiere a el área de residencia de la
población según su ubicación geográfica: 1 = Urbano; 2 = Rural)
Etnia (
𝑿𝟔
): Variable cualitativa, corresponde a la autoidentificación étnica de los
individuos, se basa en la siguiente clasificación utilizada por la Encuesta Nacional de Empleo,
Desempleo y Subempleo (ENEMDU): 1 = Indígena; 2 = Afroecuatoriano; 3 = Negro; 4 =
Mulato; 5 = Montubio; 6 = Mestizo; 7 = Blanco y 8 = Otros, cuál.
Condición laboral (
𝑿𝟕
): Variable cualitativa, situación de los individuos frente al
mercado laboral.
Figura 2
Distribución de la condición de actividad
Nota: (Autores, 2026).
Estas variables permiten aislar el efecto especifico de la instrucción sobre la pobreza y
la pobreza extrema, controlando por características demográficas, laborales y territoriales que
influyen en el bienestar económico (Brea-Martinez et al., 2023; Kruithof & Verhaeghe, 2024;
Van Maarseveen, 2024)
Resultados
A continuación se presentan los principales resultados de la investigación, utilizando el
lenguaje econométrico STATA, las categorías de referencia son las siguientes: Nivel de
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2608
instrucción: sin instrucción, sexo: hombre, área: urbana, etnia: indígena, condición laboral:
categoría base utilizada en la ENEMDU, estado civil: casado(a).
Tabla 2: presenta los resultados de la estimación del modelo Logit para analizar la
incidencia del nivel de instrucción sobre la probabilidad de pobreza por ingresos en Ecuador
durante el período 2018-2024. El modelo resulta globalmente significativo (p < 0.01), lo que
indica que las variables incluidas contribuyen de manera significativa a explicar la condición
de pobreza de los individuos.
Los resultados muestran una relación inversa entre el nivel educativo y la probabilidad
de pobreza. En comparación con las personas pertenecientes a la categoría de referencia, los
individuos con mayores niveles de instrucción presentan menores probabilidades de
encontrarse en situación de pobreza. En particular, quienes alcanzan educación básica registran
odds de pobreza 47.4% menores (OR = 0.526), mientras que aquellos con educación secundaria
presentan una reducción de 55.8% (OR = 0.442). Esta tendencia se intensifica en los niveles
superiores de educación: las personas con educación superior no universitaria muestran una
reducción de 80.4% (OR = 0.196), las que poseen educación universitaria una reducción de
83.5% (OR = 0.165) y quienes cuentan con estudios de posgrado una reducción de 93.9% (OR
= 0.061).
Tabla 2
Resultados del modelo Logit para la probabilidad de pobreza por ingresos en Ecuador, 2018-
2024
Variable / Categoría
Odds Ratio
p-valor
Nivel de instrucción
Centro de alfabetización
0.753***
0.000
Primaria
0.772***
0.000
Educación Básica
0.526***
0.000
Secundaria
0.442***
0.000
Educación Media
0.343***
0.000
Superior no universitario
0.196***
0.000
Superior universitario
0.165***
0.000
Posgrado
0.061***
0.000
Edad
0.990***
0.000
Edad²
0.999***
0.000
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2609
Variable / Categoría
Odds Ratio
p-valor
Mujer
0.885***
0.000
Rural
2.235***
0.000
Etnia
Afroecuatoriano
1.022*
0.094
Mulato
0.844***
0.000
Montubio
0.486***
0.000
Mestizo
0.420***
0.000
Blanco
0.397***
0.000
Condición laboral
Empleo adecuado
0.047***
0.000
Subempleo por insuficiencia de tiempo
1.479***
0.000
Subempleo por insuficiencia de ingresos
1.145***
0.000
Otro empleo no pleno
0.919***
0.000
Empleo no remunerado
1.409***
0.000
Empleo no clasificado
4.865***
0.000
Desempleo abierto
2.220***
0.000
Desempleo oculto
1.963***
0.000
PEA inactiva
1.177***
0.000
Estado civil
Separado(a)
1.183***
0.000
Divorciado(a)
0.753***
0.000
Viudo(a)
0.910***
0.000
Unión libre
1.292***
0.000
Soltero(a)
0.896***
0.000
Nota: (Autores, 2026).
Estadísticos del modelo
Observaciones: 1.599.036; LR Chi²(31): 279.391,43; Prob > Chi²: 0,000; Pseudo R²:
0,1909; Log Likelihood: -592.041,17
La Tabla 3 presenta los resultados de la estimación del modelo Logit para analizar el
efecto del nivel educativo sobre la probabilidad de pobreza por ingresos en Ecuador durante el
período 2018-2024. El modelo resulta globalmente significativo (p < 0.01), lo que indica que
las variables incluidas contribuyen siendo más específicos a explicar la condición de pobreza
de los individuos.
Los resultados muestran una relación inversa entre el nivel educativo y la probabilidad
de pobreza. En comparación con las personas pertenecientes a la categoría de referencia, los
individuos con mayores niveles de instrucción presentan menores probabilidades de
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2610
encontrarse en situación de pobreza. En particular, quienes alcanzan educación básica registran
odds de pobreza 47.4% menores (OR = 0.526), mientras que aquellos con educación secundaria
presentan una reducción de 55.8% (OR = 0.442). Esta tendencia se intensifica en los niveles
superiores de educación: las personas con educación superior no universitaria muestran una
reducción de 80.4% (OR = 0.196), las que poseen educación universitaria una reducción de
83.5% (OR = 0.165) y quienes cuentan con estudios de posgrado una reducción de 93.9% (OR
= 0.061).
Tabla 3
Resultados del modelo Logit para la probabilidad de pobreza extrema por ingresos en
Ecuador, 2018-2024
Variable / Categoría
Odds Ratio
Error Estándar
p-valor
Nivel de instrucción
Centro de alfabetización
0.780***
0.047
0.000
Primaria
0.854***
0.014
0.000
Educación Básica
0.648***
0.016
0.000
Secundaria
0.541***
0.010
0.000
Educación Media
0.425***
0.010
0.000
Superior no universitario
0.260***
0.011
0.000
Superior universitario
0.207***
0.005
0.000
Posgrado
0.095***
0.011
0.000
Edad
0.999
0.002
0.463
Edad²
0.999***
0.000
0.000
Mujer
0.875***
0.007
0.000
Rural
2.542***
0.020
0.000
Etnia
Afroecuatoriano
0.964**
0.016
0.029
Mulato
0.780***
0.021
0.000
Montubio
0.306***
0.007
0.000
Mestizo
0.324***
0.003
0.000
Blanco
0.374***
0.014
0.000
Condición laboral
Empleo adecuado
0.002***
0.000
0.000
Subempleo por insuficiencia de tiempo
1.247***
0.024
0.000
Subempleo por insuficiencia de ingresos
0.837***
0.026
0.000
Otro empleo no pleno
0.768***
0.015
0.000
Empleo no remunerado
1.425***
0.026
0.000
Empleo no clasificado
8.949***
0.620
0.000
Desempleo abierto
2.446***
0.058
0.000
Desempleo oculto
2.109***
0.100
0.000
Población Económicamente Inactiva
1.056***
0.017
0.001
Estado civil
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2611
Variable / Categoría
Odds Ratio
Error Estándar
p-valor
Separado(a)
0.995
0.018
0.769
Divorciado(a)
0.770***
0.025
0.000
Viudo(a)
0.932***
0.019
0.001
Unión libre
1.176***
0.014
0.000
Soltero(a)
0.937***
0.012
0.000
Nota: (Autores, 2026).
Estadísticos del modelo
Observaciones: 1.599.036; LR Chi²(31): 130.902,69; Prob > Chi²: 0,000; Pseudo R²:
0,1817; Log Likelihood: -294.703,78
Discusión
Los resultados empíricos obtenidos confirman de manera robusta la existencia de una
relación negativa y estadísticamente significativa entre el nivel educativo y la probabilidad de
pobreza y pobreza extrema en Ecuador, lo que respalda la hipótesis central del estudio. Este
hallazgo es consistente con la teoría del capital humano, según la cual la educación incrementa
la productividad individual, mejora la inserción laboral y eleva los ingresos, reduciendo así la
vulnerabilidad económica (Becker, 1975; Mincer, 1958).
Los modelos Logit estimados muestran un gradiente educativo claro y monotónico: a
medida que aumenta el nivel de instrucción, la probabilidad de pobreza disminuye de forma
sustancial. Este patrón coincide con la evidencia empírica para Ecuador documentada por
Bautista et al. (2023), quienes encuentran que la rentabilidad de la educación se traduce en
menores riesgos de pobreza, incluso después de controlar por características demográficas y
laborales.
La magnitud la incidencia educativo es mayor en el caso de la pobreza extrema, lo que
sugiere que la educación cumple un rol especialmente relevante en la prevención de las formas
más severas de privación económica. Este resultado es coherente con estudios realizados en
países de ingreso medio y en contextos rurales, donde la educación secundaria y superior actúan
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2612
como un mecanismo de protección frente a choques económicos y condiciones laborales
precarias (Asadullah et al., 2021; Bracco et al., 2025).
La mayor probabilidad de pobreza asociada a la residencia rural y a determinadas
regiones geográficas confirma la persistencia de desigualdades territoriales, previamente
documentadas para Ecuador y otros países en desarrollo Garvi et al. (2024). Estas brechas
territoriales interactúan con el nivel educativo, amplificando los efectos de la baja escolaridad
sobre la pobreza.
Los resultados evidencian brechas de género y etnia, con una mayor probabilidad de
pobreza entre mujeres y poblaciones indígenas y afrodescendientes. Estos hallazgos son
consistentes con la literatura sobre desigualdad de oportunidades educativas y económicas, que
subraya el carácter acumulativo de las desventajas estructurales asociadas a género, origen
étnico y contexto territorial (Lambon et al., 2025).
El efecto significativo de la situación laboral confirma que el canal principal a través
del cual la educación reduce la pobreza es la inserción en el mercado de trabajo. La menor
probabilidad de pobreza entre los individuos empleados, en contraste con los desempleados e
inactivos, coincide con la evidencia empírica para Ecuador y otros países de América Latina,
donde la educación mejora tanto la probabilidad de empleo como la calidad del mismo
(Martinez et al., 2023). Este resultado refuerza la interpretación de la educación como un
determinante indirecto pero fundamental del bienestar económico.
Conclusión
Se evidencia un gradiente educativo claro: a medida que aumenta el nivel de
instrucción, la probabilidad estimada de pobreza disminuye de forma sistemática. Este efecto
es más pronunciado en el caso de la pobreza extrema, lo que sugiere que la educación cumple
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2613
un rol especialmente relevante en la reducción de las formas más severas de privación
económica.
La educación actúa como un mecanismo central de acumulación de capital humano,
cuya incidencia sobre la pobreza se canaliza principalmente a través de una mejor inserción en
el mercado laboral y mayores ingresos. Incluso después de controlar por edad, sexo, área, etnia,
condición laboral, nivel de instrucción mantiene un efecto significativo, lo que refuerza la
solidez de la relación estimada.
La persistencia de desigualdades estructurales asociadas al territorio, el género y la
pertenencia étnica. La mayor probabilidad de pobreza observada en zonas rurales, en
determinadas regiones del país y entre poblaciones históricamente vulnerables indica que la
educación interactúa con otros factores estructurales que condicionan las oportunidades
económicas de los individuos.
Referencias bibliográficas
Asadullah, M. N., Trannoy, A., Tubeuf, S., & Yalonetzky, G. (2021). Measuring educational
inequality of opportunity: Pupil’s effort matters. World Development, 138, 105262.
https://doi.org/10.1016/j.worlddev.2020.105262
Bautista, M. G. G., Gualán, W. E. S., Hernández, P., & Moreano, E. G. Z. (2023). Formal
education and poverty in Ecuador in 2021: An analysis based on scientific evidence.
Migration Letters, 21(2), 520–534. https://doi.org/10.59670/ml.v21i2.6201
Becker, G. S. (1975). Human capital: A theoretical and empirical analysis, with special
reference to education (2nd ed.). National Bureau of Economic Research.
https://www.nber.org/books/beck75-1
Beuermann, D. W., Bottan, N. L., Hoffmann, B., Jackson, C. K., & Vera-Cossio, D. (2024).
Does education prevent job loss during downturns? Evidence from exogenous school
assignments and COVID-19 in Barbados. European Economic Review, 162, 104675.
https://doi.org/10.1016/j.euroecorev.2024.104675
Bracco, J., Ciaschi, M., Gasparini, L., Marchionni, M., & Neidhöfer, G. (2025). The impact of
COVID-19 on education in Latin America: Long-run implications for poverty and
inequality. Review of Income and Wealth, 71(1), e12687.
https://doi.org/10.1111/roiw.12687
Brea-Martinez, G., Dribe, M., & Stanfors, M. (2023). The price of poverty: The association
between childhood poverty and adult income and education in Sweden, 1947–2015.
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2614
The Economic History Review, 76(4), 1281–1304. https://doi.org/10.1111/ehr.13244
Burgess, S., Dickson, M., & Macmillan, L. (2020). Do selective schooling systems increase
inequality? Oxford Economic Papers, 72(1), 1–24. https://doi.org/10.1093/oep/gpz028
Çakmak Şahin, S., & Kılıç, İ. E. (2021). Poverty dynamics in Turkey: A multinomial logit
model. Ekonomika, 100(2), 133–143. https://doi.org/10.15388/Ekon.2021.100.2.6
Alonso-Carmona, C., & Martín-Criado, E. (2022). Analizar sociológicamente la implicación
escolar parental: El tiempo importa. Revista Española de Investigaciones Sociológicas,
(179), 3–20. https://doi.org/10.5477/cis/reis.179.3
Çitak, F., & Duffy, P. A. (2020). The causal effect of education on poverty: Evidence from
Turkey. Eastern Journal of European Studies, 11(2), 251–265.
Durnoi, A.-N. C., Delcea, C., Vargas, V. M., & Pauna, C. (2024). Regional SDG performance
in Bulgaria and Romania: Poverty, education, and decent work. Amfiteatru Economic,
26(Special Issue 18), 1208. https://doi.org/10.24818/EA/2024/S18/1208
Guijarro-Garvi, M., Miranda-Escolar, B., Cedeño-Menéndez, Y. T., & Moyano-Pesquera, P.
B. (2024). Does geographical location impact educational disparities among
Ecuadorians? A novel two-stage inequality decomposition method. Humanities and
Social Sciences Communications, 11(1), 1539. https://doi.org/10.1057/s41599-024-
04068-0
Iryna, K., Irina, Z., Yuanyuan, X., & Nataliya, S. (2023). China’s economic stability through
management of rural education development: Condition and possibilities. Review of
Economics and Finance, 21, 366–375. https://doi.org/10.55365/1923.x2023.21.37
Karapanagiotis, P., & Reimers, P. (2024). Why does the schooling gap close while the wage
gap persists across country income comparisons? Journal of Economic Dynamics and
Control, 159, 104805. https://doi.org/10.1016/j.jedc.2023.104805
Kruithof, E. H., & Verhaeghe, P.-P. (2024). The U-turn in educational inequality: Why a
multidimensional approach matters for measuring social inequalities in tertiary
educational attainment. Research in Social Stratification and Mobility, 94, 100994.
https://doi.org/10.1016/j.rssm.2024.100994
Lambon-Quayefio, M., Asiedu, E., & Atitsogbui, E. (2025). Educational inequality and labour
market outcomes in Ghana: A district-level analysis. Economic Analysis and Policy,
88, 1063–1081. https://doi.org/10.1016/j.eap.2025.09.025
Leoni, S. (2025). A historical review of the role of education: From human capital to human
capabilities. Review of Political Economy, 37(1), 227–244.
https://doi.org/10.1080/09538259.2023.2245233
Mella San Martín, C., & Moya Díaz, E. (2024). Expansión de la educación superior en Chile:
¿La política de créditos estudiantiles ha logrado reducir la desigualdad de acceso?
Perfiles Educativos, 46(184). https://doi.org/10.22201/iisue.24486167e.2024.184.61245
Mincer, J. (1958). Investment in human capital and personal income distribution.
Journal of Political Economy, 66(4), 281–302. https://www.jstor.org/stable/1827422
Munir, K., & Kanwal, A. (2020). Impact of educational and gender inequality on income and
income inequality in South Asian countries. International Journal of Social Economics,
47(8), 1043–1062. https://doi.org/10.1108/IJSE-04-2020-0226
Código Científico Revista de Investigación Vol. 7 – Núm. 1 / Enero – Junio – 2026
2615
Nguyen, H. T., Zajac, T., Tomaszewski, W., & Mitrou, F. (2025). Educational pathways and
earnings trajectories of second-generation immigrants in Australia: New insights from
linked census-administrative data. The University of Queensland.
https://doi.org/10.14264/aa17e90
Valdés, M. T. (2020). Principales procedimientos metodológicos para el análisis de la
composición de la desigualdad educativa. Empiria. Revista de metodología de ciencias
sociales, (48), 115. https://doi.org/10.5944/empiria.48.2020.28073
Van Maarseveen, R. (2024). Urbanization and educational attainment: Evidence from Africa.
SSRN. https://doi.org/10.2139/ssrn.5061764
Vasilescu, M. D., & Stănilă, L. (2025). Inequality of opportunity in income and education:
Evidence from Central and Eastern Europe. Economies, 13(10), 275.
https://doi.org/10.3390/economies13100275