Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático

Autores
Álvarez, Fernando
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El empleo formal mejora la calidad de vida al garantizar derechos y beneficios legales. En Argentina, donde gran parte de la población trabaja informalmente, los datos oficiales sobre el mercado laboral presentan retrasos significativos, obstaculizando la implementación oportuna de políticas públicas. Este estudio aplica algoritmos de Aprendizaje Automático a datos de la Encuesta Permanente de Hogares para predecir la condición de formalidad laboral. Siguiendo la metodología CRISP-DM, se implementó imputación múltiple para datos faltantes y se compararon diversos modelos predictivos. XGBoost destacó por su precisión y equilibrio entre sensibilidad y especificidad. Los resultados demuestran la utilidad de modelos predictivos avanzados para anticipar cambios en el empleo formal, facilitando la toma de decisiones más ágiles y efectivas en materia de políticas laborales.
Formal employment is associated with improved quality of life, as it ensures access to legal protections and benefits. In Argentina, a large proportion of the workforce is in the informal sector, and official labor market data experience significant delays in publication, hindering timely policy implementation. This work applies Machine Learning algorithms to Permanent Household Survey (EPH) data to predict formal employment status. Following CRISP-DM methodology, we implemented multiple imputation for missing data and compared various predictive models. XGBoost demonstrated superior performance with balanced sensitivity and specificity metrics. The results highlight the value of advanced predictive models for anticipating changes in formal employment, enabling more agile and effective labor policy decisions.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Empleo
Predicción
Rotación laboral
Algoritmos de aprendizaje automático
Empleo formal
Employment
Tabor turnover
Prediction
Machine learning
Formal employment
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/190369
Acceder
id SEDICI_be7923559f6946c9d2b434ebbc1ded90
oai_identifier_str oai:sedici.unlp.edu.ar:10915/190369
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automáticoPredicting Formal Employment in Argentina Using Machine Learning AlgorithmsÁlvarez, FernandoCiencias InformáticasEmpleoPredicciónRotación laboralAlgoritmos de aprendizaje automáticoEmpleo formalEmploymentTabor turnoverPredictionMachine learningFormal employmentEl empleo formal mejora la calidad de vida al garantizar derechos y beneficios legales. En Argentina, donde gran parte de la población trabaja informalmente, los datos oficiales sobre el mercado laboral presentan retrasos significativos, obstaculizando la implementación oportuna de políticas públicas. Este estudio aplica algoritmos de Aprendizaje Automático a datos de la Encuesta Permanente de Hogares para predecir la condición de formalidad laboral. Siguiendo la metodología CRISP-DM, se implementó imputación múltiple para datos faltantes y se compararon diversos modelos predictivos. XGBoost destacó por su precisión y equilibrio entre sensibilidad y especificidad. Los resultados demuestran la utilidad de modelos predictivos avanzados para anticipar cambios en el empleo formal, facilitando la toma de decisiones más ágiles y efectivas en materia de políticas laborales.Formal employment is associated with improved quality of life, as it ensures access to legal protections and benefits. In Argentina, a large proportion of the workforce is in the informal sector, and official labor market data experience significant delays in publication, hindering timely policy implementation. This work applies Machine Learning algorithms to Permanent Household Survey (EPH) data to predict formal employment status. Following CRISP-DM methodology, we implemented multiple imputation for missing data and compared various predictive models. XGBoost demonstrated superior performance with balanced sensitivity and specificity metrics. The results highlight the value of advanced predictive models for anticipating changes in formal employment, enabling more agile and effective labor policy decisions.Sociedad Argentina de Informática e Investigación Operativa2025-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf168-179http://sedici.unlp.edu.ar/handle/10915/190369spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19897info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-04-28T14:01:53Zoai:sedici.unlp.edu.ar:10915/190369Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-04-28 14:01:54.11SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
Predicting Formal Employment in Argentina Using Machine Learning Algorithms
title Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
spellingShingle Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
Álvarez, Fernando
Ciencias Informáticas
Empleo
Predicción
Rotación laboral
Algoritmos de aprendizaje automático
Empleo formal
Employment
Tabor turnover
Prediction
Machine learning
Formal employment
title_short Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
title_full Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
title_fullStr Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
title_full_unstemmed Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
title_sort Predicción del empleo formal en la Argentina aplicando algoritmos de aprendizaje automático
dc.creator.none.fl_str_mv Álvarez, Fernando
author Álvarez, Fernando
author_facet Álvarez, Fernando
author_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Empleo
Predicción
Rotación laboral
Algoritmos de aprendizaje automático
Empleo formal
Employment
Tabor turnover
Prediction
Machine learning
Formal employment
topic Ciencias Informáticas
Empleo
Predicción
Rotación laboral
Algoritmos de aprendizaje automático
Empleo formal
Employment
Tabor turnover
Prediction
Machine learning
Formal employment
dc.description.none.fl_txt_mv El empleo formal mejora la calidad de vida al garantizar derechos y beneficios legales. En Argentina, donde gran parte de la población trabaja informalmente, los datos oficiales sobre el mercado laboral presentan retrasos significativos, obstaculizando la implementación oportuna de políticas públicas. Este estudio aplica algoritmos de Aprendizaje Automático a datos de la Encuesta Permanente de Hogares para predecir la condición de formalidad laboral. Siguiendo la metodología CRISP-DM, se implementó imputación múltiple para datos faltantes y se compararon diversos modelos predictivos. XGBoost destacó por su precisión y equilibrio entre sensibilidad y especificidad. Los resultados demuestran la utilidad de modelos predictivos avanzados para anticipar cambios en el empleo formal, facilitando la toma de decisiones más ágiles y efectivas en materia de políticas laborales.
Formal employment is associated with improved quality of life, as it ensures access to legal protections and benefits. In Argentina, a large proportion of the workforce is in the informal sector, and official labor market data experience significant delays in publication, hindering timely policy implementation. This work applies Machine Learning algorithms to Permanent Household Survey (EPH) data to predict formal employment status. Following CRISP-DM methodology, we implemented multiple imputation for missing data and compared various predictive models. XGBoost demonstrated superior performance with balanced sensitivity and specificity metrics. The results highlight the value of advanced predictive models for anticipating changes in formal employment, enabling more agile and effective labor policy decisions.
Sociedad Argentina de Informática e Investigación Operativa
description El empleo formal mejora la calidad de vida al garantizar derechos y beneficios legales. En Argentina, donde gran parte de la población trabaja informalmente, los datos oficiales sobre el mercado laboral presentan retrasos significativos, obstaculizando la implementación oportuna de políticas públicas. Este estudio aplica algoritmos de Aprendizaje Automático a datos de la Encuesta Permanente de Hogares para predecir la condición de formalidad laboral. Siguiendo la metodología CRISP-DM, se implementó imputación múltiple para datos faltantes y se compararon diversos modelos predictivos. XGBoost destacó por su precisión y equilibrio entre sensibilidad y especificidad. Los resultados demuestran la utilidad de modelos predictivos avanzados para anticipar cambios en el empleo formal, facilitando la toma de decisiones más ágiles y efectivas en materia de políticas laborales.
publishDate 2025
dc.date.none.fl_str_mv 2025-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/190369
url http://sedici.unlp.edu.ar/handle/10915/190369
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/19897
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
168-179
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1863817576672395264
score 13.039084

Publicaciones similares