Simulador

Generador de bases simuladas

Una base que se comporta como una real, con un efecto que vos elegiste. Se descarga en CSV, en Excel o en SPSS, con etiquetas y faltantes, y viene con la clave de lo que hay adentro.

Qué base

Lo que se planta

Casos300Brecha de género20 %Cuánto menos ganan las mujeres a igual educación y horas.Retorno de la educación12 %Cuánto más se gana por cada nivel educativo.No respuesta de ingreso15 %Porcentaje de ingresos sin dato. Es más probable en los ingresos altos, como en la EPH.Errores de carga0Cantidad de valores cargados mal a propósito, como un cero de más.SemillaLa misma semilla da exactamente la misma base: un docente puede darle a cada estudiante la suya.

Las primeras 12 filas

300 casos · 7 variables · 51 valores faltantes

id	region	sexo	edad	nivel_ed	horas	ingreso
1	40	1	52	4	54	681.400
2	1	2	29	4	37
3	1	2	64	4	28	752.100
4	43	2	35	3	28	745.900
5	40	1	44	4	40
6	44	1	47	5
7	1	2	41	3	40	242.200
8	43	1	19	5	44
9	1	2	58	4	46	859.300
10	43	2	26	6	37	304.000
11	43	2	33	3		537.300
12	1	1	47	4	42	449.700

Descargar

Faltantes como

Categorías, en CSV y Excel, como

Incluir la clave de lo plantado en el Excel y en el .sav

El Excel trae además el diccionario de variables y una hoja que avisa que los datos son simulados. El .sav lleva las etiquetas de variable y de valor, los códigos de faltante declarados y el nivel de medición. El CSV para Excel en castellano usa punto y coma y coma decimal.

Diccionario

Variable	Etiqueta	Medición	Valores	Faltante
id	Identificador del caso	escala	—	—
region	Región	nominal	1 = Gran Buenos Aires; 40 = Noroeste; 41 = Noreste; 42 = Cuyo; 43 = Pampeana; 44 = Patagonia	—
sexo	Sexo	nominal	1 = Varón; 2 = Mujer	9 = Ns/Nr
edad	Edad en años cumplidos	escala	—	—
nivel_ed	Nivel educativo	ordinal	7 = Sin instrucción; 1 = Primario incompleto; 2 = Primario completo; 3 = Secundario incompleto; 4 = Secundario completo; 5 = Superior incompleto; 6 = Superior completo	9 = Ns/Nr
horas	Horas trabajadas en la semana	escala	—	999 = Ns/Nr
ingreso	Ingreso de la ocupación principal (pesos)	escala	—	-9 = No responde

Lo que se plantó

Conviene analizar la base antes de mirarla: la gracia es comparar lo que se estima con lo que se sabe que es verdad, que es justamente lo que una base real nunca dice.

Analizala con: Descriptivos · Regresión múltiple · ANOVA

Cómo leerla

d <- read.csv("simulado-hogares-semilla-1976.csv", fileEncoding = "UTF-8-BOM")

# o con las etiquetas de SPSS
d <- haven::read_sav("simulado-hogares-semilla-1976.sav", user_na = FALSE)
# o la hoja de Excel
d <- readxl::read_excel("simulado-hogares-semilla-1976.xlsx", sheet = "datos")

Python

import pandas as pd
d = pd.read_csv("simulado-hogares-semilla-1976.csv", encoding="utf-8-sig")

# o con las etiquetas de SPSS (pip install pyreadstat)
d = pd.read_spss("simulado-hogares-semilla-1976.sav")
# o la hoja de Excel
d = pd.read_excel("simulado-hogares-semilla-1976.xlsx", sheet_name="datos")

Para qué sirve una base inventada

Una base real nunca dice cuál es la respuesta correcta. Esta sí: el efecto de la educación sobre el ingreso, la diferencia entre el grupo tratado y el control o la razón de riesgos entre dos tratamientos se eligieron antes de generar los datos. Eso permite hacer lo que con datos reales no se puede, que es comprobar si el análisis encuentra lo que tiene que encontrar.

Para enseñar, cada estudiante puede recibir su propia base cambiando la semilla, y el docente tiene la clave.
Para una tesis, se puede escribir y probar el plan de análisis entero antes de tener los datos, y llegar al trabajo de campo con el código listo.
Para practicar la limpieza: las bases traen faltantes, códigos como el 9 de «no sabe» y, si se pide, errores de carga que hay que encontrar.

Las trampas que vienen plantadas

No son ruido: son los errores que más aparecen con datos reales. En la encuesta de hogares, el nivel educativo usa los códigos de la EPH, en los que el 7 es «sin instrucción», así que tomarlo como número da un retorno de la educación equivocado. La no respuesta de ingreso es más frecuente en los ingresos altos, como en la EPH, y el promedio de los que respondieron queda por debajo del verdadero. En el rendimiento académico, trabajar reduce las horas de estudio y además la nota: la regresión simple exagera el efecto de estudiar. En la escala Likert hay ítems redactados al revés, y si no se los invierte el alfa se desploma.

Los archivos

El .sav se escribe directamente en el formato de SPSS, con las etiquetas de variable y de valor, los códigos de faltante declarados como tales y el nivel de medición de cada variable, así que se abre listo para analizar. El Excel trae los datos, el diccionario y una hoja que avisa que los datos son simulados. Y hay dos CSV: el estándar, con coma y punto decimal, que es el que esperan R y Python, y el que Excel en castellano abre sin preguntar, con punto y coma y coma decimal.

Son datos inventados

Los nombres de los archivos, el Excel y el .sav dicen que la base es simulada. Sirven para aprender y para probar un análisis, nunca para sacar conclusiones sobre el mundo ni para presentarlos como si fueran datos relevados.