Skip to contents

Armonización de la Encuesta de Hogares entre años

Source: vignettes/armonizacion.Rmd
armonizacion.Rmd

Los nombres de las variables de la EH cambian entre años (p. ej. el sexo es s1_03 en 2012, s2a_02 en 2013–2015, s02a_02 en 2016–2019 y s01a_02 en 2021+). encuestasbo ofrece una capa de nombres canónicos estables.

El mapa canónico 

library(encuestasbo)
variables_armonizadas()      # variables comparables entre años y su mapeo
grupos_variables()           # grupos temáticos

La armonización se apoya en dos hechos:

  1. Las variables de diseño y geografía (folio, depto, area, upm, estrato, factor) son consistentes todos los años (salvo el factor en 2012–2014, que se resuelve automáticamente).
  2. El INE publica variables derivadas con nombres estables: ingresos (yhog, yper), pobreza (p0, pext0, z, zext), educación (niv_ed_g, aestudio) y empleo (pea, ocupado, condact). El paquete las expone con nombres canónicos (ingreso_hogar, pobre, nivel_edu, …).

Solo sexo, edad y parentesco se mapean por su etiqueta.

Armonizar un año 

library(dplyr)
get_eh(2023, "persona", as = "tibble") |>
  armonizar_eh(2023) |>
  count(sexo)

Las variables categóricas armonizadas tienen etiquetas estables entre años; etiquetar_valores() las detecta sin necesidad de indicar el año. Además, los valores que cambiaban de código entre años se unifican (p. ej. nivel_edu: el código de “Otros” era 4 o 5 según el año, ahora siempre 4):

get_eh_armonizada(variables = c("nivel_edu", "sexo", "pobre")) |>
  etiquetar_valores() |>
  count(nivel_edu, pobre)

Serie larga entre años

get_eh_armonizada() apila varios años en formato largo con una columna anio:

library(srvyr)

# Pobreza ponderada por año (combinando armonización + diseño)
anios <- 2018:2023
serie <- lapply(anios, function(y) {
  est <- diseno_eh(y, verbose = FALSE) |>
    summarise(pobreza = survey_mean(pobre, na.rm = TRUE))
  data.frame(anio = y, pobreza = est$pobreza)
})
do.call(rbind, serie)

# O bien traer los microdatos armonizados de varios años de una vez
get_eh_armonizada(grupo = "pobreza", anios = 2018:2023)

get_eh_armonizada() se respalda en un único Parquet precalculado (~5 MB con los 13 años, esquema consistente), por lo que es rápido y se puede consultar de forma perezosa con Arrow o DuckDB:

# Modo DuckDB: consulta SQL sobre todos los años sin cargar todo a RAM
con <- get_eh_armonizada(as = "duckdb")
DBI::dbGetQuery(con,
  "SELECT anio, AVG(ingreso_hogar) AS ing FROM eh_armonizada GROUP BY anio ORDER BY anio")
DBI::dbDisconnect(con, shutdown = TRUE)

# Modo Arrow (lazy) + dplyr
get_eh_armonizada(as = "arrow") |>
  filter(anio >= 2020) |>
  count(anio) |>
  collect()

Limitaciones de comparabilidad

  • Cambios de cuestionario y de clasificadores ocupacionales (COB) y de actividad (CAEB) entre años: grupo_ocupacion se entrega con códigos crudos (armonizada = FALSE).
  • El marco muestral cambió con el Censo 2012 → 2024, lo que afecta la comparabilidad fina de los años más recientes.
  • La medición del empleo y los agregados de ingreso tuvieron ajustes metodológicos a lo largo de la serie.