2.1. Hipótesis de investigación

La literatura revisada sugiere que la financiación sanitaria puede desempeñar un papel redistributivo dentro de un marco macroeconómico más amplio en el que interactúan política fiscal, desarrollo económico y estructura institucional. Desde la teoría de las finanzas públicas (Musgrave, 1959; Ostry et al., 2014), el gasto público puede contribuir a reducir desigualdades cuando opera mediante mecanismos progresivos. En contraste, la evidencia sobre protección financiera indica que una elevada dependencia de pagos directos puede generar efectos regresivos y riesgo de empobrecimiento (Xu et al., 2003; Flores et al., 2018).

Asimismo, la literatura sobre economía política y dinámica distributiva enfatiza la persistencia estructural de la desigualdad y la influencia de variables macroeconómicas y sociales en su evolución (Alesina & Rodrik, 1994; Piketty, 2014; Milanovic, 2016). En este contexto, factores como el desarrollo económico, el desempleo, la inflación, el capital humano y los resultados sanitarios han sido identificados como determinantes relevantes de la distribución del ingreso. Con base en estos fundamentos teóricos, se formulan las siguientes hipótesis:

3.1. Fuente y construcción de la base de datos

Los datos provienen de la base World Development Indicators (WDI) del Banco Mundial, que proporciona series homogéneas y comparables a nivel internacional para variables económicas, sociales y sanitarias. El período 2000–2020 fue seleccionado por razones conceptuales y de disponibilidad de datos comparables. A partir del año 2000, la cobertura y consistencia metodológica de los indicadores de desigualdad y financiación sanitaria en el World Development Indicators (WDI) mejora sustancialmente, permitiendo una mayor homogeneidad en la construcción del panel internacional. Por su parte, 2020 representa el último año con información consolidada para la mayoría de los países antes de las disrupciones económicas y estadísticas asociadas a la pandemia de la COVID-19, las cuales podrían introducir sesgos excepcionales en la dinámica distributiva y en el gasto sanitario.

Inicialmente se consideraron 166 países y territorios incluidos en la base. El proceso de depuración se realizó en varias etapas. En primer lugar, se excluyeron 12 agregados regionales y económicos (por ejemplo, “World”, “High income”, “Sub-Saharan Africa”), dado que no representan unidades soberanas individuales y podrían distorsionar el análisis comparativo entre países. En segundo lugar, se eliminaron 19 países adicionales debido a información insuficiente en variables clave del modelo —especialmente el coeficiente de Gini— o a series altamente incompletas tras la eliminación de observaciones con valores faltantes. Tras este proceso, la muestra final utilizada en las estimaciones quedó conformada por 135 países y 1,361 observaciones para el período 2000–2020.

Dada la disponibilidad heterogénea de información entre países y años, se optó por trabajar con un panel desbalanceado, lo que permitió maximizar la cobertura temporal y geográfica sin recurrir a imputaciones artificiales de datos faltantes. Las estimaciones se realizaron considerando únicamente observaciones con información completa para las variables incluidas en cada especificación econométrica. No se aplicaron procedimientos de imputación de datos omitidos. Este enfoque es habitual en estudios comparativos internacionales, aunque se reconoce que la ausencia de observaciones completas podría generar sesgos si los datos omitidos no son aleatorios. Para mitigar este riesgo, se realizaron análisis de robustez y controles adicionales por región y nivel de ingreso, cuyos resultados no alteran sustantivamente las conclusiones principales. El listado completo de los 135 países incluidos en la muestra se presenta en el Apéndice A.

3.2. Variables del estudio

La selección de variables responde a los principales mecanismos teóricos a través de los cuales la financiación sanitaria puede influir sobre la desigualdad del ingreso. Desde una perspectiva distributiva, el gasto total en salud puede operar como mecanismo redistributivo cuando se financia mediante esquemas progresivos, mientras que una mayor dependencia de pagos de bolsillo tiende a generar cargas financieras regresivas para los hogares. Asimismo, se incorporan variables macroeconómicas, educativas y sanitarias que capturan condiciones estructurales del desarrollo económico y humano, ampliamente identificadas en la literatura como determinantes fundamentales de la desigualdad.

El gasto total en salud (% del PIB) corresponde al gasto corriente total en salud reportado por el Banco Mundial, el cual incluye componentes públicos y privados, entre ellos el gasto gubernamental, los esquemas obligatorios de seguro y los pagos directos de los hogares. Por su parte, los pagos de bolsillo (GBolsillo) representan específicamente el componente financiado directamente por los hogares dentro de dicho gasto total. Aunque ambas variables están contablemente relacionadas, su inclusión simultánea permite distinguir entre el esfuerzo sanitario agregado de la economía y la estructura específica de financiación del sistema de salud. En términos econométricos, no se produce doble contabilización en la estimación, dado que el modelo evalúa efectos marginales condicionados a la presencia conjunta de ambas dimensiones. De este modo, el coeficiente asociado al gasto total captura variaciones en el esfuerzo sanitario agregado, mientras que el coeficiente de GBolsillo refleja cambios en la composición interna del financiamiento.

Dado su carácter estructural e institucional, estas variables reflejan decisiones de política pública y condiciones macroeconómicas de ajuste relativamente lento, lo que justifica su tratamiento como variables contemporáneas en la especificación dinámica. Si bien podrían explorarse interacciones entre mecanismos de financiación sanitaria y grupos de países según nivel de ingreso, el objetivo principal del estudio es identificar patrones promedio a nivel global. El análisis por clusters de ingreso constituye una posible extensión futura orientada a profundizar en heterogeneidades estructurales. A continuación, se describen las variables empleadas en el análisis:

La Tabla 2 presenta la definición, medición y fuente de cada variable utilizada en el análisis.

3.3. Modelo econométrico

Se estimó un modelo de datos de panel con efectos fijos por país, que permite controlar la heterogeneidad no observada constante en el tiempo. La especificación general es:

En la ecuación (1), α representa el intercepto común, μ_i captura los efectos fijos específicos de cada país —que recogen características estructurales no observadas y constantes en el tiempo— y ε_it corresponde al término de error idiosincrático. Esta especificación permite aislar el efecto de las variables explicativas controlando la heterogeneidad inobservable entre países. La identificación del modelo se basa en la variación intra-país a lo largo del período analizado, capturando cómo los cambios en los mecanismos de financiación sanitaria dentro de cada economía se asocian con variaciones en la desigualdad del ingreso. Adicionalmente, se estimó una especificación dinámica incorporando el término rezagado de la variable dependiente:

En la ecuación (2), el parámetro γ mide el grado de persistencia temporal de la desigualdad del ingreso. Dado que la inclusión del término rezagado en un modelo de panel con efectos fijos genera sesgo dinámico (Nickell bias), la especificación fue estimada mediante el estimador GMM en primeras diferencias de Arellano–Bond (difference GMM, two-step). Desde el punto de vista econométrico, la estimación dinámica se fundamenta en el marco desarrollado por Arellano y Bond (1991), quienes propusieron el estimador GMM en diferencias para paneles con efectos fijos y variable dependiente rezagada. Blundell y Bond (1998) ampliaron este enfoque mediante el sistema GMM, mientras que Roodman (2009) advirtió sobre los riesgos de proliferación instrumental en muestras con dimensiones temporales moderadas, recomendación que fue considerada en el presente estudio al limitar el número de instrumentos. En esta estimación, únicamente el término rezagado de la variable dependiente fue tratado como potencialmente endógeno e instrumentado mediante retardos de segundo y tercer orden en niveles. Las demás variables explicativas se consideraron exógenas bajo el supuesto de ausencia de correlación contemporánea con el término de error en diferencias. En la estimación en primeras diferencias, los efectos fijos individuales se eliminan mediante la transformación del modelo.

3.4. Validación estadística

Como parte del protocolo de selección del estimador, se aplicó la prueba de Hausman para contrastar la consistencia entre los modelos de efectos fijos y efectos aleatorios. El estadístico obtenido fue ${\chi }^2$(8) = 65.12 (p < 0.001), lo que permite rechazar la hipótesis nula de consistencia del modelo de efectos aleatorios y confirma la idoneidad del modelo de efectos fijos como especificación principal. La prueba Breusch–Godfrey/Wooldridge para autocorrelación serial en datos de panel indicó la presencia de correlación de primer orden ( ${\chi }^2$(1) = 367.53; p < 0.001). En consecuencia, las estimaciones se realizaron utilizando errores estándar robustos agrupados por país, con el fin de corregir simultáneamente la heterocedasticidad y la autocorrelación intra-grupo. En cuanto a la multicolinealidad, los factores de inflación de la varianza (VIF) oscilaron entre 1.11 y 5.86, situándose por debajo del umbral crítico convencional de 10, lo que indica ausencia de problemas severos de colinealidad entre las variables explicativas.

Los procesos de tratamiento de datos, estimaciones econométricas y visualizaciones se realizaron utilizando Python en el entorno Google Colab. La estimación del modelo dinámico mediante el estimador GMM de Arellano–Bond se implementó en R, empleando el paquete plm, dada su especialización en modelos dinámicos de panel. En la especificación dinámica se verificó que el número de instrumentos se mantuviera en un rango comparable al número de grupos del panel (N = 135), evitando problemas de proliferación instrumental.

Adicionalmente, se realizaron verificaciones de robustez muestral con el fin de evaluar la estabilidad de las estimaciones frente a la estructura desbalanceada del panel. Se exploró la estimación bajo un panel estrictamente balanceado; sin embargo, únicamente nueve países presentaban series completas para todo el período 2000–2020, lo que implicaba una reducción sustancial de la muestra y del poder estadístico, sin mejorar la consistencia de las estimaciones. Asimismo, se examinó la posible influencia de observaciones extremas mediante el análisis de la distribución del coeficiente de Gini y la inspección de valores influyentes, no identificándose outliers que alteraran de manera relevante los coeficientes principales. En conjunto, estas verificaciones respaldan la estabilidad empírica de las estimaciones presentadas.

3.5. Análisis bibliométrico complementario

Se realizó un análisis bibliométrico complementario mediante la herramienta Connected Papers, con el propósito de identificar los trabajos seminales y las principales conexiones estructurales dentro del campo de la equidad en la financiación sanitaria. El análisis se basó exclusivamente en literatura académica indexada en Scopus y Web of Science, permitiendo visualizar redes de citación y similitud temática a partir de artículos clave previamente identificados en la revisión sistemática. Este ejercicio tuvo un carácter metodológico y descriptivo, orientado a respaldar la selección y organización de la literatura discutida en la sección 2, sin introducir nuevas fuentes ni modificar el marco teórico desarrollado.

4.1. Tendencias temporales

Con el objetivo de ilustrar la heterogeneidad de las trayectorias de desigualdad dentro del panel internacional, la Figura 2 presenta la evolución temporal del coeficiente de Gini entre 2000 y 2020 para un conjunto seleccionado de países: Estonia, Grecia, Irlanda, Corea del Sur y Estados Unidos. La selección responde a criterios de diversidad regional, nivel de ingreso y diferencias institucionales en los sistemas de financiación sanitaria. Su propósito es exclusivamente ilustrativo y no pretende representar el comportamiento promedio del conjunto del panel.

Las series muestran dinámicas diferenciadas en la evolución de la desigualdad del ingreso a lo largo del período analizado, incluyendo trayectorias relativamente estables en algunos casos y fluctuaciones más pronunciadas en otros. Estas variaciones reflejan la diversidad estructural existente entre economías avanzadas y emergentes dentro del panel.

Figura 2Tendencia temporal del Gini por país 

Fuente: elaboración propia a partir de datos del World Development Indicators (World Bank, 2025), período 2000–2020.

La Figura 3 presenta la evolución temporal de los pagos de bolsillo como porcentaje del gasto corriente en salud. Se observan patrones heterogéneos entre países, con reducciones graduales en algunos casos y niveles persistentemente elevados en otros. La figura permite visualizar la variabilidad en la estructura de financiación sanitaria entre economías con distintos niveles de desarrollo.

Figura 3Tendencia temporal de pagos de bolsillo (GBolsillo) por país 

Fuente: elaboración propia a partir de datos del World Development Indicators (World Bank, 2025), período 2000–2020.

Por su parte, la Figura 4 muestra la evolución del gasto total en salud como porcentaje del PIB. En términos generales, se aprecia una tendencia creciente en la mayoría de los países, especialmente a partir de la década de 2010, aunque con diferencias notables en magnitud y ritmo de crecimiento.

Figura 4Tendencia temporal del Gasto total en salud (GSalud) por país 

Fuente: elaboración propia a partir de datos del World Development Indicators (World Bank, 2025), período 2000–2020.

Estas visualizaciones cumplen una función descriptiva preliminar e ilustrativa. La selección de cinco países responde a criterios de claridad expositiva y legibilidad gráfica, dado que la inclusión del panel completo dificultaría la interpretación visual. Las inferencias estadísticas y las conclusiones generales del estudio se derivan exclusivamente de las estimaciones econométricas aplicadas al conjunto completo de los 135 países incluidos en la muestra.

4.2. Relaciones bivariadas

Las Figuras 5 y 6 presentan diagramas de dispersión que ilustran la relación entre el coeficiente de Gini y, respectivamente, los pagos de bolsillo y el gasto total en salud, diferenciando por años seleccionados. En el caso de los pagos de bolsillo (Figura 5), se observa una asociación positiva moderada entre mayores niveles de desigualdad del ingreso y una mayor dependencia de pagos directos de los hogares. Esta relación se mantiene relativamente estable a lo largo del tiempo, aunque con una dispersión considerable, lo que sugiere la influencia simultánea de factores estructurales adicionales que no pueden capturarse mediante un análisis bivariado.

Figura 5Relación entre desigualdad del ingreso (Gini) y pagos de bolsillo (GBolsillo) por año 

Fuente: elaboración propia a partir de datos del World Development Indicators (World Bank, 2025), período 2000–2020.

Por su parte, la relación entre el coeficiente de Gini y el gasto total en salud (Figura 6) muestra una asociación negativa débil, indicando que los países con mayor esfuerzo sanitario tienden, en promedio, a presentar menores niveles de desigualdad. No obstante, esta relación no es estrictamente lineal ni uniforme entre países, lo que anticipa la necesidad de un análisis econométrico multivariado que permita controlar por otras dimensiones económicas y sociales relevantes.

Figura 6Relación entre desigualdad del ingreso (Gini) y gasto total en salud por año 

Fuente: elaboración propia a partir de datos del World Development Indicators (World Bank, 2025), período 2000–2020.

4.3. Análisis de correlación entre variables económicas y sociales

La Figura 7 presenta la matriz de correlación entre las principales variables económicas, sociales y sanitarias incluidas en el estudio. Se observan varios patrones relevantes que permiten contextualizar las estimaciones econométricas posteriores. El coeficiente de Gini muestra una correlación positiva con los pagos de bolsillo (0.21) y con la mortalidad infantil (0.37), mientras que presenta asociaciones negativas con el gasto total en salud (−0.23), el PIB per cápita (−0.39), el nivel educativo (−0.41) y la esperanza de vida (−0.37). Estas relaciones sugieren que mayores niveles de desarrollo económico y mejores condiciones sociales tienden a asociarse descriptivamente con menores niveles de desigualdad del ingreso. En cuanto a la estructura del sistema sanitario, el gasto total en salud presenta correlaciones positivas con la esperanza de vida (0.57) y con el PIB per cápita (0.51), así como una relación negativa con la mortalidad infantil (−0.49). Por su parte, los pagos de bolsillo muestran correlaciones negativas con el PIB per cápita (−0.56), con la educación (−0.51) y con la esperanza de vida (−0.50), lo que sugiere que este mecanismo de financiación es relativamente más frecuente en contextos de menor desarrollo relativo.

Destaca además la fuerte relación negativa entre esperanza de vida y mortalidad infantil (−0.87), así como la elevada asociación entre educación y esperanza de vida (0.74), lo que evidencia la interconexión estructural entre desarrollo humano y resultados sanitarios. Estas relaciones descriptivas sirven como contexto preliminar para el análisis econométrico multivariado presentado en la siguiente sección.

Figura 7Matriz de correlación de variables económicas y de salud 

Fuente: elaboración propia a partir de datos del World Development Indicators (World Bank, 2025)

4.4. Distribución espacial de la desigualdad del ingreso

La Figura 8 muestra la distribución geográfica del coeficiente de Gini en el año 2020. Se observan diferencias regionales significativas, con niveles más elevados de desigualdad concentrados en América Latina y en algunas economías de ingresos medios, mientras que Europa y otras economías avanzadas presentan niveles relativamente más bajos. Este patrón espacial refuerza la pertinencia de un análisis comparativo internacional y sugiere que los mecanismos de financiación sanitaria operan dentro de estructuras institucionales y socioeconómicas más amplias que pueden contribuir a explicar parte de la variación observada en la desigualdad del ingreso entre regiones.

Figura 8Distribución espacial del coeficiente de Gini, 2020 

Fuente: Elaboración propia a partir de datos del World Development Indicators (World Bank, 2025), año 2020.

4.5. Resultados del modelo principal: efectos fijos

Se estimó el modelo de efectos fijos descrito en la sección metodológica, seleccionado como especificación principal a partir de la prueba de Hausman y de la estructura del panel no balanceado analizado. Esta especificación captura asociaciones contemporáneas dentro de los países a lo largo del tiempo, controlando por heterogeneidad inobservable invariante a nivel país.

La Tabla 3 presenta los coeficientes estimados junto con sus errores estándar robustos agrupados por país y los niveles de significancia estadística. Asimismo, se indica el signo esperado de cada variable de acuerdo con las hipótesis formuladas en la Sección 2, lo que permite evaluar la coherencia entre los resultados empíricos y el marco teórico del estudio.

En cuanto a las variables principales, el gasto total en salud como porcentaje del PIB presenta un coeficiente negativo (β = −0.309; p < 0.10), lo que sugiere que mayores niveles de esfuerzo sanitario agregado se asocian con reducciones moderadas en el coeficiente de Gini dentro de los países. La magnitud y significancia marginal del efecto indican la presencia de un posible componente redistributivo contemporáneo, aunque de intensidad moderada.

Por su parte, los pagos de bolsillo muestran un coeficiente positivo y estadísticamente significativo (β = 0.088; p < 0.05), lo que constituye evidencia consistente con su carácter regresivo. Una mayor dependencia de la financiación directa por parte de los hogares se asocia con incrementos en la desigualdad del ingreso.

Entre las variables de control, la tasa de desempleo presenta un efecto positivo y significativo (β = 0.125; p < 0.10), lo que refuerza el papel del mercado laboral como canal relevante en la dinámica distributiva. La mortalidad infantil también muestra una asociación positiva y débilmente significativa (β = 0.150; p < 0.10), sugiriendo que condiciones sanitarias adversas pueden operar como indicador estructural vinculado a mayores niveles de desigualdad.

En contraste, el PIB per cápita (β = 0.00002), la educación (β = 0.005), la inflación (β = −0.016) y la esperanza de vida (β = −0.076) no resultan estadísticamente significativos en esta especificación. No obstante, su inclusión responde a fundamentos teóricos y permite aislar el efecto parcial de las variables centrales.

El modelo presenta un R² within de 0.182 y un estadístico F robusto significativo (p < 0.001), lo que indica que las variables explicativas contribuyen conjuntamente a explicar la variación intra-país de la desigualdad.

Estos resultados constituyen la base para la evaluación formal de las hipótesis planteadas, bajo una especificación estática que no incorpora persistencia temporal.

4.6. Estimación dinámica mediante GMM (Arellano–Bond)

Con el fin de evaluar la estabilidad de estas asociaciones frente a posibles problemas de endogeneidad y a la persistencia temporal de la desigualdad, se estimó un modelo dinámico de panel mediante el estimador GMM en primeras diferencias (Arellano–Bond). Esta especificación incorpora el rezago del coeficiente de Gini, permitiendo distinguir entre efectos contemporáneos y componentes estructurales de inercia distributiva. La Tabla 4 presenta los coeficientes estimados del modelo dinámico.

Desde el punto de vista sustantivo, el coeficiente del término rezagado del Gini es positivo y altamente significativo (β = 0.51; p < 0.001), lo que evidencia una marcada persistencia temporal de la desigualdad del ingreso. Este resultado indica que los niveles de desigualdad presentan una fuerte inercia estructural dentro del período analizado. En contraste con el modelo de efectos fijos, el gasto total en salud pierde significancia estadística en la especificación dinámica. De manera similar, los pagos de bolsillo mantienen signo positivo, pero no resultan estadísticamente significativos. Entre las variables de control, la mortalidad infantil conserva un efecto positivo y significativo (β = 0.126; p = 0.045), mientras que la tasa de desempleo presenta un efecto positivo marginalmente significativo (p < 0.10). La Tabla 5 presenta los estadísticos de diagnóstico del modelo dinámico.

La reducción en el número de observaciones respecto al panel completo se debe a la transformación en primeras diferencias y a la construcción de los retardos utilizados como instrumentos, lo que implica la pérdida de las primeras observaciones de cada país y de aquellas sin rezagos válidos. La prueba de autocorrelación de Arellano–Bond indica la presencia de correlación de primer orden (resultado esperado en modelos estimados en diferencias), mientras que no se detecta autocorrelación de segundo orden, lo que respalda la validez de los instrumentos utilizados. La prueba de sobreidentificación de Sargan no rechaza la hipótesis nula de validez conjunta de los instrumentos, y el test Wald confirma la significancia global del modelo. En términos de evaluación de hipótesis, la estimación dinámica confirma la persistencia estructural de la desigualdad (H7) y mantiene la coherencia direccional de los efectos del desempleo y la mortalidad infantil. Sin embargo, los efectos contemporáneos del gasto total en salud y de los pagos de bolsillo pierden significancia estadística una vez incorporada la dinámica temporal, lo que sugiere que parte de las asociaciones observadas en el modelo estático podría estar capturando procesos de ajuste intertemporal más amplios

4.7. Evaluación de hipótesis

Con base en los resultados obtenidos del modelo de efectos fijos —especificación principal del estudio— y su contraste con la estimación dinámica mediante GMM, se procede a evaluar las siete hipótesis formuladas en la Sección 2. La clasificación considera el signo estimado, su nivel de significancia estadística y la estabilidad de los coeficientes entre especificaciones. La Tabla 6 resume la evaluación sintética de las hipótesis a partir de la evidencia econométrica obtenida.

Los resultados muestran diferencias relevantes entre la especificación estática y la dinámica. En el modelo de efectos fijos, el gasto total en salud (H1) presenta un coeficiente negativo y marginalmente significativo, lo que sugiere un posible efecto redistributivo contemporáneo. Sin embargo, en la estimación dinámica GMM el coeficiente mantiene el signo esperado, pero pierde significancia estadística, indicando que su efecto no resulta robusto al incorporar persistencia temporal.

De manera similar, los pagos de bolsillo (H2) muestran un efecto positivo y estadísticamente significativo en el modelo estático, consistente con su carácter regresivo. No obstante, en el modelo dinámico el coeficiente pierde significancia, lo que sugiere que su impacto puede estar condicionado por la inercia estructural de la desigualdad.

En relación con H4, el desempleo presenta un efecto positivo y significativo en el modelo de efectos fijos y mantiene al menos significancia marginal en la especificación dinámica, mientras que la inflación no resulta significativa en ninguna estimación, lo que conduce a un apoyo parcial de la hipótesis conjunta.

Respecto a los resultados sanitarios (H6), la evidencia también es parcial. La mortalidad infantil muestra un efecto positivo significativo en la especificación dinámica —consistente con la idea de que peores condiciones sanitarias se asocian con mayor desigualdad— mientras que la esperanza de vida no presenta significancia estadística robusta.

Por su parte, H3 (PIB per cápita) y H5 (educación) no reciben respaldo empírico en los modelos estimados.

Finalmente, H7 es confirmada en la especificación dinámica, donde el término rezagado del coeficiente de Gini presenta un efecto positivo y altamente significativo, evidenciando una marcada persistencia temporal de la desigualdad del ingreso. En conjunto, la evidencia empírica indica que la desigualdad presenta una fuerte inercia estructural, mientras que algunas hipótesis distributivas contemporáneas reciben respaldo parcial bajo la especificación estática, pero no necesariamente mantienen robustez al incorporar dinámica temporal.

5.1. Financiación sanitaria y desigualdad del ingreso

Los resultados empíricos permiten matizar el debate teórico sobre el papel redistributivo de la financiación sanitaria. En la especificación de efectos fijos, el gasto total en salud como porcentaje del PIB muestra un coeficiente negativo y marginalmente significativo, lo que sugiere que incrementos en el esfuerzo sanitario agregado se asocian contemporáneamente con reducciones moderadas en la desigualdad del ingreso dentro de los países. Este hallazgo es coherente con la tradición de las finanzas públicas redistributivas (Musgrave, 1959; Ostry et al., 2014) y con la evidencia comparativa que asocia mayor financiamiento público con mayor protección financiera (Wagstaff et al., 2018).

No obstante, la pérdida de significancia en la estimación dinámica indica que este efecto no resulta robusto una vez incorporada la persistencia temporal de la desigualdad. Esto sugiere que el impacto redistributivo del gasto sanitario puede operar de manera gradual o depender de transformaciones institucionales más profundas, más que de variaciones anuales en el nivel de gasto. En sistemas fragmentados o con baja progresividad fiscal, aumentos del gasto sanitario pueden concentrarse en segmentos formales o de mayores ingresos, limitando su efecto redistributivo agregado. En estos contextos, mayor gasto público no necesariamente implica mayor acceso efectivo para los grupos de menor renta, lo que atenúa su potencial impacto sobre la desigualdad.

En contraste, los pagos de bolsillo presentan evidencia más consistente en la especificación estática: su coeficiente positivo y significativo confirma su carácter regresivo, en línea con la literatura sobre gasto catastrófico y empobrecimiento inducido por atención médica (Xu et al., 2003; O’Donnell et al., 2008). Sin embargo, al introducir la dinámica temporal, el efecto pierde significancia, lo que indica que la desigualdad estructural preexistente podría absorber parte del impacto distributivo de este mecanismo de financiación.

En conjunto, los resultados sugieren que la estructura de financiación sanitaria importa, pero su efecto distributivo no puede interpretarse como inmediato ni independiente de la trayectoria histórica de desigualdad de cada país.

5.2. Factores macroeconómicos y sociales como determinantes estructurales

Los hallazgos relativos a las variables macroeconómicas refuerzan el papel del mercado laboral como canal distributivo central. El desempleo mantiene un efecto positivo y al menos marginalmente significativo tanto en la especificación estática como en la dinámica, lo que confirma su vínculo con mayores niveles de desigualdad. Este resultado es coherente con la literatura sobre segmentación laboral y distribución funcional del ingreso (Alesina & Rodrik, 1994; Milanovic, 2016).

Por el contrario, el PIB per cápita no muestra asociación estadísticamente significativa con la desigualdad en ninguna especificación. Este resultado matiza la hipótesis de convergencia distributiva automática vinculada al crecimiento económico y coincide con la evidencia que señala que el crecimiento por sí mismo no garantiza mejoras distributivas si no está acompañado de políticas redistributivas activas (Lustig et al., 2013).

La inflación tampoco presenta efectos significativos, lo que sugiere que su impacto distributivo puede depender de contextos específicos o de episodios macroeconómicos extremos que no se capturan plenamente en el promedio del panel.

Finalmente, la educación no resulta significativa en las estimaciones. Este hallazgo puede reflejar que la expansión educativa opera como determinante de largo plazo del ingreso, pero sus efectos distributivos agregados pueden requerir horizontes temporales más extensos o depender de la calidad educativa y de la estructura del mercado laboral.

5.3. Resultados de salud y desigualdad del ingreso

La evidencia relacionada con los resultados sanitarios aporta un componente estructural relevante. La mortalidad infantil muestra un efecto positivo y significativo en la especificación dinámica, lo que indica que peores condiciones sanitarias se asocian con mayores niveles persistentes de desigualdad. Este hallazgo es coherente con el enfoque de determinantes sociales de la salud (Marmot et al., 2008), donde las brechas sanitarias reflejan desigualdades socioeconómicas profundas.

En cambio, la esperanza de vida no presenta significancia estadística robusta. Esto puede deberse a que la esperanza de vida es un indicador más agregado y menos sensible a desigualdades internas en comparación con la mortalidad infantil, que suele captar de manera más directa vulnerabilidad estructural y acceso desigual a servicios básicos.

Estos resultados sugieren que los indicadores sanitarios no solo reflejan desempeño del sistema de salud, sino que operan como proxies de desigualdad estructural acumulada. En este sentido, la mortalidad infantil puede interpretarse como un indicador sintético de desigualdades estructurales acumuladas más que como un determinante causal directo.

5.4. Robustez, causalidad y limitaciones

La inclusión del modelo dinámico mediante GMM permite distinguir entre asociaciones contemporáneas y persistencia estructural. El coeficiente altamente significativo del rezago del Gini confirma que la desigualdad presenta una fuerte inercia temporal. Este resultado es consistente con la literatura sobre persistencia distributiva (Piketty, 2014; Atkinson, 2015).

Sin embargo, la pérdida de significancia de algunas variables en la especificación dinámica indica que parte de las asociaciones observadas en el modelo estático podrían reflejar procesos intertemporales más amplios. En consecuencia, los resultados deben interpretarse como asociaciones condicionales robustas dentro de un marco econométrico que controla heterogeneidad y dinámica, pero no como relaciones causales definitivas. No puede descartarse que mayores niveles de desigualdad motiven aumentos en el gasto sanitario como respuesta política, lo que introduce potencial simultaneidad no completamente capturada por la especificación.

Entre las principales limitaciones se encuentran las siguientes:

A pesar de ello, los diagnósticos estadísticos del modelo GMM respaldan la validez instrumental y la consistencia de las estimaciones.

5.5. Implicaciones para la política sanitaria

Desde una perspectiva de política pública, los resultados sugieren tres implicaciones centrales.

Primero, reducir la dependencia de pagos de bolsillo continúa siendo una prioridad para mitigar presiones regresivas, incluso si su efecto agregado no aparece como robusto dinámicamente. La literatura sobre cobertura sanitaria universal enfatiza la protección financiera como componente esencial del bienestar económico.

Segundo, el gasto sanitario puede desempeñar un rol redistributivo, pero su impacto depende de su diseño institucional, de la progresividad y de la articulación con el sistema fiscal general. La magnitud del gasto por sí sola no garantiza efectos distributivos sostenidos.

Tercero, la persistencia estructural de la desigualdad implica que las reformas sanitarias deben entenderse como parte de estrategias redistributivas de largo plazo que integren mercado laboral, educación y política fiscal.

En síntesis, la financiación sanitaria constituye un componente relevante —aunque no autónomo— dentro de la arquitectura redistributiva del Estado. Sus efectos distributivos dependen de su diseño institucional, de su articulación con el sistema fiscal y laboral, y de la trayectoria histórica de desigualdad de cada país. Las reformas sanitarias, por tanto, deben concebirse como parte de estrategias redistributivas integrales y de largo plazo.

6.1. Limitaciones y futuras líneas de investigación

Una primera línea de profundización consiste en explorar posibles heterogeneidades estructurales en la relación entre financiación sanitaria y desigualdad. Dado que los sistemas de salud operan en contextos institucionales y fiscales distintos, futuros estudios podrían incorporar interacciones por nivel de ingreso, régimen de bienestar o agrupaciones regionales, con el fin de evaluar si los mecanismos de financiación sanitaria presentan efectos diferenciados según el estadio de desarrollo económico. La identificación de tales efectos heterogéneos permitiría matizar los resultados promedio obtenidos en este estudio.

En segundo lugar, una extensión relevante consistiría en analizar interacciones entre el gasto total en salud y la proporción de pagos de bolsillo, con el objetivo de determinar si el potencial efecto redistributivo del esfuerzo sanitario agregado depende de la estructura específica de financiación. Es plausible que incrementos en el gasto sanitario no generen efectos distributivos sustantivos cuando coexisten con elevados niveles de financiación directa por parte de los hogares. El estudio de estas interacciones permitiría avanzar hacia una comprensión más integral de la arquitectura redistributiva del sistema sanitario.

Adicionalmente, el estudio enfrenta limitaciones relacionadas con la disponibilidad y cobertura de datos. Si bien el panel incluye 135 países, la disponibilidad temporal de algunas variables no es homogénea, especialmente en economías de bajos ingresos y en varios países del África subsahariana, como se aprecia en la Figura 8. Esta cobertura incompleta puede afectar la representatividad regional del análisis y limitar la capacidad de capturar dinámicas distributivas específicas en determinados contextos institucionales. No obstante, la utilización de un panel no balanceado permite maximizar la información disponible sin excluir observaciones válidas.

Desde el punto de vista metodológico, una limitación importante radica en el carácter asociativo del análisis econométrico. Aunque se incorporan efectos fijos, controles estructurales y una especificación dinámica mediante GMM para mitigar sesgos de endogeneidad temporal, no puede descartarse completamente la existencia de causalidad inversa o variables omitidas. Por ejemplo, mayores niveles de desigualdad podrían inducir incrementos en el gasto sanitario como respuesta política redistributiva. En consecuencia, los resultados deben interpretarse como asociaciones condicionadas y no como relaciones causales estrictas.

Asimismo, si bien el estudio incorpora una verificación de robustez mediante la comparación entre especificaciones estáticas (efectos fijos) y dinámicas (GMM), no se realizaron pruebas adicionales de sensibilidad tales como la exclusión secuencial de países (leave-one-out) o estimaciones restringidas a submuestras con cobertura completa de datos. Estas estrategias podrían contribuir a evaluar la posible influencia de observaciones atípicas o sesgos derivados de la composición del panel.

Investigaciones futuras podrían explorar estrategias de identificación causal más robustas, incluyendo instrumentos externos plausiblemente exógenos, diseños cuasi-experimentales o enfoques de diferencias en diferencias cuando la disponibilidad de datos lo permita.