Publication: Análisis de la metodología, los resultados y posibles aplicaciones del Índice Europeo de Igualdad de Género (IEIG) 2020
Loading...
Official URL
Full text at PDC
Publication Date
2021-07-14
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
El Instituto Europeo de Igualdad de Género (EIGE) desarrolla anualmente un índice que tiene el objetivo de medición del progreso en materia de Igualdad de Género en la Unión Europea. La metodología de elaboración de este índice se compone por una media geométrica ponderada de 6 dimensiones (Trabajo, Dinero, Conocimiento, Tiempo, Poder y Salud) compuestas por varios indicadores y puntuadas del 1 al 100, siendo 100 la máxima igualdad de género. Este trabajo analiza esta metodología y sus puntuaciones para 28 países europeos en el año 2020 a través de técnicas de análisis multivariante (Árboles de decisión, Análisis Factorial y Análisis Clúster) con los objetivos de obtener segmentos de países, verificar la unicidad del índice y agrupar a las observaciones en clústeres. Tras este análisis del Índice Europeo de Igualdad de Género (IEIG), se observan aplicaciones de este efectuadas en otras regiones y se estudian las fuentes de datos disponibles en España para elaborar un Índice de Igualdad de Género por Comunidades Autónomas cuyas puntuaciones también se analizan a través de las técnicas de Árboles de decisión y Análisis Clúster. Los resultados del análisis del IEIG muestran cuatro segmentos de países según su nivel de igualdad (bajo, medio-bajo, medio-alto y alto) así como la importancia clasificatoria de la variable Conocimiento seguida por Poder, Trabajo y Tiempo, una unicidad no estricta del índice ya que se determina una posible estructura bifactorial y tres conglomerados de países formados en base a las reglas de decisión, aunque también se ven afectados por su posición geográfica. En el caso de las Comunidades Autónomas, Conocimiento se muestra también como la variable con mayor poder de clasificación y en torno a la cual se forman los clústeres, que también se ven afectados por la influencia de Tiempo.
The European Institute for Gender Equality (EIGE) annually develops an index which has the objective of measuring progress on Gender Equality in the European Union. The methodology for preparing this index is made up of a 6-dimensional geometric mean (Work, Money, Knowledge, Time, Power and Health) made up of several indicators and scored from 1 to 100, with 100 being the maximum gender equality. This project analyzes this methodology and its scores for 28 European countries in 2020 through multivariate analysis techniques (Decision Trees, Factor Analysis and Cluster Analysis) with the objectives of obtaining country segments, verifying the uniqueness of the index and clustering the observations. After this analysis of the European Gender Equality Index (EGEI), applications of it carried out in other regions are observed and the data sources available in Spain are studied to develop an Index of Gender Equality by Autonomous Communities. The scores obtained in the equality index by Autonomous Communities are also analyzed using Decision Trees and Cluster Analysis techniques. The results of the EGEI analysis show four country segments according to their level of equality (low, medium-low, medium-high and high) as well as the classificatory importance of the variable Knowledge followed by Power, Work and Time, a non-strict uniqueness of the index since a possible bifactorial structure and three clusters of countries formed based on the decision rules are determined, although they are also affected by their geographical position. In the case of the Autonomous Communities, Knowledge is also shown as the variable with the highest classification power and around which clusters are formed, which are also affected by the influence of Time.
The European Institute for Gender Equality (EIGE) annually develops an index which has the objective of measuring progress on Gender Equality in the European Union. The methodology for preparing this index is made up of a 6-dimensional geometric mean (Work, Money, Knowledge, Time, Power and Health) made up of several indicators and scored from 1 to 100, with 100 being the maximum gender equality. This project analyzes this methodology and its scores for 28 European countries in 2020 through multivariate analysis techniques (Decision Trees, Factor Analysis and Cluster Analysis) with the objectives of obtaining country segments, verifying the uniqueness of the index and clustering the observations. After this analysis of the European Gender Equality Index (EGEI), applications of it carried out in other regions are observed and the data sources available in Spain are studied to develop an Index of Gender Equality by Autonomous Communities. The scores obtained in the equality index by Autonomous Communities are also analyzed using Decision Trees and Cluster Analysis techniques. The results of the EGEI analysis show four country segments according to their level of equality (low, medium-low, medium-high and high) as well as the classificatory importance of the variable Knowledge followed by Power, Work and Time, a non-strict uniqueness of the index since a possible bifactorial structure and three clusters of countries formed based on the decision rules are determined, although they are also affected by their geographical position. In the case of the Autonomous Communities, Knowledge is also shown as the variable with the highest classification power and around which clusters are formed, which are also affected by the influence of Time.
Description
Unesco subjects
Keywords
Citation
Aldás, J., Uriel, E. (2017). Análisis multivariante aplicado con R. Ediciones Paraninfo S.A. Madrid. ISBN: 978-84-283-2969-9
Amici, M., Stefani, M.L., (2013). A gender equality index for the Italian regions. Questioni di Economia e Finanza (Occasional Papers). Banca D’Italia. Eurosistema. Number 190. ISSN 1972-6643 (online)
Breiman, L., Friedman, J H., Olshen, R A., Stone, C J., (1984). Classification and regression trees, Belmont: Wadsworth ISBN: 978-0-412-04841-8
Britos P., Hossian A. (2005). Minería de Datos. Nueva Librería. Argentina. ISBN: 9871104308
Browne, M W y Cudeck, R (1993). Alternative ways of assessing model fit, testing structural equation models (pp 136-162) Newbury Park, CA: Sage
Cea, M A (2004). Análisis multivariable Teoría y práctica en la investigación social (Multivariate analysis Theory and practice in social research). Madrid, España: Síntesis
Child, D. (2006). The essentials of factor analysis. New York, NY: Continuum International Publishing Group
ECV. (2019). Encuesta de condiciones de vida. Resultados. INE. Recuperado de https://www.ine.es/dynt3/inebase/es/index.htm?padre=1928&capsel=1929
EIGE. (2014). Índice de Igualdad de Género. Conclusiones principales. Luxemburgo: Oficina de Publicaciones de la Unión Europea. ISBN 978-92-9218-307-3 DOI:10.2839/96418
EIGE. (2017). Gender Equality Index. 2017. Measuring gender equality in the European Union 2005-2015. ISBN 978-92-9470-297-5 DOI:10.2839
EIGE. (2020). Gender Equality Index. About Index. Recuperado de https://eige.europa.eu/gender-equality-index/about
EMAKUNDE. (2020). Igualdad de mujeres y hombres: un objetivo de país. Índice de Igualdad de Género. Instituto Vasco de la Mujer. Organismo Autónomo del Gobierno Vasco
Encuesta anual de estructura salarial. (2018). Medias y percentiles por sexo y CCAA. INE. Recuperado de https://www.ine.es/jaxiT3/Tabla.htm?t=28191&L=0
ENSE. (2017). Encuesta nacional de salud. Resultados. INE. Recuperado de https://www.ine.es/dyngs/INEbase/es/operacion.htm?c=Estadistica_C&cid=1254736176783&menu=resultados&idp=1254735573175
EPA. (2020). Encuesta de Población Activa. Resultados. INE. Recuperado de https://www.ine.es/dyngs/INEbase/es/operacion.htm?c=Estadistica_C&cid=1254736176918&menu=resultados&idp=1254735976595
Gareth, J., Witten, D., Hastie, T., & Tibshirani, J. (2013). An introduction to statistical learning: with applications in R. New York. Springer
Gorsuch, R.L. (1983). Factor analysis. Hillside, NJ: Lawrence Erlbaum Associates
Hastie, T., Tibshirani, R., & Friedman, J. (2008). The Elements of Statistical Learning. Data Mining, Inference and Prediction. Standford, California. Springer.
Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor Retention Decisions in Exploratory Factor Analysis: a Tutorial on Parallel Analysis. Organizational Research Methods, 7(2), 191–205. DOI: 10.1177/1094428104263675
Hu, L y Bentler, P M (1995). Evaluating model fit, Structural equation modeling: Concepts, issues, and applications (pp 76-99) Thousand Oaks, CA: Sage
IMIO. (2019). Mujeres en cifras. Poder y Toma de Decisiones. Recuperado de https://www.inmujer.gob.es/MujerCifras/PoderDecisiones/PoderTomaDecisiones.htm
INE. (2021). Encuesta sobre Equipamiento y Uso de Tecnologías de Información y Comunicación en los hogares 2020. Recuperado de https://www.ine.es/jaxi/Tabla.htm?path=/t25/p450/base_2011/a2020/l0/&file=09002.px&L=0
Kassambra, A. (2017). Practical Guide To Cluster Analysis in R. Unsupervised Machine Learning. Sthda Edition 1.
Kline, R. B. (1998). Principles and Practice of Structural Equation Modeling. New York: The Guilford Press
Kuhn, M., Johnson, K. (2013). Applied predictive modeling. New York. Springer. ISBN: 978-1-4614-6848-6. DOI 10.1007/978-1-4614-6849-3
Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). Exploratory Item Factor Analysis: A practical guide revised and updated. Anales De Psicología / Annals of Psychology, 30(3), 1151-1169. DOI: 10.6018/analesps.30.3.199361
McQueen, J. (1967). Some methods for classification and analysis of multivariate observations. University of California, Los Angeles. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. Catalog card number: 49-8189. Página 281.
Ministerio de Igualdad. (2015). Macroencuesta de Violencia contra la Mujer 2015. Delegación del Gobierno contra la Violencia de Género. Recuperado de https://violenciagenero.igualdad.gob.es/violenciaEnCifras/estudios/colecciones/pdf/Libro_22_Macroencuesta2015.pdf
Ministerio de Igualdad. (2019). Macroencuesta de Violencia contra la Mujer 2019. Delegación del Gobierno contra la Violencia de Género. Recuperado de https://violenciagenero.igualdad.gob.es/violenciaEnCifras/macroencuesta2015/pdf/Macroencuesta_2019_estudio_investigacion.pdf
Ministerio de Igualdad. (2021). Mujeres víctimas mortales por violencia de género en España por parte de sus parejas o exparejas. Datos provisionales. Delegación del Gobierno contra la Violencia de Género. Recuperado de https://violenciagenero.igualdad.gob.es/violenciaEnCifras/victimasMortales/fichaMujeres/pdf/VMortales_10_03_2021.pdf
Ministerio del Interior. (2019). Victimizaciones de infracciones penales por periodo, comunidad autónoma, tipología penal, grupo de edad y sexo. Recuperado de https://estadisticasdecriminalidad.ses.mir.es/publico/portalestadistico/portal/datos.html?type=pcaxis&path=/Datos4/&file=pcaxis
ONU. (2015). Transformar nuestro mundo: la Agenda 2030 para el Desarrollo Sostenible. Resolución aprobada por la Asamblea General el 25 de septiembre de 2015. A/RES/70/1, 21 de octubre
Pérez, C., (2010). El sistema estadístico SAS. Garceta Grupo Editorial. Madrid. Capítulo 2. ISBN: 9788492812387
Platenga, J., Remery, C., Figueiredo, H., Smith, M. (2009). Towards a European Union Gender Equality Index. Journal of European Social Policy 2009. DOI: 10.1177/0958928708098521
Revelle, W. (2020). psych: Procedures for Psychological, Psychometric, and Personality Research. Northwestern University, Evanston, Illinois. R package version 2.0.7, https://cran.r-project.org/package=psych
Rhys, I. (2020). Machine Learning with R, the tidyverse and mlr. Manning Publications. Sheltern Island, New York. ISBN: 9781617296574.
Rosseel, Y. (2012). Lavaan: An R Package for Structural Equation Modeling. Journal of Statistical Software, 48(2),1-36, DOI: 10.18637/jss.v048.i02
Shi, C., Wei, B., Wei, S. et al. (2021). A quantitative discriminant method of elbow point for the optimal number of clusters in clustering algorithm. J Wireless Com Network 2021, 31 (2021). Recuperado de https://doi.org/10.1186/s13638-021-01910-w
SIIU. (2021). Estudiantes matriculados en grado, ciclo y Máster. Ministerio de Educación y Formación Profesional y Ministerio de Universidades. Recuperado de https://www.universidades.gob.es/portal/site/universidades/menuitem.78fe777017742d34e0acc310026041a0/?vgnextoid=3b80122d36680710VgnVCM1000001d04140aRCRD
Tukey, JW. (1977). Exploratory Data Analysis. Reading, MA: Addison-Wesley
Yuan, K.H. (2005), "Fit Indices Versus Test Statistics," Multivariate Behavioral Research, 40 (1), 115-48