Conceptos fundamentales

Los conceptos del primer módulo casi no tienen cuentas, y eso no los hace más fáciles: son los que después se usan mal. Acá van de a dos formas —preguntas sobre situaciones concretas y la clasificación de un archivo real—.

Primera parte · Las preguntas

Todas están planteadas sobre el mismo relevamiento: el extracto de la EPH de Gran Catamarca que se usa en el otro ejercicio. Cada respuesta explica además por qué las otras no, que suele ser donde está el concepto.

1) Un informe publica que en el aglomerado Gran Catamarca el ingreso medio de la ocupación principal fue de $887.612, calculado con los ponderadores de la EPH. ¿Qué tipo de afirmación es?
- a)Ninguna de las dos: es un dato administrativo
- b)Inferencial, porque el número tiene decimales
- c)Descriptiva: resume los datos de las 1.339 personas relevadas
- d)Inferencial: estima un valor de la población a partir de una muestra
Ver la respuesta
d) Inferencial: estima un valor de la población a partir de una muestra
El ponderador es lo que delata la intención: no se está describiendo a las 1.339 personas entrevistadas sino estimando el ingreso de toda la población del aglomerado a partir de ellas. Si el interés fuera solo la muestra, ponderar no tendría sentido.
Por qué las otras no
- c) Sería descriptiva si el promedio fuera sin ponderar y la conclusión se limitara a las personas entrevistadas.
- b) La precisión del número no tiene nada que ver: un promedio descriptivo también puede tener decimales.
2) En ese mismo relevamiento, ¿cuál es la población?
- a)Las personas que viven en el aglomerado Gran Catamarca
- b)Las 1.339 personas entrevistadas
- c)Todos los habitantes de la provincia de Catamarca
- d)Las 426 viviendas visitadas
Ver la respuesta
a) Las personas que viven en el aglomerado Gran Catamarca
La población es el conjunto sobre el que se quiere concluir. La EPH cubre aglomerados urbanos, así que acá es la población del aglomerado, no la muestra ni la provincia entera.
Por qué las otras no
- b) Esa es la muestra: el subconjunto que se observó.
- c) La EPH no releva zonas rurales ni localidades chicas, así que no permite concluir sobre toda la provincia.
3) En el archivo hay 1.339 filas y 426 valores distintos de CODUSU. Si el interés es el ingreso de las personas, ¿cuál es la unidad de análisis?
- a)El hogar
- b)La vivienda
- c)El aglomerado
- d)La persona
Ver la respuesta
d) La persona
La unidad de análisis es aquello de lo que se predica la variable. El ingreso de la ocupación principal es de cada persona, y por eso hay una fila por persona: 1.339.
Por qué las otras no
- b) La vivienda es la unidad de selección de la muestra —se eligen viviendas y se entrevista a todos sus integrantes—, que es otra cosa que la unidad de análisis.
- a) Sería el hogar si la variable fuera del hogar, como el ingreso total familiar o la cantidad de ambientes.
4) El ingreso medio calculado sobre las 1.339 personas del archivo es un…
- a)Estadístico, porque se calcula sobre la muestra
- b)Parámetro, porque se usó el ponderador
- c)Parámetro, porque describe a la población
- d)Ninguno: es un dato observado
Ver la respuesta
a) Estadístico, porque se calcula sobre la muestra
El parámetro es el valor de la población, que no se conoce. Lo que se calcula con los datos observados es un estadístico, y sirve para estimar aquel. Ponderar no cambia eso: sigue calculándose con la muestra.
Por qué las otras no
- c) El parámetro existe pero no se observa. Si se conociera, no haría falta la encuesta.
- b) El ponderador sirve para estimar mejor el parámetro, no para convertir el estadístico en uno.
5) Las actas de nacimiento que carga el Registro Civil, con las que después se arman las estadísticas vitales, son un ejemplo de…
- a)Fuente secundaria
- b)Registro administrativo
- c)Censo
- d)Encuesta por muestreo
Ver la respuesta
b) Registro administrativo
El dato se genera porque hay un trámite —inscribir un nacimiento—, no porque alguien haya salido a medir. Esa es la definición de registro administrativo, y explica sus virtudes —cobertura total y continuidad— y sus defectos: las variables son las que el trámite necesita y no las que el análisis querría.
Por qué las otras no
- c) Un censo es un operativo que releva a toda la población en un momento dado. El registro es continuo y pasivo.
- a) Primaria o secundaria depende de quién usa el dato, no de cómo se generó: para el Registro Civil es primaria.
6) Alguien escribe una tesis usando el archivo de la EPH que bajó del sitio del INDEC. Para esa tesis, la EPH es una fuente…
- a)Depende de si los cita o no
- b)Primaria: los bajó directamente del organismo que los produce
- c)Primaria: son microdatos y no un resumen
- d)Secundaria: los datos los produjo otro con otro objetivo
Ver la respuesta
d) Secundaria: los datos los produjo otro con otro objetivo
La distinción es sobre quién generó el dato para qué. Quien no participó del relevamiento usa una fuente secundaria, por más que la baje del organismo original y por más que sean microdatos.
Por qué las otras no
- c) El nivel de desagregación no define la distinción. Un microdato ajeno sigue siendo fuente secundaria.
- b) De dónde se baja el archivo tampoco cambia quién lo produjo ni con qué objetivo.
7) Una balanza marca siempre 200 gramos de más. Las mediciones que produce tienen…
- a)Error aleatorio, pero no sesgo
- b)Sesgo, que se corrige tomando más mediciones
- c)Sesgo, pero no necesariamente más error aleatorio
- d)Ni sesgo ni error: es un problema de calibración
Ver la respuesta
c) Sesgo, pero no necesariamente más error aleatorio
El sesgo es un error que va siempre en la misma dirección. La balanza puede ser muy precisa —repetir la misma medición da siempre lo mismo— y estar corrida: precisión y exactitud son cosas distintas.
Por qué las otras no
- b) Esa es la confusión importante: promediar más mediciones reduce el error aleatorio y no toca el sesgo. Mil pesadas dan 200 gramos de más igual.
- a) El error aleatorio cambia de signo entre mediciones; acá el corrimiento es constante.
8) En una matriz de datos bien armada, ¿qué va en las filas?
- a)Las unidades de análisis, una por fila
- b)Los valores, uno por fila
- c)Las variables, una por fila
- d)Depende del programa que se use
Ver la respuesta
a) Las unidades de análisis, una por fila
Una fila por caso y una columna por variable. Es la convención que esperan todos los programas estadísticos, y respetarla ahorra la mitad de los problemas de preparación.
Por qué las otras no
- c) Eso es la matriz transpuesta, que aparece seguido en planillas armadas a mano y hay que dar vuelta antes de analizar.
- b) Ese es el formato largo, útil para algunas cosas, pero no es la matriz de datos clásica.

Segunda parte · Clasificar un archivo real

Estas son las columnas del extracto de la EPH —1339 filas—. Para cada una: ¿qué tipo de variable es? Las opciones son siempre las mismas:

Cualitativa nominal
Cualitativa ordinal
Cuantitativa discreta
Cuantitativa continua
No es una variable de la persona

CODUSU — Identificador de la vivienda.
Ver la respuesta
No es una variable de la persona
Es una clave para unir registros, no una característica que se mida. No tiene sentido contar cuántas veces aparece cada valor como si fuera una categoría de análisis.
En el archivo toma 426 valores distintos.
AGLOMERADO — El aglomerado urbano. Acá vale 22 en todas las filas.
Ver la respuesta
Cualitativa nominal
Está codificado con un número, pero el 22 no es una cantidad: es una etiqueta. Sumar aglomerados o sacarles el promedio no significa nada.
La trampa: Es el error más común del módulo: confundir una variable cualitativa codificada con números con una cuantitativa.
En el archivo toma 1 valor distinto: 22 (1339).
CH04 — Sexo. 1 es varón y 2 es mujer.
Ver la respuesta
Cualitativa nominal
Dos categorías sin orden entre ellas. Que estén numeradas 1 y 2 no las vuelve cuantitativas ni pone a una por encima de la otra.
La trampa: Un promedio de CH04 da un número —alrededor de 1,5— y no significa absolutamente nada.
En el archivo toma 2 valores distintos: 2 (691), 1 (648).
CH06 — Edad en años cumplidos. El −1 es «menos de un año».
Ver la respuesta
Cuantitativa discreta
La edad en años cumplidos toma valores enteros y separados. La edad como magnitud es continua, pero así medida es discreta: lo que se clasifica es la variable tal como está en la matriz.
La trampa: El −1 no es una edad negativa sino un código. Un código dentro de una columna numérica no la vuelve cualitativa, pero hay que sacarlo antes de cualquier cuenta.
En el archivo toma 92 valores distintos.
NIVEL_ED — Nivel educativo alcanzado, del 1 al 7. El 7 es «sin instrucción».
Ver la respuesta
Cualitativa ordinal
Las categorías tienen un orden natural —primaria incompleta está por debajo de secundaria completa— pero las distancias entre ellas no son comparables: no se puede decir que de 2 a 3 haya lo mismo que de 5 a 6.
La trampa: El código no respeta el orden: el 7 es «sin instrucción», que es el nivel más bajo y está numerado último. Ordenar por el código pone al nivel más bajo arriba de todo.
En el archivo toma 7 valores distintos: 4 (349), 3 (252), 6 (224), 5 (192), 1 (142), 2 (126), 7 (54).
ESTADO — Condición de actividad: 0 entrevista no realizada, 1 ocupado, 2 desocupado, 3 inactivo, 4 menor de 10 años.
Ver la respuesta
Cualitativa nominal
Son categorías sin un orden que las recorra: no hay un sentido en el que inactivo esté «por encima» de desocupado.
La trampa: El 4 no es «más» que el 1: es una categoría aparte, la de quienes no entran en la pregunta por edad. Y hay un 0 con cuatro casos —entrevista individual no realizada— que no aparece en ningún resumen y arruina cualquier conteo que suponga que todos son 1, 2, 3 o 4.
En el archivo toma 5 valores distintos: 1 (631), 3 (545), 4 (133), 2 (26), 0 (4).
P21 — Ingreso de la ocupación principal, en pesos. El 0 es «fuera de universo» y el −9, no respuesta.
Ver la respuesta
Cuantitativa continua
El dinero admite cualquier valor dentro de un intervalo y las diferencias son comparables. Que venga redondeado a pesos no lo vuelve discreto: lo discreto sería que solo pudiera tomar unos pocos valores posibles.
La trampa: Tiene dos códigos escondidos entre los valores reales, y los dos son números que una máquina promedia sin quejarse.
En el archivo toma 100 valores distintos.
PONDERA — Ponderador: a cuántas personas representa cada fila.
Ver la respuesta
No es una variable de la persona
No es una característica de la persona entrevistada sino una propiedad del diseño de la muestra. Describir su distribución no dice nada sobre la población.
La trampa: Aparece como una columna numérica más y se cuela en cualquier «resumen de todas las variables» que uno pida al programa.
En el archivo toma 190 valores distintos.