Análisis de la duración de las bajas laborales en España en 2017

FACULTAD DE CIENCIAS SOCIALES, JURÍDICAS Y DE LA COMUNICACIÓN Grado en Administración y Dirección de Empresas TRABAJO DE FIN DE GRADO Análisis de la duración de las bajas laborales en España en 2017 Presentado por Óscar Bernardos Yagüe Tutelado por Alfonso Moral de Blas Segovia, 10 de Junio de 2019 [2] Índice Resumen – Abstract ...........................................................................................................3 Introducción y justificación del trabajo .............................................................................4 Precedentes y revisión de literatura anterior .....................................................................5 Capítulo 1 ..........................................................................................................................7 1. Metodología y adecuación de los datos .....................................................................7 1.1. Tratamiento de los datos .........................................................................................8 1.1.1. Adecuación de la base de datos ................................................................................ 8 1.1.2. Adecuación de las variables ...................................................................................... 9 1.2. Metodología ..........................................................................................................11 1.2.1. Estadística descriptiva y recorrido interdecílico de los tipos de lesión. .................. 11 1.2.2. Doble regresión de Mínimos Cuadrados Ordinarios. .............................................. 11 1.2.3. Análisis de Robustez ................................................................................................ 15 Capítulo 2 ........................................................................................................................17 2. Resultados y conclusiones........................................................................................17 2.1. Estudio descriptivo ...............................................................................................18 2.2. Presentación de los Resultados .............................................................................23 2.2.1. Doble Regresión. Primera parte .............................................................................. 23 2.2.2. Doble Regresión. Segunda parte ............................................................................. 26 2.3. Análisis complementario y resultados de interés .................................................30 2.4. Conclusiones.........................................................................................................32 3. Bibliografía consultada ............................................................................................37 4. Anexos..................................................................... ¡Error! Marcador no definido. 4.1. Anexos capítulo 1 ........................................................... ¡Error! Marcador no definido. 4.2. Anexos capítulo 2 ........................................................... ¡Error! Marcador no definido. Introducción y revisión bibliográfica [3] Resumen – Abstract El presente trabajo busca analizar de una manera detallada y desde diferentes puntos de vista y alternativas, las duraciones de las bajas por accidente de trabajo en España para el año 2017 a partir de la Estadística de Accidentes de Trabajo que elabora el Ministerio de Trabajo y Seguridad Social. El trabajo se inicia con un análisis descriptivo de aquellos grupos de lesión considerados más importantes. Posteriormente se hace una regresión primero con las variables de un contenido más fisiológico y se añaden en una segunda regresión aquellas con una influencia más accesoria y que están relacionadas con el concepto de “riesgo moral”. De manera complementaria, se cualifica la clasificación inicial incrementando el número de lesiones hasta 629 tipos de lesión para ajustar más la estimación y evaluar como pasan a comportarse las variables. Por último y para una mejor comprensión, se hace un análisis de robustez para de forma más detallada analizar posibles interacciones interesantes, reflejando cambios importantes. The present work has the aim of analyse in a detailed way and with different points of view and alternatives, the durations of sick leaves due to work accidents in Spain. It is made for the year 2017 from the Workplace Accidents Statistic of the “Ministerio de Trabajo y Seguridad Social”. It starts with a descriptive analysis of those injury groups considered more important. Subsequently, a first regression is done with the variables of a more physiological content, and after in the second regression are added those with a more accessory influence (and related with the concept of “moral hazard”). In a complementary way, the initial classification is qualified with a higher number of injuries up to 629 groups to do a better adjustment and evaluate the performance of the variables after the change. Finally, and for a better comprehension, an analysis of robustness is done to analyse in a more complete way possible interesting interactions, reflecting important changes. [4] Introducción y justificación del trabajo El presente trabajo analiza en detalle un fenómeno muy importante desde el punto de vista económico como es la duración de las bajas laborales, así como los factores que influyen en ella. Para poder realizar dicho estudio, se ha contado con la base de datos de los accidentes de trabajo en España de 2017. Se conoce como la Estadística de Accidentes de trabajo (ATR) que elabora el Ministerio de Trabajo, Migraciones y Seguridad Social. A partir de ella, se desarrollarán varias técnicas estadísticas y econométricas con las cuales se pueda analizar estos elementos y sacar conclusiones. La base de datos dispone de una cantidad suficiente de registros, y a su vez dispone de un amplio número de variables que capacitan para poder ajustar las regresiones con una gran significatividad. De forma principal, se formula como hipótesis o principal objetivo el analizar los factores más determinantes de la duración de una baja laboral, a partir de elementos a priori que consideraremos como relacionados directos con el accidente. Y otros elementos que, aunque teóricamente no deberían influir en la baja, estudiaremos en búsqueda de explicar las diferencias entre duraciones para dos individuos estadísticamente idénticos en los factores inherentes a la baja. Todo ello poniendo atención a las diferentes amplitudes de la duración que se puedan observar a partir de los tipos de lesión. El incentivo de este trabajo es descubrir cuanto puede llegar a variar una baja por un tipo de lesión en concreto de un individuo a otro y los valores entre los que se pueden mover cada tipo de lesión. Es decir, para dos individuos con el mismo tipo de lesión y características propias de la lesión (grado, recaída o no, etc.) ver si puede darse el caso de que el tiempo de la baja sea mayor en un individuo que en otro, y en caso afirmativo ver en qué medidas y qué variables son las que influyen en este hecho. Para ello se ha profundizado mucho en el estudio de todos esos posibles factores teniendo en cuenta estudios anteriores que aportasen argumentos que sirviesen para encaminar el estudio y a la vez tomando ideas de los posibles métodos para estudiar este fenómeno teniendo en cuenta después los que mejor podrían adecuarse a este caso. Se da particular importancia a los grupos de tipos de lesión, pues se estudia muy en detalle la distribución de los períodos de duración dentro de cada grupo y se focaliza el análisis en comparar unos con otros y ver cómo influyen los factores anteriores en unos u en otros. Se trata de un tema influyente en el entorno empresarial y de las mutuas de seguros de accidentes de trabajo. Según la Seguridad Social se considera como contingencias profesionales a “los sucesos ocurridos durante el desarrollo de una actividad laboral y que originan alteraciones de la salud que se consideran accidente de trabajo (AT)”. Más en concreto la definición legal de accidente de trabajo y las condiciones establecidas figuran en el artículo 156 del texto refundido de la Ley General de la Seguridad Social, aprobado por el Real Decreto Legislativo 8/2015, de 30 de octubre para los trabajadores por cuenta ajena (en el caso de trabajadores por cuenta propia esta información se recoge en los artículos 316 y 317 de dicha ley). Este fenómeno al darse durante la actividad laboral y suponer una incapacidad temporal para trabajar, se muestra como trascendental para las empresas ya que ese trabajador no podrá volver a su actividad en un período de tiempo dependiendo de diversos factores, que serán los que analizaremos aquí. Por tanto, este análisis puede resultar muy útil para el mundo de las empresas y en particular a uno de los agentes que interactúan con el fenómeno de manera directa como son las mutuas de seguros por accidentes de trabajo. En los próximos epígrafes se presenta, en primer lugar, la literatura previa existente relacionada con el estudio. En el primer capítulo se explicará como se ha adecuado la Introducción y revisión bibliográfica [5] base de datos y las variables para su procesamiento, y seguidamente, la metodología aplicada para las diferentes técnicas utilizadas. El capítulo de resultados y conclusiones muestra en primer lugar un análisis descriptivo de la duración de las bajas laborales para los diferentes grupos de lesión, luego presenta los resultados de las dos regresiones principales realizadas poniéndolas en confronto. Para acabar este capítulo se comenta la regresión con los grupos de lesión agrupados según el Cie-9 y las principales interacciones que se obtienen examinando las relaciones entre ciertas variables. Se termina el estudio con una breve conclusión y una lista con la bibliografía utilizada. Precedentes y revisión de literatura anterior En relación con este campo de análisis correspondiente a la relación entre economía laboral y economía de la salud, encontramos diversos trabajos que tratan el tema desde diferentes perspectivas. Primero de un modo más general y amplio se localiza un trabajo que presenta en sus anexos una tabla que muestra para distintas fechas, países, y temas particulares una gran recopilación de trabajos anteriores relacionados con el absentismo y la baja laboral (Osterkamp y Röhn ,2005). En el vemos que existen bastantes estudios que comparan este fenómeno entre países, otros que tratan individualmente un país, y en general vemos que es un hecho estudiado en muchos países tanto europeos como de América del Norte. Por un lado, existe una línea de trabajos que se han centrado en la compensación del trabajador. Esta la recibe el trabajador si está de baja laboral y por ello se ha buscado ver como las variaciones de esta compensación, influyen en el número de días que dura la baja laboral. Véase para ello Dionne y St-Michel (1991). Un trabajo posterior (Bolduc, Fortin, Labrecque y Lanoie, 2002) amplia este estudio buscando no solo mostrar la influencia que esta compensación del trabajador tiene en los días de baja laboral, sino en la composición de las lesiones contabilizadas. Particularmente sobre este tema para el caso español se encuentra el trabajo de Martín-Román y Moral (2016) o los mismos autores, pero más antiguo y con otro enfoque (Martín-Román y Moral, 2005) Ambas investigaciones, aunque se centran en la compensación al trabajador, muestran dos argumentos en los que este trabajo se apoya para realizar el análisis. Por una parte, más general, fija que los trabajadores se ven influenciados por incentivos económicos a la hora de darse de baja laboral e inciden en la duración de esta. En este caso los incentivos económicos serían la compensación del trabajador, y para este trabajo, no es el único factor que tomamos como incentivo económico, pues también se toman otros factores económicos considerando que pueden influir. Por el otro lado, sostienen el argumento de que esta variabilidad en el período de baja es mayor o menor de unos accidentes a otros, y que, a su vez, los cambios ante incentivos son mayores para unos accidentes que para otros pues existen diferencias entre las facilidades de diagnóstico, variabilidad o conocimiento de cada tipo de lesión. Es decir, dan peso a la hipótesis que se va a evaluar sobre si las bajas laborales tienen un componente fisiológico y uno más personal o moral para cada individuo, y que estos componentes no se reparten igual en cada tipo de lesión. Existe a su vez un trabajo (Markussen, 2012) que dando como base que la indemnización influye en el comportamiento, estudia el coste para cada individuo de estar de baja laboral. Una asunción que podría surgir intuitivamente es que si un año aumentan las bajas laborales es debido a que se han empeorado las condiciones de trabajo. Es decir, sería normal considerar las condiciones del lugar de trabajo y los riesgos laborales como un [6] factor clave a la hora de determinar una baja o su gravedad. A este respecto, dentro de otra de las líneas en las que se ha investigado sobre la relación entre la economía laboral y de la salud, la ciencia empírica no dice lo mismo (Boone y Van Ours, 2002). Todo ello por tanto refuerza el objetivo del análisis en el cual se busca ver como el individuo ante los incentivos puede influenciar en el intervalo de baja laboral o incluso la baja en sí. Más parecido al objeto de esta investigación, aunque aplicado a las contingencias comunes en vez de a las profesionales, existe un trabajo de Albertí, Jardí, López, Rocamora, Delclós y Benavides (2012), en el cual se estudia en detalle el período de baja junto con el número de casos totales y de cada grupo de lesión. Por último, más cercano es el trabajo de Martín-Román y Moral (2017), pues desarrolla una investigación la cual da la base de este análisis ya que formula la idea de separar en dos componentes explicativos a la baja laboral. No obstante, el objetivo es diferente y con distintos métodos pues los autores se ciñen a la definición de absentismo para cuantificar el coste del absentismo en España (para EEUU también hay análisis parecidos como el de Waehrer, Dong, Miller, Haile y Men (2007), que cuantificaba el coste de las bajas laborales para la industria de la construcción) y buscan para ello utilizar solo la componente de riesgo moral. Para ello usan en método llamado “fronteras estocásticas” que ya previamente se había usado para un tema similar en Martín-Román y Moral (2014) separando trabajadores españoles y extranjeros, pero que en el estudio más reciente es más cercano aún a esa base utilizada aquí. En esta visión solo el riesgo moral produce estrictamente el sobrecoste asumido dado que la baja en sí tiene un período mínimo asociado de recuperación que el individuo no puede evitar. En el caso de este análisis no se centra tanto en cuantificar el absentismo laboral sino en los grupos de lesiones y por ello se usa aquí una desagregación mayor de los tipos de lesiones. Vemos por tanto que este trabajo es novedoso en el sentido de que este análisis no ha venido siendo muy común, pues es un tema que ha sido poco tratado desde el enfoque que aquí se le busca dar. Concretamente para el caso de España aún no existe mucha literatura al respecto, y al centrarse solo en un año se profundiza mucho en todos los detalles y variables de manera que se obtiene un análisis muy completo. Además, se apoya en anteriores investigaciones y estudios, que apoyan los argumentos de partida, con lo que a priori de realizarse el estudio aumenta las posibilidades de saber que se encontrará un resultado acorde con la hipótesis que previamente se plantea, pero sin ser información ya sabida, pues no se ha planteado de esta manera. Metodología [7] Capítulo 1 1. Metodología y adecuación de los datos Capítulo 1 [8] 1.1. Tratamiento de los datos 1.1.1. Adecuación de la base de datos Como ya se ha mencionado previamente, la base de datos utilizada ha sido la Estadística de Accidentes de Trabajo, pero se aclara más en detalle ahora, que se ha trabajado con un fichero de micro datos con toda la información anonimizada en relación a Accidentes de Trabajo con baja, donde se recogen los registros de accidentes y recaída para los distintos períodos. Primero de todo como consideración previa se aclara que como viene explicado en el informe metodológico de la ATR “los accidentes de trabajo cubiertos por esta estadística son los sufridos por los trabajadores afiliados a la Seguridad Social con la contingencia de accidentes de trabajo específicamente cubierta”. Por tanto, no se incluyen aquellos sin la cobertura específica ni los “accidentes de trabajo sufridos por funcionarios mutualistas cubiertos por MUFACE, ISFAS y MUGEJU” (esto es importante pues son mutuas de trabajadores funcionarios, por lo que habrá que tener en cuenta la existencia de bajas laborales que no estén incluidas en esta base de datos). Tampoco están cubiertas las bajas de las ocupaciones militares. Para el estudio de este fenómeno se ha utilizado el paquete estadístico “E-Views 10” a fin de poder tratar todos los datos de una manera adecuada. Previamente a procesar estos datos en dicho software se han eliminado ciertos registros que hemos considerado que podían afectar a la estimación. En primer lugar, se han excluido los datos relativos a muertes, ya fuesen estas registradas en el campo “Grado de lesión” o “Grado de lesión en el momento del alta”. Esto se hace debido a que los accidentes laborales que causan una muerte o cuyo desenlace es una muerte afectan a la variable duración que nosotros queremos estimar, ya que no por ser el nivel de gravedad de lesión más alto suponen un mayor tiempo de baja. Lo cual conduce a eliminar estos registros buscando así centrarnos mejor en el fenómeno particular a investigar. A su vez, en este paso, se ha detectado que en el campo “Grado de lesión en el momento del alta” existían datos inexistentes o vacíos, y que de la misma manera esas filas tampoco presentaban datos en el campo “Fecha del alta médica”, por tanto, ante la posibilidad de que por causa de esto la duración de la baja lleve consigo errores, se han omitido también estos registros dado que cabía la posibilidad de que afectasen a nuestra variable principal. En el archivo acerca del diseño de registro especifica que “Si la fecha de alta es desconocida este número de días se imputa estadísticamente”, por lo tanto, respecto a esos datos vacíos se concluye que lo mejor es eliminarles pues sino estarían sesgando el análisis. En segundo lugar, en el campo “Tipos de contrato” se detectan datos donde figura un 0. En el diseño de registro no figura que este valor corresponda a ningún código que se refiera a un tipo de contrato concreto por lo que se eliminan también estos registros debido a que esta variable será usada posteriormente y estaría afectando a nuestra estimación. Por último y residualmente de la misma manera se detectan ceros en el campo “Nacionalidad” y al corresponder a “no consta” se eliminan pues también es una variable que se usará. Por tanto, se ha hecho una adaptación de los datos que había de inicio para evitar posibles errores o datos que hayan sido mal recogidos (errores de dedo o registro) y por tanto afecten a la calidad de la estimación. De esta manera, para el período de 2017 se partía Metodología [9] aproximadamente con un poco más de 624.000 observaciones y debido a las correcciones el número de observaciones se ha quedado en 581.000 aproximadamente. No obstante, sigue siendo un número suficiente como para poder realizar la estimación, y facilitará el ajuste al haber eliminado posibles errores de registro. 1.1.2. Adecuación de las variables Una vez tratados los datos y adaptados para poder hacer mejor la estimación, se han procesado con el software mencionado. Previo a la realización de las regresiones se han tratado ciertas variables para que luego puedan ser añadidas en la regresión. En este trabajo, y con el objetivo de no extenderse más de lo necesario en el apartado de metodología, se explica a continuación brevemente el tratamiento que se ha dado a aquellas que hemos utilizado y consideramos importantes de explicar para su correcta comprensión. Simplificando, primero se han transformado varias variables cuyos registros eran “1” y “2” en variables dummy “0”, “1”. Asimismo, otras variables se ha considerado dejarlas como variables continuas. Posteriormente, las variables que presentan más de dos posibles registros en ellas, también se han transformado en variables dummy, pero presentan tantos dummy para dicho campo como posibles registros o grupos de registros tiene. De estas últimas, se explican en detalle a continuación las que son clave debido a que las introducimos en alguna o varias ecuaciones y en las cuales nos fijaremos después para el análisis. La variable tipo de lesión o descripción de la lesión es fundamental en nuestro análisis y está clasificada siguiendo los criterios: “Codificación según Orden TAS/2926/2002” en donde hallamos grupos de tipo de lesión y a su vez subgrupos. En diferencia con otros trabajos y aprovechando la gran cantidad de datos que se tienen disponibles, se ha intentado agregar lo menos posible los tipos de lesiones, con el fin de poder obtener una mejor visión a fondo y así poder ver claramente donde están los datos que nos puedan aportar más información o aquellos que se comporten de una manera muy diferente al resto. Por ello, hemos mantenido la clasificación atendiendo a los subgrupos, salvo en aquellos grupos que no se subdividían. Previamente se ha buscado en literatura anterior como se clasificaba esta variable. Se observan trabajos como el de Comisiones Obreras (García, Gadea, y López, 2007) en el cual dentro de todo el estudio que realizan, exponen tablas de diferentes análisis donde figuran diferentes formas de clasificaciones de los accidentes laborales. Ya sea por grupos principales de enfermedades o por categorías según el CIE- 9 o el CIE-10 etc. En referencia a esto y profundizando un poco más la Clasificación Internacional de las Enfermedades se planteaba como la mejor alternativa a categorizar los tipos de lesiones, pero los datos que muestra la encuesta no son homogéneos ni muestran posibilidad de ser transformados de manera que se pueda hacer una clasificación acorde. Por ello en este trabajo se considera como mejor opción usar la propia clasificación que viene, pero de la manera más desagregada posible y así en este trabajo, se obtienen 37 tipos de lesión. Además, se debe tener en consideración que la codificación se basa en una recomendación de la OIT (Organización Internacional del Trabajo) y Eurostat, lo que nos da una mayor fiabilidad. Aun así, debido a que la CIE-9 figura entre las variables registradas en la ATR, se usará para ver en detalle lesiones o enfermedades muy concretas (sin agrupar). También dentro de cada uno de los códigos se ha comprobado que existiesen datos en todos ellos y se ha analizado la distribución de esta variable para asegurar la ausencia de Capítulo 1 [16] variables que se han considerado que presentan resultados relevantes, ya sea porque muestren un coeficiente en con signo contrario que separadas, o porque aumenten en mayor medida su efecto que otras. Por ejemplo, podríamos analizar las interacciones entre la variable hospitalización y la variable recaída, donde ambas presentan coeficientes positivos, pero que, al añadir su interacción, si esta presenta un coeficiente negativo mostraría que cuando ambas variables se presentan juntas, la duración crece menos que lo que creíamos a priori. Asimismo, sería relevante si presentara un coeficiente del mismo signo, pero alto, que nos mostraría que el efecto de ambas juntas es aún mayor del que se la ecuación nos mostraba. Como anteriormente se ha dicho, investigando sobre la posible manera de como clasificar las lesiones se había encontrado la CIE-9 como la mejor opción pero que por ciertos problemas no es posible hacer grupos para utilizar en las ecuaciones principales. No obstante, buscando un mejor ajuste y profundizar todo lo posible en el análisis se va a realizar una regresión donde se eliminan los 37 grupos de tipo de lesión de la ecuación 2, y en su lugar se colocan como grupos los del CIE-9. Esta clasificación divide las enfermedades mediante códigos de 3 cifras enteras y 2 decimales. Así, se han utilizado las tres cifras enteras, con el decimal truncado (pues una enfermedad del código 739.9, posiblemente está más relacionada con el 739 que con el 740). Con todo este proceso en vez de 37 variables sobre tipo de lesión se han obtenido 1000 variables, con las cuales se podrá tratar de buscar que grupos son aquellos con una mayor significancia (medida por su estadístico-t en este caso) y una mayor relevancia, pudiendo así hablar de enfermedades de una manera muy concreta y al detalle. Por ello no se presentará la ecuación completa, sino que solo se citarán aquellos grupos de interés para el análisis. Resultados y conclusiones [17] Capítulo 2 2. Resultados y conclusiones Capítulo 2 [18] 2.1. Estudio descriptivo Como inicio, se realiza este estudio previo, con el fin de conocer más profundamente las características de las distribuciones de los diferentes tipos de lesión, y que de esta manera se pueda comprender mejor y analizar con más criterio las regresiones posteriores. Se realiza acerca de las variables tipo de lesión, pues en concreto es uno de los puntos clave en los que se centra el trabajo, y más en particular, la atención se focaliza sobre los tipos de lesión más relevantes (ya sea por número de registros, o por interés para el análisis). Además, se estudia también en este apartado de manera exclusiva la variable “lumbago”, debido a la importancia ya mencionada, para así saber su distribución más a fondo. Para comenzar, se comenta a continuación la distribución de frecuencias por días de la duración de la baja laboral para todos los individuos de España con cualquiera de los 37 grupos de lesión, es decir, incluyendo todas las lesiones. La baja laboral puede ser de hasta 545 días, y el número de casos va disminuyendo según va aumentando el tiempo, por lo que solo se muestra en el Gráfico 2.1 la distribución de frecuencias de las primeras 12 semanas. (A partir del día 85 en adelante, quedarían 51.545 datos aún, pero que en el total de la muestra es menos de un 10%, y haciéndolo de esta manera se puede ver más en detalle el principio que es dónde más registros hay concentrados) A primera vista, se observa un hecho muy relevante, ya que se constata que en las duraciones 8, 15, 22…etc., es decir, en los múltiplos de 7 sumando una unidad (7x+1) existe un mayor número de registros claro. Este resultado va unido a un mayor número de registros los dos días anteriores. En términos generales, se aprecia una tendencia creciente hasta el octavo día, donde se presenta el mayor número de altas, con hasta casi 35.000 datos, luego lleva una tendencia descendente que va suavizándose. Si se excluye el día primero de baja que no tiene datos porque baja laboral se considera a partir del segundo día, se ve que contrariando a la tendencia general los dos últimos días de la de la medida semanal presentan menos datos, e inmediatamente después, el primer día de la siguiente semana que el individuo está de baja aparece con picos. Profundizando acerca de este fenómeno, se observa que todos los “primer día” de la semana son el 16.20% de los datos, los “segundo día” 15.85% de los datos, los “tercer día” 15.4%, los “cuarto día” 15.7%, los “quinto día 15%, y luego los “sexto y séptimo día” son el 10.3 y 11.5 por ciento respectivamente. Por tanto, se encuentra así un hecho con el que no se contaba. Aunque es muy difícil decir cómo influye a la duración, pues el hecho es que en un día de la semana hay de forma notoria más datos y en otros dos menos pero no se puede cuantificar cuánto afecta ello al fenómeno que aquí se estudia, que es el período de baja. A pesar de ello se postula como importante, y que en cierta medida puede estar sesgando la estimación, sin que se venga en ocurrencia una manera de adecuarlo o eliminarlo. La explicación que se ve como hipótesis posible, es que la “medida” por defecto que usan los agentes que estipulan el tiempo de baja o el tiempo que tiene que estar un individuo hasta que vuelve para una revisión es la semana. Es decir, un individuo que sufre un accidente y le dan una baja para “dos semanas” parece razonable en cierta medida pensar que el individuo cumpla esas dos semanas de baja que le han sido prescritas. En muchos casos habrá necesitado esos 14 días, pero si se da el caso de que a los 12 días está bien, debería volver al trabajo pues la lesión ya está curada, pero esto no siempre podría suceder. Puede ser por precaución buscando una total recuperación, confianza en lo que le ha dicho un profesional, desconocimiento de que se está curado totalmente o también puede ser porque se tenga derecho a esas dos semanas y exista un riesgo moral de no Resultados y conclusiones [19] volver dos días antes a pesar de estar ya bien. Es decir, existe una posibilidad (que se plantea como hipótesis, no puede confirmarse en absoluto) de que en ciertos casos aquí influya el riesgo moral, que será mencionado y examinado más adelante también, por lo que, aunque no se pueda cuantificar, se tiene en cuenta este fenómeno observado. Esta hipótesis explicaría que antes de cumplirse el período que marca la próxima revisión desciendan las altas, y justo ese día aumenten mucho, ya que según la hipótesis los profesionales encargados de estipular esos tiempos de baja laboral, quizá por defecto usan la semana como medida de cuanto debe un individuo estar de baja o volver para ser revisado. Se profundiza y se observa por separado distintos tipos de lesión con el objetivo de comprobar si el fenómeno se replica en todas las lesiones o no, o si se suaviza. Examinando se constata que existen diferencias, aunque no muy marcadas, con algunos tipos de lesión donde la distribución sigue esa tendencia, otras donde la tendencia es menos clara e irregular, y otras dónde se puede ver que el fenómeno bastante bien. Por ejemplo, en “fracturas cerradas”, donde se disponen de poco más de 33.000 datos el primer día de la semana aparece más marcado. Por otro lado, en “esguinces y torceduras”, con más de 150.000 datos (y donde según la literatura es más probable que se den situaciones de riesgo moral), muestran mejor el hecho de que el sexto y séptimo día previos a la revisión semanal las altas registradas se reducen. Por tanto, aunque no en todas las lesiones se vea bien, ni en todas de la misma manera, se trata de un hecho bastante considerable para el estudio (En 2019 esta revisión ha dejado de ser semanal). En cuanto a los parámetros estadísticos que describen a la distribución de todas las lesiones en conjunto, el período medio de baja es de 32.25 días, pero como ya se observa en el Gráfico 2.1, tiene una marcada asimetría positiva (hacia la izquierda), pues las altas se concentran en los primeros días, y a partir de la primera semana llevan una tendencia general decreciente del número de bajas. Esto se refleja numéricamente en que la mediana está en 15 y la moda 8, muy a la izquierda de la media, o en el alto coeficiente de curtosis que está alrededor del 18,5, o en el coeficiente de asimetría (CAF) que está en el 3,7, mostrando una distribución altamente sesgada hacia la izquierda y muy apuntada (mostrado por el coeficiente de curtosis), pero que concuerda con las características de la variable, ya que es una variable de duración y que por ello se puede equiparar a un modelo de supervivencia dónde según se avanza en los días cada vez quedan menos “supervivientes” (personas de baja). La desviación estándar es muy alta con un 48,5 debido a la variedad que existe por coger todos los datos ahora. Para acabar, el decil 1 es el día 3, y el decil 9 el día 123, es decir, el 80% de los datos se concentran entre el día 3 y el 123. Pese a que, para el estudio se ha hecho el análisis de las distribuciones de los 37 tipos de lesión (examinando sus distribuciones y sus principales parámetros estadísticos como son la media, mediana, moda, desviación estándar, asimetría etc.), aquí solo serán tratados aquellos tipos de lesión que son más importantes en el trabajo, ya sea porque son una parte representativa de la media o porque presentan resultados relevantes o determinantes para el estudio. Por ello solo se comentarán ciertos grupos de “tipo de lesión”. Abajo (Tabla 2.1) se muestra como ejemplo de la información disponible algunos de los principales grupos de lesión con los estadísticos a los que más importancia se han dado y comentado. Capítulo 2 [20] Gráfico 2.1, Elaboración propia. Fuente: Base datos ATR 2017 Resultados y conclusiones [21] Tabla 2.1. Estadísticos descriptivos principales sobre las distribuciones de la duraciones de las bajas laborales para distintos grupos de lesión. Media Mediana Moda Desviación estándar Curtosis Coef. de asimetría Nº de datos Decil 9 Decil 1 Rango D9-D1 Todas 32.2515 15 8 48.5729 18.6132 3.7268 581644 77 4 73 TL01 23.0464 11 4 37.6299 31.3864 4.7090 91896 52 3 49 TL03 21.0454 11 8 33.7154 39.3928 5.2561 51582 46 4 42 TL05 76.7116 54 22 70.8245 4.7953 1.9504 33964 170 15 155 TL08 34.1065 16 8 50.1711 18.6859 3.7125 38772 80 4 76 TL09 30.3067 16 8 44.0905 22.9017 4.0479 157110 68 4 64 TL13 32.9720 16 8 49.2900 19.5343 3.7858 31904 79 4 75 Lumbago 17.4433 10 8 26.1869 73.8859 6.9031 47642 35 4 31 Elaboración propia. Fuente: Base de datos ATR 2017 Capítulo 2 [22] En primer lugar, el grupo “lesiones superficiales y cuerpos extraños en los ojos”, con casi 92.000 datos representa aproximadamente un 15% de los accidentes registrados. Su media es 23 días, bastante menos que la general, y a su vez tiene una asimetría positiva más marcada aún y más apuntada (CAF=4.7 y Curtosis=31) con una mediana y moda más a la izquierda también. Por otro lado, su desviación estándar es 37.5, bastante menor y el decil 1 también está en 3 pero el decil 9 en el día 52, lo que muestra una mayor concentración de los datos que en general. En segundo lugar, las bajas laborales clasificadas como “heridas abiertas” son cerca de un 10% del total de las bajas con una duración media de 21, y se presentan más asimétricas hacia la izquierda que antes y muy apuntadas (CAF=5.25 y Curtosis=39.5). En concreto llama la atención que el primer día de la segunda semana tiene gran cantidad de altas, con hasta casi un 11% de todos sus registros y su día inmediatamente anterior y posterior bastante más bajos. El 80% de los datos se encuentran entre 4º día y el 46º de las distribución, y con una desviación de 33.7, por tanto, en este caso como el anterior están más concentrados los datos, pero más que el otro subgrupo. En tercer lugar, “Fracturas cerradas” se muestra muy distinto a las anteriores, pues suponiendo alrededor del 6% de los datos, tiene una duración media de casi 77 días. La mediana y la moda están también más a la derecha que las anteriores (54 y 22 respectivamente) y está relativamente poco apuntada su distribución y con una asimetría positiva que en comparación es menos notable (CAF=1.95 y Curtosis=4.8). Por la contra sus datos están menos concentrados (hay más variedad entre los tiempos de recuperación) que se observan en una desviación estándar de 71 bastante alta y un decil 1 en 15 y decil 9 en 170. Su equivalente más grave “Fracturas abiertas” tiene parámetros parecidos, con una media algo mayor, y algo menos apuntada, asimétrica y concentrada. En cuarto lugar, “Dislocaciones y subluxaciones” es casi un 7% de las lesiones y su media está cerca de la total, con cerca de 34 días de período medio de baja. Igualmente, su moda es la misma y su mediana uno más, 16. También presenta similar asimetría, apuntamiento y desviación estándar. La diferencia se observa en que en este grupo concreto los datos están bastante más concentrados pues el 80% de ellos están entre 4 y 80 días de baja laboral. Prosiguiendo en quinto lugar, el grupo “Esguinces y torceduras” es el más representativo de todos siendo alrededor el 27% de las bajas laborales registradas en 2017. Su media es de 30.5 un poco menor que la general, y la mediana y la moda iguales que el grupo anterior (pertenecen al mismo conjunto). Es un poco más apuntado y más asimétrico que todas las lesiones en conjunto (CAF=4.05 y Curtosis=23). Está más concentrado aún que el anterior pues el decil 1 también está en el 4 y el decil 9 en 68. Y su desviación estándar es de 44. En este conjunto, también se encuentran “otros tipos de dislocaciones, esguinces y distensiones” que, aunque estén el grupo “otros” (similares de otros conjuntos no se han comentado) se comentan brevemente por su representatividad de casi un 15.3% de los registros. Presentan una estadística descriptiva muy parecida a el anterior grupo, pues su media es 30.5 también, y su desviación estándar, curtosis y asimetría son muy parecidos también. El rango inter-decil está entre 4 y 70, un poco menos concentrado. Terminando, el último tipo de lesión considerado como representativo o de interés es “Lesiones internas”, que alberga casi 32.000 datos, casi un 5,5%. El período medio de baja es muy parecido al total, siendo de 33 en este caso. A su vez la mediana es 1 más (16) y la moda igual que la distribución general, y su apuntamiento y asimetría también muy similares. De la misma manera, la desviación estándar es ligeramente mayor por poco y el 80% de los datos están entre 79 días de baja y 4 días, lo que le presenta por lo general con unos valores medios en comparación con otros grupos analizados. A partir de este grupo, y en algunos anteriores no comentados, la cantidad de datos que existen en ellos les hace poco representativos, y revisándoles por encima no se observa nada fuera de lo normal. Sólo con los grupos comentados ya se Resultados y conclusiones [23] habría hablado del 85% de los datos, lo que muestra que eran los tipos de lesiones más frecuentes, y en los que centrar la atención a la hora del análisis con el objetivo de optimizar el trabajo. Mencionado arriba, se ha sacado la distribución de la variable lumbago, que figura dentro de los códigos CIE9, y se encuentra dentro de distintos grupos de “tipo de lesión”, por lo que parece interesante ver cómo se comporta este conjunto saliéndose de los 37 tipos de lesión. Además, figuran hasta casi 48.000 casos de lumbago, por lo que es una enfermedad laboral frecuente. Lo que se obtiene es muy relevante, pues tiene una media de 17.5 días de periodo de baja, con una mediana de 10 y una moda de 8. Su desviación es muy baja, con un valor de 26, pero por la contra presenta una asimetría positiva muy fuerte, de casi 7, valor no observado en los grupos anteriormente comentados, y un apuntamiento medido por curtosis de 74 también muy elevado. A la vez, los datos se encuentran bastante concentrados estando el 80% de las altas entre el día 4 y el día 35. Reflexionando acerca de las hipótesis que se plantean en otros trabajos acerca de esta enfermedad o lesión en las cuales se clasifica como de difícil diagnóstico no parece tener una gran variabilidad de los días de baja. Es más, en comparación con otras lesiones los datos están muy concentrados. Los resultados muestran que la mitad de las bajas laborales por esta causa finalizan el décimo día o antes, y que el 90% de ellas, duran un máximo de 5 semanas, lo que confrontado con grupos anteriores se trata de valores mucho más bajos, más incluso que el grupo de “lesiones superficiales y cuerpos extraños en los ojos” o “heridas abiertas”. Cabe decir eso sí, que aquí se trata un grupo más concreto de lesiones, mientras que los 37 grupos de lesión estipulados, aunque estén bastante afinados no dejan de agrupar a diferentes enfermedades del CIE9, mientras que esta se presenta sin agrupar con otras. Por tanto, ya se conoce con más detalle cuáles son los tipos de lesión de mayor interés y se ha profundizado en sus distribuciones y parámetros descriptivos. Así pues, una vez realizado este análisis inicial se procede a presentar los resultados de la regresión realizada. 2.2. Presentación de los Resultados 2.2.1. Doble Regresión. Primera parte Primero, se presenta la regresión con los factores fisiológicos asociados a la lesión, por un lado (Tabla 2.1). En ella se incluyen 8 conjuntos, uno con la variable de género, otro con 7 variables de edad, luego cuatro únicas, que son asistencia ambulatoria, recaída, hospitalización y grado grave, prosiguiendo un conjunto con 8 variables de parte del cuerpo y por último un conjunto de 36 variables de tipos de lesión. Como se observa, se ha obtenido un R2 del 0.176354 que, dado el estudio previo, las comprobaciones previas y la adecuación, se trata de un nivel de significancia considerable, debido a la dificultad de ajustar este fenómeno ante la cantidad de variables que tiene y lo difícil que son estas de controlar todas. Por tanto, esta primera ecuación tendría un poder explicativo del 17,64 % sobre la variabilidad de este fenómeno, la duración de las bajas laborales. Como ya se ha dicho, es una regresión logarítmica por lo que tendríamos que transformar todas las variables para su correcta interpretación. Para ello además de la tabla 2.2 que figura en la siguiente página se ha sacado la tabla 2.3 (en los anexos) dónde figuran todos los coeficientes transformados a porcentajes. Capítulo 2 [24] Tabla 2.2 Regresión MCO Variables asociadas directamente a la baja laboral Variable Coefficient t-Statistic Variable Coefficient t-Statistic TL09 0.226713 50.84956 C 1.807723 188.3263 TL10 0.231704 46.64707 HOMBRE -0.032052 -11.02005 TL11 1.073028 35.61877 EDAD2 0.092457 15.77894 TL12 0.476253 15.97823 EDAD3 0.187359 32.85308 TL13 0.253534 37.69963 EDAD4 0.265253 45.72976 TL14 0.252707 15.62697 EDAD5 0.330679 56.84006 TL15 -0.19528 -13.44155 EDAD6 0.424537 70.13813 TL16 0.035465 1.148643 EDAD7 0.530909 56.44627 TL17 0.076152 0.349017 EDAD8 0.520769 8.870711 TL18 -0.078355 -2.953647 AMBULATORIA -0.193409 -37.05894 TL19 -0.589752 -6.738041 RECAIDA 0.453569 67.88488 TL20 -0.070712 -1.2471 HOSPITALIZ 0.653989 60.94435 TL21 -0.438655 -8.357765 GRADOGRAVE 1.017092 54.35591 TL22 -0.489392 -5.423783 PARTE2 0.790783 20.71479 TL23 0.260337 1.079373 PARTE3 0.792119 96.1992 TL24 -0.536076 -5.634702 PARTE4 0.458808 62.98091 TL25 1.747996 6.158354 PARTE5 0.580542 64.23863 TL26 0.183751 1.887455 PARTE6 0.764029 113.6138 TL27 0.101436 1.955351 PARTE7 0.766139 110.8696 TL28 -0.547516 -4.92788 PARTE8 0.881026 97.31268 TL29 -0.30242 -2.324881 PARTE9 0.71985 24.74486 TL30 -0.236384 -0.565896 TL02 0.189825 11.08313 TL31 -0.406764 -3.68449 TL03 -0.040373 -6.884685 TL32 0.727349 18.1577 TL04 0.037293 5.978621 TL33 0.007463 0.27813 TL05 1.211518 181.3882 TL34 0.363118 3.634283 TL06 1.142 64.41232 TL35 0.362652 31.34065 TL07 1.110553 75.47049 TL36 1.28478 32.32752 TL08 0.318914 50.52231 TL37 0.166573 13.119 R-squared 0.176354 Mean dependent var 2.799242 Adjusted R-squared 0.176274 S.D. dependent var 1.127307 S.E. of regression 1.023136 Akaike info criterion 2.88372 Sum squared resid 608809.8 Schwarz criterion 2.884825 F-statistic 2223.671 Durbin-Watson stat 1.945442 Prob(F-statistic) 0 Elaboración propia a partir de E-Views 10. Fuente: Base de datos ATR 2017. A primera vista se ve una regresión dónde todas las variables tienen un estadístico-t que muestra que son significativas. Salvo algunas variables de tipos de lesión, la mayoría tienen un estadístico-t alto se podría decir, y las que no, son variables que no reflejan un comportamiento distinto a la referencia utilizada. Desde arriba, se ve primero que la variable del género muestra que el hecho de ser hombre supone una menor duración de la baja, pero tampoco existe una gran diferencia. Luego, se observa que la edad es muy significativa, y que como era de esperar es una variable que según se asciende en tramos de edad los porcentajes aumentan, en concreto un individuo que tenga entre 61 hasta 67 se esperará una baja que dure aproximadamente hasta un 70% más que uno de entre 16 y 24, lo que parece lógico. No obstante, se observa un caso curioso pues del séptimo tramo (61 hasta 67 años) al último tramo (68 hasta 85 años) el porcentaje disminuye ligeramente, descuadrando toda la lógica. Se ha revisado tras ver esto la distribución del último tramo Resultados y conclusiones [25] y es cierto que se tienen muchos menos datos que en otros tramos, pero aun así parecen suficientes. Una explicación quizá podría ser que en este tramo se den menos bajas largas debido a que al estar ya en edad de jubilarse, una vez se produzca una lesión larga, el trabajador se jubile. Las 4 siguientes variables se presentan altamente significativas. Por un lado, está la dummy que representa si el individuo ha tenido asistencia ambulatoria u hospitalaria, y vemos que como parecía razonable esperar, una asistencia ambulatoria supone una menor duración de la baja, concretamente de un 17,5% menos. Es razonable ya que si el individuo sufre un accidente que pueda parecer más grave tenderá a querer recibir directamente una asistencia hospitalaria donde por norma existen más recursos y personal especializado para diagnosticar evaluar y tratar una lesión. En segundo lugar, que el accidente sea una recaída o no es muy significativo y este hecho implica casi un 57,5% del aumento del tiempo de baja para la estimación realizada. Que el individuo haya sido hospitalizado o no también implica un aumento de la duración de la baja muy grande, concretamente en esta estimación se trata de en torno a un 92%, comprensible también dado que si el individuo no es hospitalizado será porque la gravedad de la lesión no sea tanta. Por último, que la lesión sea de grado grave (recuérdese que engloba a lesión grave y muy grave) a que no lo sea, conlleva un diferencial de un 176,5%, porcentaje muy alto que va acorde con lo pensado. Después se encuentran las 8 variables de partes del cuerpo, con también considerables niveles de significancia. Así por encima se ve que todas las partes del cuerpo tienen una período mayor de baja que la dejada como referencia (“cabeza”). En concreto las del cuello suponen hasta un 120% más, las de extremidades inferiores o superiores ambas en torno a un 115%, y “espalda y columna” es la que menor diferencial tiene con un 58%. Por último, se presentan los tipos de lesiones, dónde se hallan niveles de significancia muy dispares, con estadísticos-t en algunos grupos muy altos frente a otros muy bajos. Simplificando y poniendo atención en algunas concretas que interesen más se observa por ejemplo que el grupo de facturas, dónde se encuentran “fracturas cerradas”, “fracturas abiertas” y “otras fracturas” con un estadístico-t alto muestran un diferencial de un 235%, 213% y 203% más de duración en comparación con el tipo de lesión incluida en la constante (Recuérdese que se trata de “Lesiones superficiales y cuerpos extraños en los ojos”). Son porcentajes altos, aunque pueden parecer razonables, pero el hecho que llama la atención es que las fracturas cerradas salgan de mayor duración que las abiertas para la estimación llevada a cabo. Después se encuentran los grupos 8, 9 y 10, “dislocaciones y subluxaciones”, “esguinces y torceduras” y “otros tipos” que presentan unas duraciones mayores en un 37% para el primero y en torno al 26% el segundo y tercero. Estos tres grupos representan alrededor del 40% de todas las lesiones por lo que son bastante relevantes. Continuando se observa que el siguiente grupo, perteneciente a “amputaciones traumáticas o pérdidas de partes del cuerpo” supone un porcentaje muy alto en comparación de casi un 200% que concuerda con la lógica. Los 3 siguientes, englobando a conmociones y lesiones internas tienen también mayores duraciones como se ve con porcentajes de 60 o 30% aproximadamente al contrario que TL15 (“quemaduras y escaldaduras”) que supone un período de baja un 17.7% menor. Luego a partir de este punto, desde TL16 hasta TL34 los estadísticos “t” disminuyen y algunos casos dejan de ser significativos (excepto TL32, “daños psicológicos debidos a agresiones o amenazas” que si muestra un estadístico t de 18 y con un coeficiente que muestra que este grupo supone un 107% más de tiempo de lesión). Terminando, el grupo TL35 lesiones múltiples es significativo y muestra una duración de casi un 44% más, luego el siguiente grupo, “infartos, derrames cerebrales y otras” tiene el coeficiente más alto de todos implicando Capítulo 2 [32] el último, dentro de las enfermedades más explicativas en la regresión con valores “t” por encima de 40 (hecho así para abreviar), se encuentran 7 pertenecientes a fracturas de huesos. Además, se constata que todas estas tienen altas duraciones asociadas. 2.3.1.2. Interacciones de las principales variables estudiadas Como segunda parte de este epígrafe, y para finalizar el análisis acerca de las bajas laborales de España en 2017, se han realizado regresiones con algunas interacciones entre las variables. Al igual que en todo el análisis, se sacan los resultados, pero con el objetivo de no excederse en detalles, se muestran solo los más interesantes. Es decir, de aquellos obtenidos sólo se focalizará en aquellas interacciones con alto valor “t” y que a su vez supongan un cambio del porcentaje relevante (en total se han hecho las interacciones de alrededor de unas 15 variables con todas sus demás posibles). Abajo en la tabla 2.6 se muestran algunas de las interacciones que resultaban ser más significativas. Como primer ejemplo, en relación con la variable hombre se destaca, por ejemplo, la interacción acerca de hombre-hospitalizado, la cual incrementa un 18% la duración. Si se suma junto con el coeficiente de varón y de hospitalizado, el resultado es lo que dura más la baja con de un hombre-hospitalizado con respecto de la referencia que es mujer-no hospitalizada. Además, usando el coeficiente de hospitalizado, podemos ver que baja es más larga usando el diferencial entre los 3 juntos, o sólo hospitalizado (que se trata de mujer hospitalizada, pues está ya se encuentra incluida en la constante). También se puede hacer en el otro sentido viendo si la interacción compensa o agranda el hecho de ser hospitalizado o no. Rápidamente clarificando con números, hombre-hospitalizado supone un 105,8% de duración más que la referencia (un 18% más de lo pensado antes de saber la interacción) y mujer-hospitalizada en este caso es un 91,35% más de duración. Es decir, la interacción muestra una mayor duración para el hombre, que no era vista previamente. Dado el estudio, se considera que las interacciones entre una variable fisiológica y una de riesgo moral pueden resultar más interesantes, y por ello, aunque no se encuentren entre los valores “t” más alejados de 0, son las comentadas a continuación. La variable hombre tiene una interacción curiosa con respecto de las CCAA, pues todas suponen porcentajes negativos, exceptuando Asturias (un 5% más de duración), y Ceuta y Melilla un (23,5% más). Relevante también, es el hecho de que si es un individuo hombre que trabaja por cuenta propia con asalariados a su cargo, la interacción hace caer un 30% el período de baja. Por lo que en este caso a un hombre le dura un 30% menos la baja que a una mujer en la misma situación. Muy relevante es si el individuo es un hombre que trabaja en industrias extractivas ya que supone un 30% menos de duración (con un valor “t” de -2,17), lo que vuelve negativo el efecto de presentarlas ambas juntas frente a mujer del sector agrícola. De igual manera ocupación no física y hombre tienen un “t” de casi 10 y suma un 9% revirtiendo el efecto frente a una mujer de ocupación física. Prosiguiendo, la interacción de ambulatoria con trabajador por cuenta propia con asalariados a su cargo muestra un porcentaje de un +33% (con un estadístico t de 1.43). Por su parte, recaída en su interacción con las estaciones del año revierte el efecto para Julio-Septiembre y Octubre-Diciembre pues supone un +7% y +8%, durando por tanto más ahora las bajas en estos dos períodos que con respecto de los 3 primeros meses (la referencia). Recaída presentada con las diferentes CCAA muestra porcentajes negativos como para el caso de Andalucía o Murcia, o positivos como es el caso de Aragón, Canarias, Extremadura, Castilla la Mancha y la Comunidad Valenciana. Con hospitalización se presentan relevantes y significativas sus interacciones con los sectores económicos pues si el individuo hospitalizado trabaja en el sector de las Resultados y conclusiones [33] industrias extractivas supone un -24% su interacción, con lo que siendo hospitalizado pasa a durar menos su baja que si perteneciese al sector agrícola. Por la contra si pertenece a la industria es un +17% y a la construcción un +25% pasando por tanto a durar más por pertenecer a esos sectores con respecto de la referencia. Curioso también que su interacción con el domingo (-13,7%) muestre que en este caso las bajas de un individuo hospitalizado un lunes duran más que uno hospitalizado un domingo, al revés que para el caso general. A su vez, su interacción con lumbago supone un -37%. Relevante también es si la lesión de grado grave es clasificada como lumbago, pues supone un -65%. En el caso de que el individuo con lesión de grado grave tenga una ocupación donde no predomine la actividad física es un -21%, por lo que para este caso al contrario que para el general duran menos las bajas en este tipo de ocupaciones. Destaca entre las CCAA Galicia pues su interacción con grado grave supone un -29%. Luego para la variable lumbago la interacción más relevante es con trabajadores por cuenta propia con asalariados a su cargo, que supone un +60%, dando peso a la hipótesis acerca de los autónomos que puedan alargar la baja, unido a que esta lesión puede ser más difícil de reconocer su recuperación o no. Asimismo si es un lumbago para un trabajador del sector público es un +7,5%, con lo que duraría más la baja para individuos del sector público que del privado en los casos que son lumbago. Un autónomo sin asalariados a cargo, por ser español dura un 21% más su baja (añadido al +3,5% que de por sí supone español sola). En ciertas CCAA que el individuo sea español aumenta aún más la duración de la baja como es Galicia, Asturias o Cantabria mientras que en otras disminuye un poco la duración como Canarias o la Comunidad Valenciana. En el caso general, la baja en el sector servicios duraba un poco más que en la industria, pero si se habla de individuos con la lesión “heridas abiertas” la interacción es un +7% con industria y un -7% con servicios, lo que hace que para este tipo de lesión sean más largas las bajas en el sector de la industria. La siguiente lesión analizada es fracturas cerradas, y si es un autónomo con asalariados a cargo el que tiene este tipo de lesión, conforma un -30% de duración volviendo casi igual la duración de una fractura cerrada de un autónomo con asalariados que de un trabajador del sector privado. A su vez, si un lumbago es clasificado como fracturas cerradas es un -60% de tiempo de baja. También es relevante su interacción con el tipo de lesión “Fracturas abiertas” pues supone un -78% y por la contra con “Otros tipos de dislocaciones, esguinces y distensiones” el porcentaje es positivo (un +7%). En las CCAA destaca Ceuta y Melilla donde las bajas por fracturas cerradas duran un 45% más. Esta luego también destaca con fracturas abiertas pues supone un 200% más de duración y con dislocaciones y subluxaciones que es un 60% más. Luego esta misma dentro de las distintas CCAA muestra en general interacciones con porcentajes positivos, pero que con navarra revierte la situación y para este tipo de lesión las bajas duran menos que en la referencia, Madrid. Para el caso de los “Esguinces y torceduras” destacan Baleares, Galicia y Asturias donde sus interacciones muestran duraciones mayores. Luego si son “lesiones internas” destaca Canarias donde supone un 22% más de baja. Capítulo 2 [34] Tabla 2.6. Principales interacciones (Más significativas). Interacción T-statistic Coeficiente Interacción T-statistic Coeficiente PARTE5*HOMBRE 8.4364 19.56% GRADOGRAVE*HOSPITALIZ -12.8817 -39.26% PARTE6*HOMBRE 11.6092 20.65% PARTE3*HOSPITALIZ -11.2487 -48.30% PARTE7*HOMBRE 17.7831 34.07% PARTE5*HOSPITALIZ -9.1781 -35.25% PARTE8*HOMBRE 13.2719 30.72% PARTE6*HOSPITALIZ -9.8446 -32.78% EXTRACTIVAS*HOMBRE -2.1692 -30.08% PARTE7*HOSPITALIZ -6.8937 -24.44% OCUPACIONNOFISICA*HOMBRE 9.7664 8.97% PARTE8*HOSPITALIZ -9.7190 -36.30% RECAIDA*AMBULATORIA 14.2164 42.21% TL03*HOSPITALIZ 13.7005 82.36% HOSPITALIZ*AMBULATORIA -13.1242 -26.77% TL35*HOSPITALIZ 10.7008 78.02% GRADOGRAVE*AMBULATORIA 9.5619 44.25% RECAIDA*GRADOGRAVE -11.6703 -68.17% LUMBAGO*AMBULATORIA 6.1217 17.93% PARTE5*GRADOGRAVE -8.5884 -50.47% PARTE3*AMBULATORIA 6.8330 20.72% PARTE6*GRADOGRAVE -8.3870 -47.43% PARTE5*AMBULATORIA 6.1402 20.05% PARTE7*GRADOGRAVE -6.6968 -39.94% PARTE6*AMBULATORIA 6.0416 14.61% PARTE8*GRADOGRAVE -8.1033 -47.31% PARTE7*AMBULATORIA 4.9797 12.23% HOMBRE*LUMBAGO -14.3816 -15.34% PARTE8*AMBULATORIA 4.5455 13.52% TL08*LUMBAGO -13.0663 -21.21% TL03*AMBULATORIA -11.6669 -21.84% TL09*LUMBAGO -13.2096 -17.58% TL35*AMBULATORIA -7.9864 -22.06% TL10*LUMBAGO -10.8297 -14.92% PARTE3*RECAIDA -11.4538 -40.29% TL13*LUMBAGO -13.3511 -24.06% PARTE5*RECAIDA -9.1078 -36.67% BALEARES*LUMBAGO 8.3533 22.81% PARTE8*RECAIDA -8.1975 -34.11% HOMBRE*TL03 9.8593 13.01% TL05*RECAIDA -27.7697 -60.58% PARTE6*TL03 -20.7626 -31.20% TL06*RECAIDA -11.1822 -59.08% PARTE7*TL03 -12.1495 -23.70% TL07*RECAIDA -11.4110 -53.48% GRADOGRAVE*TL05 -12.2093 -38.40% TL11*RECAIDA -9.7014 -63.40% GRADOGRAVE*TL06 -5.2062 -32.46% RECAIDA*HOSPITALIZ -17.8097 -52.34% LUMBAGO*TL06 -3.0057 -78.44% Elaboración propia. Fuente: Base de datos ATR Resultados y conclusiones [35] 2.4. Conclusiones Para concluir se analiza en retrospectiva el trabajo llevado a cabo, los resultados obtenidos y si con él se han cumplido los objetivos marcados y sacado información interesante tras realizar todo el estudio. Realizando este estudio se ha constatado que es un campo de estudio muy extenso, con grandes dificultades de tratamiento de los resultados debido a la gran cantidad de factores pero a la vez muy útil ya que son datos muy fiables dada su procedencia, y dado que son datos poblacionales y no una pequeña muestra. Se observa que, en una mayor o menor medida, son muchos los factores influyentes, y que estos no son solo aquellos relacionados directamente con la baja, sino que otros también influyen, ya que ayudaban a ajustar mejor la estimación. Además, en comparación con otros trabajos se ha separado más ciertas variables, permitiendo ver que en la medida que se desagrega más, la estimación gana representatividad y se ajusta más. Dada la amplitud del tema, se sabe que existe una gran variedad de alternativas para analizar el fenómeno, y que claramente sería muy interesante conocer. Asimismo, se plantea también muy interesante la inclusión en el modelo de análisis otros años, lo que permitiría aumentar el tamaño muestral y a su vez, añadiría una nueva componente de riesgo moral que es la influencia del ciclo económico volviendo más complejo este, pero a la vez seguro que más afinado. Al inicio se planteaba la relevancia en sí de este tema, y con el análisis se refuerza esta idea. Como se ha podido observar en 2017 hubo más de 580.000 accidentes laborales (excluyendo los mortales y fallos de registro). Los cuales presentan una media de 32,25 días de período de baja, es decir, aproximadamente 18.758.019 días de bajas laborales entre todos los accidentes. Yendo más allá, la media de cuantía de subsidio diario percibida por los trabajadores accidentados era de 40,85€/día, con lo que podríamos decir que supone aproximadamente 766.265.000€ de gasto (El cual es cubierto por la Seguridad Social). Esto en el momento actual se perfila como muy importante, pues últimamente los gastos de la Seguridad Social son foco de atención en muchas ocasiones. Para poder realizar una mejor interpretación de los datos se realizaba un breve estudio de las distribuciones de los datos en general y confrontándolo con las distribuciones de los principales tipos de lesión. Con ello se ha podido constatar de manera relevante el fenómeno acerca de un sesgo en los datos, que muestran una mayor frecuencia de altas en los primeros días de la medida “semana” de la baja laboral, que a pesar de no haber podido explicarlo con total seguridad ni de corregirlo, es muy útil su conocimiento para posteriormente tenerlo en cuenta para las interpretaciones y para una mejor comprensión. De la misma manera al estudiar en detalle las distribuciones de ciertos grupos de lesión, se ha podido ver diferentes amplitudes y concentración de los datos, así como diferentes asimetría y forma en la que se presentan los datos con lo que se consigue entender mejor estos tipos de lesión. Como se ha podido comprobar las variables consideradas naturales influyen en una gran medida en la duración de la baja laboral, y en detalle se ha podido ver cuanto cada una. Concretamente se observaba que el género no parecía ser muy determinante mientras que la edad ha mostrado tener una gran influencia. Igualmente, las variables que reflejaban si el individuo ha percibido asistencia ambulatoria, si sufría un accidente considerado como recaída, si había sido hospitalizado y si sufría una lesión de grado grave, se han mostrado Capítulo 2 [36] como muy influyentes y con una gran capacidad explicativa para el modelo. De la misma manera las partes del cuerpo también enseñaban alta significatividad y con diferentes niveles entre unas y otras. Las variables de tipo de lesión, en las cuales se ha centrado más el estudio eran más dispares entre unas y otras, pero que de manera general se podría decir que todas aquellas dentro del grupo de las más representativas (en cuanto a volumen de datos) mostraban altos poderes de explicación para el modelo y dependiendo de cual se tratase con unos diferenciales en comparación negativos o positivos. Después al añadir las variables de “riesgo moral” se ha podido ver que mejoraban la estimación en cierta medida. Dentro de ellas no todas han resultado ser muy significativas, pero ello era parte del análisis ya que todas y cada una de ellas se añadían en hipótesis para de esa manera intentar ver de verdad cuales lo eran (para el método utilizado y los datos disponibles). De manera rápida resumiendo, se ha podido observar que las variables económicas puras no han reflejado ser de las más explicativas, mientras que las variables asociadas al tipo de trabajo se mostraban bastante influyentes, sobre todo las de sector económico al que pertenece el individuo. Luego se comprobaba como la enfermedad “lumbalgia” era muy significativa y con una duración menor en comparación. Por otro lado, en las variables de tiempo, ciertos días de la semana, y ciertas estaciones del año sí que figuran como significativamente distintas de la constante también, pero sin suponer diferencias excesivas en las duraciones. En último lugar, las variables espaciales eran en su mayoría muy influyentes y a su vez mostrando en algunos casos altos diferenciales entre unas comunidades y otras principalmente. Por ello se ve que también ejercen una influencia estas variables que a priori no deberían, y que por tanto serían muy interesantes de estudiar más a fondo, sobre todo aquellas más determinantes. Para finalizar, con los dos estudios complementarios realizados se ha profundizado en niveles más considerables capacitando de un mejor análisis e interpretación. Primero al cambiar las variables que se usan para agrupar los tipos de lesión se observa que mejora mucho la capacidad explicativa del modelo, y que ciertas variables ven modificados sus valores “t” o sus coeficientes, comentando los principales cambios. En general se veía una pérdida de poder explicativo en las variables naturales acompañada de disminuciones a su vez de los coeficientes, que podría parecer normal, y a su vez se veía un aumento del poder explicativo en las variables de riesgo moral, pero con excepciones y donde incluso se observaban cambios de signo en variables como trabajador del sector público, ocupación no física o porcentajes tanto positivos como negativos intensificados. Por otro lado, se analizaban en detalle ciertas variables como podían ser el género, hospitalización, recaída… con ánimo de ver interacciones con todas las demás variables. Los resultados reflejaban que hay ciertas variables que al presentarse juntas aumentaban su influencia (positiva o negativa) o en ciertos casos también hacia disminuir la influencia acercando a 0% el porcentaje de cambio de la duración en total con los 3 efectos (ambas por sí solas más ambas en conjunto). Esto, aunque no parezca a priori relevante, lo es, pues muestra que hay factores que al presentarse en el individuo a la vez no son como en la regresión se creía o que se comportan de una manera un distinta. De modo general podríamos decir que se cumplen los objetivos del trabajo pues se ha realizado un análisis amplio, meticuloso y riguroso de las bajas laborales de 2017 observando datos relevadores. No obstante, al tratarse de un objetivo no concreto siempre podría existir la opción de completarle más dada la variedad de posibilidades y alternativas en cuánto a métodos a aplicar, y que según se ha ido realizando este estudio salen a la luz algunas de ellas como interesantes a realizar gracias a él. Anexos [37] 3. Bibliografía consultada 1. Albertí, C., Jardí, J., López, R. M., Rocamora, I. T., Delclós, J., & Benavides, F. G. (2012). “Incapacidad temporal por enfermedad común y accidente no laboral en Cataluña”, 2007-2010. Archivos de prevención de riesgos laborales, 15(4), 172-177 2. de Blas, A. M., Román, Á. M., & Caballero, J. C. R. (2013). El papel de las ETTs en la reducción del riesgo moral asociado al seguro por accidentes de trabajo: El caso de España. Estudios de economía aplicada, 31(2), 13-26. 3. Bolduc, D., Fortin, B., Labrecque, F., & Lanoie, P. (2002). “Workers' compensation, moral hazard and the composition of workplace injuries”. Journal of Human Resources, 623-652 4. Boone, J., & Van Ours, J. C. (2002). “Cyclical fluctuations in workplace accidents” 5. Catalina-Romero, C., Martínez-Muñoz, P., Quevedo-Aguado, L., Ruiz-Moraga, M., Fernández-Labandera, C., & Calvo-Bonacho, E. (2013). Predictores de la duración de la incapacidad temporal por contingencias comunes en los trastornos de ansiedad. Gaceta Sanitaria, 27(1), 40-46 6. Dionne, G., & St-Michel, P. (1991). “Workers’ compensation and moral hazard”. Review of Economics and Statistics, 73(2), 236-244. 7. García, A. M., Gadea, R., & López, V. (2007). Impacto de las enfermedades laborales en España. Informe. Madrid: Instituto Sindical de Trabajo, Ambiente y Salud. 8. Herrero, H. C., Román, Á. M., & de Blas, A. M. (2008). La duración de las bajas por accidente laboral en España:¿ Se justifican las diferencias entre comunidades autónomas?. Revista de Economía Laboral, 5(1), 73-98. 9. Krueger, A. B. (1990). Workers' compensation insurance and the duration of workplace injuries (No. w3253). National Bureau of Economic Research. 10. Markussen, S. (2012). The individual cost of sick leave. Journal of Population Economics, 25(4), 1287-1306. 11. Martín-Román, A. (2008). Moral hazard and gender differences in the workplace accidents insurance. Empirical Economics Letters, 7(7), 707-713. Anexos [38] 12. Martín Román, Á., & Moral de Blas, A. (2005). Los efectos conjuntos de la temporalidad y la indemnización sobre la duración de las bajas causadas por accidentes laborales. 13. Martin-Roman, A., Moral, A., & Corrales-Herrero, C. (2013). Shorter or longer? Sick leave spells and the business cycle for self-employed workers in Spain. Empirical Econ Lett, 12(10), 1089-1096. 14. Martín-Román, Á. L., & Moral, A. (2014). Differences between Spanish and foreign workers in the duration of workplace accident leave: a stochastic frontier analysis. In Disadvantaged Workers (pp. 277-295). Springer, Cham. 15. Martin-Roman, A. L., & Moral, A. (2016). Moral Hazard in Monday claim filing: evidence from Spanish sick leave insurance. The BE Journal of Economic Analysis & Policy, 16(1), 437-476. 16. Martín-Román, Á., & Moral, A. (2017). A methodological proposal to evaluate the cost of duration moral hazard in workplace accident insurance. The European Journal of Health Economics, 18(9), 1181-1198 17. Osterkamp, R., & Röhn, O. (2005). Being on sick leave: Possible explanations for differences of sick-leave days across countries privatization (No. 19). Ifo working paper 18. Velasco, M. S. (2004). Educación y salarios de los trabajadores en España: Nueva evidencia. 19. Waehrer, G. M., Dong, X. S., Miller, T., Haile, E., & Men, Y. (2007). Costs of occupational injuries in construction in the United States. Accident Analysis & Prevention, 39(6), 1258-1266. Anexos [39] 4. Anexos 4.1. Anexos capítulo 1 Tabla 1.1. Clasificación de la variable “Tipos de lesión”. Elaboración propia. Código Tipo de lesión Código Tipo de lesión TL01 Lesiones superficiales y cuerpos extraños en los ojos TL20 Infecciones agudas TL02 Lesion desconocida TL21 Otros tipos de envenenamientos e infecciones Tl03 Heridas abiertas TL22 Asfixia TL04 Otros tipos de heridas y lesiones superficiales TL23 Ahogamiento y sumersiones no mortales TL05 Fracturas cerradas TL24 Otros tipos de ahogamiento y asfixia TL06 Fracturas abiertas TL25 Pérdida auditiva aguda TL07 Otras fracturas TL26 Efectos de la presión (barotrauma) TL08 Dislocaciones y subluxaciones TL27 Otros efectos agudos del ruido, la vibración y la presión TL09 Esguinces y torceduras TL28 Calor e insolación TL10 Otros tipos de dislocaciones, esguinces y distensiones TL29 Efectos de la radiación no térmica (rayos X, sustancias radioactivas, etc) TL11 Amputaciones traumáticas, pérdidas de partes del cuerpo TL30 Efectos de las bajas temperaturas TL12 Conmoción y lesiones intracraneales TL31 Otros efectos de las temperaturas extremas, la luz y la radiación TL13 Lesiones internas TL32 Daños psicológicos debidos a agresiones o amenazas TL14 Otros tipos de conmoción y lesiones internas TL33 Choques traumáticos (eléctricos, provocados por un rayo, etc) TL15 Quemaduras y escaldaduras (térmicas) TL34 Otros tipos de choques (desastres naturales, choque anafiláctico, etc) TL16 Quemaduras químicas (corrosión) TL35 Lesiones múltiples TL17 Congelación TL36 Infartos, derrames cerebrales y otras patologías no traumáticas TL18 Otros tipos de quemaduras, escaldaduras y congelación TL37 Otras lesiones especificadas no incluidas en otros apartados TL19 Envenenamientos agudos Tabla 1.2 Clasificación variable “Parte del cuerpo lesionada”. Elaboración propia Código Parte del cuerpo lesionada (Grupo) Códigos que incluye Parte 1 Cabeza (incluye ojos, orejas, zona facial…) 10,11,12,13,14,15,18,19 Parte 2 Parte del cuerpo afectada sin especificar 00 Parte 3 Cuello 20,21,29 Parte 4 Espalda y columna 30,31,39 Parte 5 Tronco y órganos 40,41,42,43,48,49 Parte 6 Extremidades superiores 50,51,52,53,54,55,58,59 Parte 7 Extremidades inferiores 60,61,62,63,64,65,68,69 Parte 8 Todo el cuerpo y múltiples partes 70,71,78 Parte 9 Otras partes no mencionadas anteriormente 99 Tabla 1.3 Grupos de edad utilizados en el estudio. Elaboración propia Código asignado Intervalo de años (Ambos incluidos) Edad4 40 hasta 45 Edad5 45 hasta 52 Edad1 16 hasta 24 Edad6 53 hasta 60 Edad2 25 hasta 32 Edad7 61 hasta 67 Edad3 33 hasta 39 Edad8 68 hasta 85 Anexos [40] 4.2. Anexos capítulo 2 Tabla 2.3 Regresión MCO de todas las variables relacionadas directas y de riesgo moral Variable Coefficient t-Statistic Variable Coefficient t-Statistic TL29 -0.426454 -3.278621 C 1.776256 136.962 TL30 -0.285736 -0.689785 HOMBRE -0.036128 -11.58147 TL31 -0.398477 -3.639762 EDAD2 0.090253 15.40207 TL32 0.700602 17.5601 EDAD3 0.184363 31.88407 TL33 0.004798 0.179947 EDAD4 0.26124 44.19783 TL34 0.327137 3.301549 EDAD5 0.326638 54.78994 TL35 0.356477 31.00162 EDAD6 0.415943 66.46644 TL36 1.267646 31.98098 EDAD7 0.520071 54.63345 TL37 0.177327 14.01168 EDAD8 0.528623 9.07676 TEMPORAL -0.007949 -2.695194 AMBULATORIA -0.191829 -36.7967 OTROSCONTRATOS 0.110528 2.202739 RECAIDA 0.454109 68.25401 CUANTDIA 0.0000525 1.176316 HOSPITALIZ 0.648934 60.73011 SITPROF2 -0.007386 -1.63264 GRADOGRAVE 0.996312 53.56078 SITPROF3 0.279323 4.422128 PARTE2 0.818188 21.60213 SITPROF4 0.203032 6.850466 PARTE3 0.79689 97.04473 EXTRACTIVAS 0.132907 5.326234 PARTE4 0.602844 76.54446 INDUSTRIA -0.127651 -18.665 PARTE5 0.583239 64.93274 CONSTRUCCION -0.077212 -10.71328 PARTE6 0.767829 114.718 SERVICIOS -0.1151 -18.21711 PARTE7 0.769766 111.8415 OCUPACIONNOFISICA 0.018358 4.241133 PARTE8 0.897393 99.48739 LUMBAGO -0.275601 -43.0775 PARTE9 0.73041 25.25359 MARTES -0.005574 -1.312073 TL02 0.170135 9.971822 MIERCOLES -0.00381 -0.886656 TL03 -0.047689 -8.169193 JUEVES 0.035027 8.014502 TL04 0.035121 5.653564 VIERNES 0.108604 24.30138 TL05 1.191504 178.9529 SABADO 0.083931 13.90184 TL06 1.121609 63.61711 DOMINGO 0.076342 10.52802 TL07 1.097801 75.07661 ESTACION2 -0.052783 -14.15717 TL08 0.313899 49.89953 ESTACION3 -0.038071 -10.06509 TL09 0.218336 48.97121 ESTACION4 -0.002506 -0.661114 TL10 0.219639 44.27623 ESP 0.034963 7.753864 TL11 1.047839 34.89878 GALICIA 0.366163 53.21848 TL12 0.479854 16.22625 ASTURIAS 0.274221 26.12534 TL13 0.275185 40.93444 CANTABRIA 0.443075 32.41885 TL14 0.254746 15.86446 PAISVASCO 0.070923 10.44565 TL15 -0.196858 -13.63871 NAVARRA 0.041881 3.70462 TL16 0.013423 0.438073 LARIOJA 0.138932 8.565798 TL17 -0.029714 -0.137322 ARAGON 0.143209 16.56074 TL18 -0.072067 -2.736133 CATALUNA 0.062533 13.20344 TL19 -0.675992 -7.643337 CASTILLAYLEON 0.177063 24.36651 TL20 -0.099354 -1.750401 EXTREMADURA 0.07964 7.363191 TL21 -0.441792 -8.376345 CASTILLALAMANCHA 0.105079 13.99565 TL22 -0.468251 -5.212533 COMVALENCIAN 0.226892 39.91357 TL23 0.221408 0.925693 ANDALUCIA 0.072377 14.72169 TL24 -0.519259 -5.479796 MURCIA 0.18321 22.03084 TL25 1.733663 6.159201 BALEARES 0.014446 1.912965 TL26 0.2068 2.132129 CANARIAS 0.071308 10.06883 TL27 0.097803 1.896246 CEUTAYMELILLA 0.173351 5.962599 TL28 -0.56921 -5.16574 Anexos [41] Tabla 2.3 (continuación). Tabla 2.4 Transformación de los coeficientes de la tabla 2.2 Tabla 2.5 Transformación de los coeficientes de la tabla 2.3 C 5.90770 TL05 229.20% TL29 -34.72% VIERNES 11.47% HOMBRE -3.55% TL06 206.98% TL30 -24.85% SABADO 8.76% EDAD2 9.45% TL07 199.76% TL31 -32.87% DOMINGO 7.93% EDAD3 20.25% TL08 36.88% TL32 101.50% ESTACION2 -5.14% EDAD4 29.85% TL09 24.40% TL33 0.48% ESTACION3 -3.74% EDAD5 38.63% TL10 24.56% TL34 38.70% ESTACION4 -0.25% EDAD6 51.58% TL11 185.15% TL35 42.83% ESP 3.56% EDAD7 68.21% TL12 61.58% TL36 255.25% GALICIA 44.22% EDAD8 69.66% TL13 31.68% TL37 19.40% ASTURIAS 31.55% AMBULATORIA -17.46% TL14 29.01% TEMPORAL -0.79% CANTABRIA 55.75% RECAIDA 57.48% TL15 -17.87% OTROSCONTRATOS 11.69% PAISVASCO 7.35% HOSPITALIZ 91.35% TL16 1.35% CUANTDIA 0.01% NAVARRA 4.28% GRADOGRAVE 170.83% TL17 -2.93% SITPROF2 -0.74% LARIOJA 14.90% PARTE2 126.64% TL18 -6.95% SITPROF3 32.22% ARAGON 15.40% PARTE3 121.86% TL19 -49.13% SITPROF4 22.51% CATALUNA 6.45% PARTE4 82.73% TL20 -9.46% EXTRACTIVAS 14.21% CASTILLAYLEON 19.37% PARTE5 79.18% TL21 -35.71% INDUSTRIA -11.98% EXTREMADURA 8.29% PARTE6 115.51% TL22 -37.39% CONSTRUCCION -7.43% CASTILLALAMANCHA 11.08% PARTE7 115.93% TL23 24.78% SERVICIOS -10.87% COMVALENCIAN 25.47% PARTE8 145.32% TL24 -40.50% OCUPACIONNOFISICA 1.85% ANDALUCIA 7.51% PARTE9 107.59% TL25 466.14% LUMBAGO -24.09% MURCIA 20.11% TL02 18.55% TL26 22.97% MARTES -0.56% BALEARES 1.46% TL03 -4.66% TL27 10.27% MIERCOLES -0.38% CANARIAS 7.39% TL04 3.57% TL28 -43.40% JUEVES 3.56% CEUTAYMELILLA 18.93% R-squared 0.18959 Mean dependent var 2.79818 Adjusted R-squared 0.189457 S.D. dependent var 1.126911 S.E. of regression 1.014559 Akaike info criterion 2.866951 Sum squared resid 597311.5 Schwarz criterion 2.868816 F-statistic 1429.002 Durbin-Watson stat 1.962106 Prob(F-statistic) 0 C 6.09655 GRADOGRAVE 176.51% TL05 235.86% TL17 7.91% TL29 -26.10% HOMBRE -3.15% PARTE2 120.51% TL06 213.30% TL18 -7.54% TL30 -21.05% EDAD2 9.69% PARTE3 120.81% TL07 203.60% TL19 -44.55% TL31 -33.42% EDAD3 20.61% PARTE4 58.22% TL08 37.56% TL20 -6.83% TL32 106.96% EDAD4 30.38% PARTE5 78.70% TL09 25.45% TL21 -35.51% TL33 0.75% EDAD5 39.19% PARTE6 114.69% TL10 26.07% TL22 -38.70% TL34 43.78% EDAD6 52.89% PARTE7 115.14% TL11 192.42% TL23 29.74% TL35 43.71% EDAD7 70.05% PARTE8 141.34% TL12 61.00% TL24 -41.50% TL36 261.39% EDAD8 68.33% PARTE9 105.41% TL13 28.86% TL25 474.31% TL37 18.12% AMBULATORIA -17.59% TL02 20.90% TL14 28.75% TL26 20.17% RECAIDA 57.39% TL03 -3.96% TL15 -17.74% TL27 10.68% HOSPITALIZ 92.32% TL04 3.80% TL16 3.61% TL28 -42.16%