1 Introducción
Las encuestas por muestreo aleatorios se consolidan como instrumentos esenciales en la investigación estadística, facilitando la obtención de información detallada sobre poblaciones de interés a partir de muestras ‘representativas’. No obstante, el procesamiento y análisis de estos datos enfrentan desafíos significativos, al derivar indicadores que involucran revisar a fondo los formularios y metadatos de la encuesta donde para algunos indicadores esto puede cambiar de forma continua. tales como tasas de mercado laboral, ingresos salariales o índices de pobreza (Vilhuber, 2020). La complejidad inherente a estos procesos puede propiciar errores de interpretación que puede llevar a interpretaciones erróneas y obstaculizar la reproducibilidad y transparencia de los resultados.
1.1 Encuestas por muestreo en R
Actualmente, existen diversos paquetes en R orientados al análisis de encuestas por muestreo, como survey (Lumley, 2024), srvyr (Freedman Ellis y Schneider, 2024), gustave (Chevalier, 2023), vardpoor (Breidaks, Liberts, y Ivanova, 2020), svrep (Schneider, 2023) y weights. No obstante, estos no abordan el proceso de creación de variables a partir de los formularios de las encuestas, lo que obliga a los usuarios a realizar este procedimiento manualmente cada vez que desean obtener un indicador. Por otra parte, herramientas específicas para encuestas particulares, como ech (Mathieu et al., 2020) para la Encuesta Continua de Hogares de Uruguay (ECH), eph (Kozlowski et al., 2020) para la Encuesta Permanente de Hogares de Argentina (EPH), tidycensus (Walker y Herman, 2024) para el Censo de Estados Unidos y casen (Vargas, 2024) para la Encuesta CASEN de Chile, presentan limitaciones en cuanto a flexibilidad y transparencia, y son sensibles a cambios en la estructura de las encuestas.
La Tabla 1.1 presenta un análisis detallado de los principales paquetes de R utilizados para el análisis de encuestas por muestreo. Esta comparación revela aspectos fundamentales de cada implementación. En cuanto a los paquetes base, survey se destaca como el componente fundamental para el análisis de encuestas complejas, implementando los estimadores más comunes y sirviendo como dependencia clave para otros paquetes, mientras que srvyr ofrece una interfaz más moderna usando tidyverse, aunque esto implica incorporar múltiples dependencias.
En el ámbito de los paquetes especializados en varianza, gustave implementa métodos específicos como Deville y Tillé, mientras que vardpoor se enfoca en el método de último conglomerado. Por su parte, svrep provee métodos de replicación como Bootstrap y Jackknife. En cuanto a paquetes para análisis específicos, convey se especializa en medidas de desigualdad y se integra eficientemente con el diseño muestral.
Un aspecto crucial que se evidencia en la tabla Tabla 1.1 es que, si bien cada paquete tiene sus fortalezas específicas, ninguno aborda completamente la necesidad de reutilización de procesos de limpieza y transformación, visualización del flujo de trabajo, ni documentación integrada del proceso. Esta comparación fue fundamental para decidir las dependencias de metasurvey, optando por survey como motor principal de estimación y svrep para métodos de replicación, mientras se evitan dependencias innecesarias que podrían comprometer la mantenibilidad.
1.2 Monitores y plataformas de datos públicos
En Uruguay existen numerosos portales de datos abiertos o monitores de indicadores publican estadísticas derivadas de encuestas por muestreo. Es usual que los resultados no detallen el proceso de construcción o recodificación de los indicadores, lo que dificulta la reproducibilidad y transparencia de los análisis. Esta situación también aparece en artículos académicos que, al trabajar con datos de encuestas, no especifican la metodología empleada en la obtención de los resultados, limitándose a referenciar la fuente de datos.
Es fundamental que los usuarios puedan obtener estimaciones puntuales y sus errores asociados de manera sencilla y confiable. Sin embargo, es común que se reporten estimaciones puntuales sin una medida de calidad o, en el peor de los casos, que se incorporen errores estándar calculados incorrectamente, sin considerar el diseño muestral adecuado. Esto puede llevar a una subestimación o sobrestimación de la variabilidad de la estimación, afectando la interpretación de los resultados y la construcción de intervalos de confianza.
Algunos de los principales monitores disponibles en Uruguay son:
El Instituto Nacional de Estadística (INE) con sus monitores especializados:
El Ministerio de Desarrollo Social (MIDES) a través de su Observatorio Social
La Oficina de Planeamiento y Presupuesto (OPP) mediante el Observatorio Territorio Uruguay
La Agencia Nacional de Investigación e Innovación (ANII) con su portal PRISMA
Por otra parte, el Instituto de Economía (IECON) de la Facultad de Ciencias Económicas y de Administración (FCEA) de la Universidad de la República (UdelaR) cuentan con un trabajo de compatibilización de Encuestas Continuas de Hogares (Instituto de Economía, Universidad de la República 2020) para construir y homogeneizar series de tiempo de indicadores de mercado laboral, ingresos y pobreza.
Si bien estas plataformas cumplen un rol fundamental en la diseminación de información estadística, presentan limitaciones significativas en términos de documentación metodológica y capacidades de reproducción. El trabajo del (IECON) sobre la compatibilización de Encuestas Continuas de Hogares (Instituto de Economía, Universidad de la República 2020) representa un avance importante, pero la ausencia de herramientas estandarizadas para la documentación y reproducción de procesos sigue siendo un desafío pendiente.
Además, la integración de datos provenientes de múltiples fuentes institucionales a menudo requiere procesos de limpieza y transformación manuales, lo que no solo incrementa la carga de trabajo de los analistas sino que también introduce potenciales sesgos y errores humanos. La falta de una estandarización en los procedimientos de procesamiento de datos complica la comparación de resultados entre diferentes estudios y limita la capacidad de realizar análisis longitudinales robustos.
Este contexto se resalta la necesidad de desarrollar herramientas que no solo faciliten el acceso a los datos, sino que también promuevan la transparencia metodológica y la reproducibilidad de los análisis. En este sentido, metasurvey surge como una respuesta innovadora, orientada a intentar superar estas limitaciones mediante la automatización y estandarización de los procesos de limpieza y transformación de los datos.
1.3 Aporte del trabajo
El análisis del ecosistema actual revela cuatro limitaciones principales: la dificultad en la reutilización de procesos, la falta de visualización del flujo de trabajo, la rigidez ante cambios estructurales y la opacidad en la implementación. metasurvey se desarrolló como respuesta a estas limitaciones, adoptando un enfoque de meta-programación que permite abstraer los procesos de transformación en elementos reutilizables, visualizar y documentar el flujo de trabajo, mantener la flexibilidad ante cambios en las estructuras de datos y aprovechar las capacidades de paquetes establecidos como survey y svrep.
En este contexto, el presente trabajo introduce el desarrollo de metasurvey, un paquete innovador en R diseñado para simplificar y agilizar el procesamiento de encuestas por muestreo. metasurvey proporciona a científicos sociales, una herramienta robusta para transformar microdatos en indicadores de manera transparente, flexible y reproducible. Al ofrecer funciones avanzadas para la construcción de variables sintéticas y trabajar con variables continuas, el paquete supera las limitaciones de las herramientas existentes, permitiendo a los usuarios validar y comprender el proceso de construcción de indicadores de forma modular y clara.
Es crucial que este proceso sea accesible y comprensible para los usuarios, dado que la transformación de microdatos en indicadores, demanda un conocimiento profundo de las encuestas tanto en el diseño como en los formularios, conocimiento que no siempre está ampliamente distribuido. A pesar de los esfuerzos previos por facilitar este procesamiento, muchas herramientas disponibles carecen de flexibilidad y transparencia, y son sensibles a cambios en la estructura y variables de los microdatos de las encuestas, lo que dificulta su actualización y adaptación.
1.3.1 Aspectos estadísticos de metasurvey
En el ámbito de la inferencia estadística de poblaciones finitas, resulta esencial considerar la incertidumbre y los errores asociados a las estimaciones producto del diseño muestral. Con frecuencia, estos aspectos son ignorados por usuarios no expertos en metodología de muestreo, lo que puede conducir a conclusiones erróneas. metasurvey aborda esta problemática al permitir obtener estimaciones puntuales y sus errores asociados en la misma implementación, ofreciendo herramientas para evaluar la confiabilidad de las estimaciones mediante coeficientes de variación, intervalos de confianza y otros indicadores, sin requerir un conocimiento profundo en estimación de varianzas.
Es pertinente distinguir entre los enfoques de inferencia estadística basados en modelos (model-based inference) y aquellos fundamentados en el diseño muestral (design-based inference), según lo expuesto por (Valliant, Dorfman, y Royall, 2000). Mientras que la inferencia basada en el diseño asume que la población es finita y fija, y que la aleatoriedad junto a las propiedades de los estimadores proviene del proceso de selección muestral, la inferencia basada en modelos considera que los valores de la población son realizaciones de un modelo probabilístico subyacente.
La utilización de pesos muestrales permite obtener estimaciones puntuales insesgadas en la mayoría de los casos, su papel en la estimación de varianzas y medidas de incertidumbre, como errores estándar e intervalos de confianza, es más complejo. Métodos como el método linealizado de Taylor o los métodos de replicación consideran no solo los pesos muestrales, sino también la estructura del diseño de la muestra, como la estratificación y la conglomeración. En este sentido, aunque los pesos \(w_i\) son esenciales para la estimación puntual, su impacto en la estimación de varianzas depende del método utilizado, lo que debe considerarse al interpretar los errores estándar y los intervalos de confianza.
En países como Uruguay, numerosos portales de datos abiertos o monitores de indicadores publican estadísticas derivadas de encuestas por muestreo sin detallar el proceso de construcción o recodificación de los indicadores, lo que dificulta la reproducibilidad y transparencia de los análisis. Esta situación es similar en artículos académicos que, al trabajar con datos de encuestas, no especifican la metodología empleada en la obtención de los resultados, limitándose a referenciar la fuente de datos.
Es fundamental que los usuarios puedan obtener estimaciones puntuales y sus errores asociados de manera sencilla y confiable. Sin embargo, es común que se reporten estimaciones puntuales sin una medida de calidad o, en el peor de los casos, que se incorporen errores estándar calculados incorrectamente, sin considerar el diseño muestral adecuado. Esto puede llevar a una subestimación o sobrestimación de la variabilidad de la estimación, afectando la interpretación de los resultados y la construcción de intervalos de confianza.
En el contexto del muestreo el error estándar (SE) de un estimador \(\hat{\theta}\) varianza del estimador bajo el diseño muestral. En términos generales, el SE se define como:
\[ SE(\hat{\theta}) = \sqrt{\text{Var}(\hat{\theta})} \]
donde \({Var}\hat{\theta}\) se calcula considerando la estructura del diseño de la muestra, que puede incluir estratificación, conglomerados y pesos muestrales. Métodos como la aproximación de Taylor, el bootstrap y las técnicas de replicación (Jackknife, BRR) permiten obtener estimaciones adecuadas de esta varianza.
metasurvey permite superar estas limitaciones al proporcionar herramientas integrales para el cálculo seguro y transparente de estimaciones puntuales junto con sus errores estándar correctamente ajustados al diseño muestral, permitiendo incorporar medidas de calidad de las estimaciones.
1.3.2 Aspectos sobre la implementación de metasurvey
El desarrollo de un paquete en R como metasurvey requiere una idea bien definida y los medios adecuados para llevarla a cabo. Es vital contar con una metodología de trabajo ordenada, heredada del desarrollo de software convencional, ya que para la publicación y difusión del paquete se deben cumplir estrictos estándares de calidad y documentación. En este sentido, metasurvey ha sido desarrollado siguiendo las mejores prácticas de desarrollo de software, incorporando conceptos avanzados de programación orientada a objetos, programación funcional y metaprogramación para brindar flexibilidad y potencia al usuario.
El enfoque que permite la flexibilidad en la construcción de indicadores es la metaprogramación. Este paradigma de programación posibilita que un programa modifique su propia estructura en tiempo de ejecución. En R, la metaprogramación se implementa a través de funciones como eval(), parse(), substitute(), do.call() y quote(), que permiten evaluar y manipular código de manera dinámica. metasurvey utiliza la metaprogramación para ofrecer funciones de alto nivel que facilitan la transformación de microdatos en indicadores. En particular, se ha adoptado una aproximación similar a la del paquete recipes de la librería tidymodels (Kuhn, Wickham, y Hvitfeldt, 2024), donde se emplean “recipes” y “steps” para definir secuencias de operaciones de preprocesamiento de datos.
En metasurvey, una recipe encapsula una serie de transformaciones a aplicar sobre los datos. Cada step representa una transformación específica, permitiendo a los usuarios construir pipelines de procesamiento modulares y fácilmente comprensibles. Esta estructura proporciona una gran flexibilidad, ya que se pueden añadir, modificar o eliminar steps según sea necesario, adaptándose a distintos tipos de encuestas y requerimientos analíticos.
1.4 Estructura del documento
Este documento se estructura de la siguiente manera: en el siguiente capítulo se presenta un marco conceptual detallado sobre el muestreo de poblaciones finitas, se profundiza en los conceptos de diseño muestral y se describen los principales estimadores poblaciones junto a un marco sobre la estimación de varianzas. A continuación se presentan los paradigmas de programación utilizados en el desarrollo de metasurvey, incluyendo una explicación más profunda sobre el uso de recipes y steps en la metaprogramación. Finalmente, se ofrecen ejemplos prácticos de cómo utilizar metasurvey para construir indicadores de mercado laboral a partir de los microdatos de la ECH y, para demostrar su flexibilidad, se incluye un ejemplo con la EPH. 1
Este documento puede leerse en su formato de página web o en su formato de documento PDF. Tanto el código fuente del paquete como el de este documento se encuentran disponibles públicamente en los repositorios de GitHub. Para la realización de este documento se utilizó
quarto(Allaire y Dervieux, 2024), que permite escribir texto junto con código R.↩︎