Entendiendo la GEIH

Un libro para trabajar con la fuente#

Cada mes el DANE publica la tasa de desocupación del país, y esa cifra pasa a la prensa, a los informes de los gremios, a las clases de economía laboral y a los documentos de política. El número sale de una operación estadística de gran escala, la Gran Encuesta Integrada de Hogares (GEIH), cuya recolección empezó el 7 de agosto de 2006 (Metodología GEIH V11, p. 3), y de ella salen también unos microdatos anonimizados que el DANE publica en el Archivo Nacional de Datos (Ficha metodológica GEIH V11, p. 11). Entre la cifra del boletín y la que obtiene un analista con esos archivos suele haber un trecho largo. Este libro intenta recorrerlo paso por paso, con los datos reales y con la documentación oficial a la mano.

El objetivo de la encuesta es más amplio que el de este libro. Aquí el foco está en el mercado laboral: quién está en edad de trabajar, quién trabaja, quién busca, quién queda por fuera, cuántos ocupados son informales y cómo se distribuyen sus ingresos laborales. La pobreza monetaria, que el DANE calcula con la misma encuesta pero con una metodología propia, se menciona solo para marcar dónde termina lo que aquí se calcula.

La motivación es práctica. Muchos de los errores que circulan con cifras de la GEIH nacen de decisiones metodológicas tomadas sin advertirlo, más que de fallas de programación: promedios y medianas sin factor de expansión, la idea de que toda persona sin empleo está desocupada, comparaciones entre años que atraviesan un cambio de marco muestral, tasas municipales calculadas donde la muestra no fue diseñada para producirlas. El libro enseña el procedimiento correcto y, cuando sirve para entenderlo, muestra con datos qué pasa si se hace de otra manera.

La figura que sigue resume el objeto del libro. Descompone la población total de 2025 según su relación con el mercado laboral. La primera barra es la población total; la segunda separa la población en edad de trabajar, que desde el rediseño reúne a las personas de 15 años y más (Metodología GEIH V11, pp. 3, 6); la tercera divide esa población entre la fuerza de trabajo y la población fuera de la fuerza de trabajo; la última reparte la fuerza de trabajo entre ocupados y desocupados. Todas las barras están a la misma escala, de modo que el tamaño de cada grupo se puede comparar con el de cualquier otro.

Qué aprenderá el lector#

La meta es que, al terminar, el lector pueda descargar los microdatos, entender cómo están organizados, calcular los principales indicadores del mercado laboral, contrastarlos con las publicaciones del DANE y explicar metodológicamente cada decisión que tomó en el camino. Esa última parte pesa tanto como las otras. Un resultado que coincide con el boletín pero cuyo autor no sabe por qué coincide es frágil: basta un cambio de año, de dominio o de variable para que deje de coincidir sin que nadie lo advierta.

En concreto, el libro recorre la historia de la encuesta y el rediseño con el marco del Censo de 2018; el diseño muestral, el factor de expansión y lo que significa que una muestra sea representativa de un dominio; la estructura de las bases anuales, sus llaves y las columnas que cambian de un año a otro; las reglas con que el DANE clasifica a cada persona; la construcción de la tasa global de participación, la tasa de ocupación y la tasa de desocupación en versión mensual y anual; la proporción de ocupados informales con la regla que publica el propio DANE; y las medias, medianas y percentiles ponderados del ingreso laboral.

El recorrido termina en una tabla de validación propia, la misma que el libro publica: cada cifra calculada al lado de la oficial, con su diferencia, su estado y la causa cuando hay diferencia. Llegar a esa tabla exige aprender también a leer la precisión que publica el DANE, el coeficiente de variación y el intervalo de confianza, y a reconocer cuándo una cifra territorial ya no se sostiene. Para eso sirve el caso del Magdalena, que acompaña varios capítulos y ocupa uno entero.

A quién va dirigido y qué conviene saber antes#

El libro está pensado para economistas, estudiantes, investigadores, científicos de datos, analistas y profesionales de entidades públicas que usan las estadísticas laborales del DANE. Le sirve sobre todo a quien ya cita esas cifras pero nunca ha trabajado con los microdatos, y a quien los ha trabajado sin detenerse en el diseño de la encuesta. Ninguno de los dos perfiles necesita formación previa en teoría de muestreo: el capítulo 2, Cómo funciona la encuesta explica lo que hace falta para leer los resultados, y quien quiera ir más lejos encontrará en las referencias dos manuales clásicos de muestreo (Hansen, Hurwitz y Madow, 1953; Särndal, Swensson y Wretman, 1992).

Para seguir el código basta con Python básico: leer un archivo, filtrar filas, agrupar y sumar. El laboratorio usa la librería polars, pero quien venga de pandas reconocerá cada operación. En lo matemático se necesitan proporciones, promedios y medianas; las fórmulas ponderadas se construyen en el texto a partir de esas ideas. El capítulo de ingresos muestra también el algoritmo en R, como alternativa y no como requisito, y en esta versión ese código se rotula como no ejecutado.

Hay una exigencia más prosaica. Cada base anual ocupa entre 628 y 727 MB en disco, así que conviene leerla de forma perezosa y seleccionar columnas antes de cargarla en memoria; el capítulo 3, Los microdatos por dentro muestra cómo. Quien no programe puede leer con provecho los capítulos 1, 2, 4 y 8, que son conceptuales, y revisar los resultados en la tabla de validación descargable (validacion.csv), que contiene cada cifra propia con su referente.

Cómo está organizado#

Los diez capítulos avanzan en un orden que conviene respetar en una primera lectura. Primero se conoce la encuesta y se entiende su diseño; luego se aprende a representar personas a partir de filas y a definir con precisión cada población; con eso se calculan las tasas, se mide la informalidad y se estudian distribuciones de ingreso; después se valida lo calculado y se compara en el tiempo; por último se interpreta un territorio concreto y se reproduce todo desde cero. Cada capítulo usa lo que dejaron los anteriores, aunque el lector con experiencia puede entrar directamente al que necesite.

Los dos primeros presentan la encuesta. El capítulo 1, Qué es la GEIH cuenta de dónde viene: la Encuesta Nacional de Hogares; la Encuesta Continua de Hogares, aplicada en forma definitiva desde enero de 2000, año en que ambas encuestas se aplicaron en paralelo (Metodología GEIH V11, p. 2); y la GEIH, que integró algunos módulos de otras encuestas de hogares sin que esa integración fuera total (Metodología GEIH V11, pp. 2-3). El relato llega hasta el rediseño con el marco del Censo de 2018, cuyas pruebas ocuparon 2020 y 2021 y cuya operación con todas las mejoras empezó en enero de 2022 (Metodología GEIH V11, p. 2); esa fecha marca el inicio de las bases que usa el libro, no el de la encuesta. El capítulo 2, Cómo funciona la encuesta explica a quién representa la muestra, que es la población civil no institucional residente en el país con algunas exclusiones territoriales (Metodología GEIH V11, p. 13), y cómo se selecciona: municipios como unidades primarias de muestreo y, dentro de ellos, conglomerados de unas diez viviendas (Metodología GEIH V11, p. 14), con un factor de expansión que se ajusta por calibración. Dos simuladores, rotulados como tales, ayudan a ver por qué la muestra no es un país en miniatura.

Con esa base se pasa a los archivos. En el capítulo 3, Los microdatos por dentro el lector aprende a identificar viviendas, hogares y personas, a leer cada variable con su tipo y a tratar las columnas que aparecen o desaparecen entre años; allí se calcula el primer total expandido, que es el paso de contar filas a estimar personas. El capítulo 4, Quién trabaja y quién busca convierte en un árbol de decisión las definiciones de las conferencias internacionales de estadísticos del trabajo que el DANE incorporó en el rediseño (Metodología GEIH V11, p. 3), en particular la 19.ª (19.ª CIET, 2013), y lo recorre con casos hipotéticos para que quede claro por qué una persona que no tiene empleo puede no contar como desocupada.

Los tres capítulos siguientes calculan. El capítulo 5, Las tasas del mercado laboral construye las tasas con su numerador, su denominador y su filtro, muestra las dos maneras de pasar de doce meses a un año, compara cada resultado con el anexo oficial y deja ver cuánto se mueven las tasas si se olvida el factor de expansión. La informalidad se mide en el capítulo 6, Informalidad laboral con la regla que el DANE publica como código en el anexo de su boletín (Anexo informalidad oct.-dic. 2025, hoja Código_STATA); el capítulo la distingue de la falta de cotización y de la posición ocupacional, y advierte qué territorios tienen cifra oficial y cuáles no. Con el capítulo 7, Ingresos laborales el libro pasa de las proporciones a las distribuciones: trata la variable de ingreso laboral que construye el DANE, enseña a calcular medias, medianas y percentiles ponderados y explica por qué esos cálculos, por bien hechos que estén, no equivalen a medir la pobreza monetaria.

El capítulo 8, Validar resultados reúne lo anterior alrededor de una pregunta: cuándo se puede decir que una cifra propia reproduce la oficial. Allí se leen los coeficientes de variación y los intervalos publicados, se explica por qué las bases públicas no permiten calcular el error estándar del diseño y se discute cómo comparar periodos que atraviesan cambios de marco y de definiciones. Ese aparato se pone a prueba en el capítulo 9, El Magdalena, dedicado a un departamento cuya muestra está pensada para estimaciones anuales. Las cifras propias del Magdalena no coinciden exactamente con las del DANE, y el capítulo expone la causa documentada: el DANE hace dos calibraciones, una mensual por regiones y otra anual por departamentos (Metodología GEIH V11, p. 20), y la base pública trae un solo factor, que según la evidencia de los datos es el de la calibración mensual. El capítulo 10, Laboratorio de reproducción cierra el libro con la reproducción completa: instalación, obtención de los datos, ejecución de los scripts, pruebas, lectura de la tabla de validación y problemas frecuentes.

Fuera de la numeración quedan cuatro piezas de consulta. El Glosario define cada término con su fuente; las referencias reúnen los documentos citados con su versión y su enlace; las preguntas frecuentes responden en corto y remiten al capítulo donde se desarrolla cada tema; y las notas de versión registran los cambios y los archivos descargables.

Las cinco voces del texto#

Un libro sobre estadísticas oficiales mezcla, por fuerza, cosas de naturaleza muy distinta: definiciones que el DANE fija y que nadie puede cambiar, explicaciones que el autor construye para que esas definiciones se entiendan, números inventados para mostrar un mecanismo, cifras calculadas con los microdatos y lecturas propias de esas cifras. Confundirlas lleva a errores, y uno de los más serios es atribuirle al DANE una decisión que tomó el analista. Por eso cada bloque que no es prosa corrida declara de quién es lo que dice, con un rótulo y un trazo propios.

La voz Concepto DANE, con trazo continuo de color cian, recoge definiciones y textos oficiales. Siempre lleva cita con documento y página, y cuando el texto es literal va entre comillas, como el objetivo general citado al comienzo. La voz Explicación del autor marca la pedagogía propia; la prosa corrida del libro también es del autor, de modo que el rótulo se reserva para los lugares donde conviene subrayar que algo no es oficial. El Ejemplo simulado se reconoce por su borde discontinuo y su fondo de advertencia, y trae siempre la aclaración de que sus cifras son inventadas. El Resultado reproducido, con trazo verde, presenta una cifra calculada con los microdatos y viene acompañado de su ficha de trazabilidad, como la nota que sigue a la figura de esta introducción. La Interpretación, con trazo punteado violeta, es una lectura propia de un resultado y puede discutirse sin que el resultado cambie.

El ejemplo simulado más sencillo del libro muestra cómo se ve esa separación y, de paso, anticipa el argumento que recorre todos los capítulos: en una encuesta por muestreo, una fila no pesa lo mismo que otra.

En la GEIH real los factores también difieren mucho de una vivienda a otra, y el efecto de ignorarlos no desaparece por tener cientos de miles de filas. Con los 399.316 registros persona-mes de la fuerza de trabajo de 2025, contar filas en lugar de personas da una tasa de desocupación nacional de 10,3 %, frente al 8,9 % que resulta con el factor de expansión. El cálculo sin factor es deliberadamente incorrecto y no tiene referente oficial; se muestra solo para medir el tamaño del error. El capítulo 2, Cómo funciona la encuesta muestra la distribución real del factor y el capítulo 5, Las tasas del mercado laboral repite la comparación para las tres tasas, en el total nacional, el Magdalena y Santa Marta.

Cómo leer una figura y una ficha de resultado#

Cada figura del libro trae, además del gráfico, un pequeño aparato que conviene leer. Debajo del título va una frase con la lectura principal; debajo del gráfico, el propósito de la figura, su unidad, el periodo, la cobertura geográfica, la fuente y las notas de advertencia. Las figuras que no muestran datos de la GEIH lo dicen en la cabecera: Simulado cuando las cifras son inventadas y Documental cuando la figura organiza información de documentos, como una línea de tiempo. Todas ofrecen al final la opción de ver los datos en una tabla o en un texto equivalente, que es también la versión accesible para quien no puede ver el gráfico.

Las cifras destacadas en el texto llevan una ficha plegable, la Ficha del resultado. Allí están el periodo y el ámbito, el archivo de microdatos, las variables, los filtros, el universo, el factor de expansión y la forma de agregar los meses, el método, el número de filas de la muestra, el script y el commit del código que produjo la cifra, y la fuente oficial con su documento, hoja y celda o página. Más abajo aparece el contraste: valor propio, valor oficial, diferencia, tolerancia y estado. La ficha puede mostrar además un coeficiente de variación aproximado, rotulado como cota inferior; es una aproximación del autor y no la precisión del DANE, y en algunos indicadores nacionales ni siquiera se comporta como cota, como se muestra en el capítulo 8, Validar resultados.

El estado resume la comparación con una de cinco etiquetas. La tabla siguiente las define y cuenta cuántas de las 1.347 cifras que registra la tabla de validación del laboratorio cayeron en cada una.

Las diferencias explicadas son, en esta versión, todas del Magdalena y tienen la misma causa documentada, la calibración anual por departamentos que la base pública no trae. Las cifras sin referente son estimaciones propias para las que el DANE no publica un valor comparable, como la informalidad del Magdalena o la mediana del ingreso laboral; el texto las presenta siempre como tales. Ninguna cifra quedó como diferencia sin explicar, y si alguna quedara no entraría al texto como resultado.

Cómo reproducir los resultados#

Todo lo que el libro calcula sale de un laboratorio de código en Python, la carpeta geih-lab, que lee las bases, produce archivos agregados y los contrasta con las cifras oficiales. Las figuras no consultan los microdatos: leen esos archivos agregados, cada uno con un bloque de metadatos que declara variables, filtros, universo, factor, método y script. Reproducir el libro consiste, entonces, en obtener los mismos microdatos, correr el mismo código y comparar lo que sale con la tabla de validación publicada.

El primer paso es descargar los microdatos del catálogo de mercado laboral del Archivo Nacional de Datos del DANE (ANDA, DANE), que exige registro y que conserva información desde el tercer trimestre de 2001 (Ficha metodológica GEIH V11, p. 11). El laboratorio trabaja con bases anuales, una fila por persona y mes con los módulos mensuales ya unidos en columnas. Aquí hay una limitación que conviene saber desde el principio: las bases que usa el libro se recibieron ya construidas y el script original que las armó no está disponible. El laboratorio incluye uno nuevo que rehace ese paso, uniendo los módulos de cada mes por las llaves de vivienda, hogar y persona y apilando después los doce meses, pero en esta versión solo se ha probado con módulos sintéticos y no contra los módulos reales del ANDA.

El segundo paso es preparar el entorno. El laboratorio se ejecutó con Python 3.14.2 y polars 1.39.3, y el archivo requirements.txt fija la versión exacta de cada dependencia:

cd geih-lab
python -m venv .venv
source .venv/bin/activate        # Linux o macOS
# source .venv/Scripts/activate  # Git Bash en Windows (use solo una de las dos)
python -m pip install -r requirements.txt

La carpeta de las bases se indica con la variable de entorno GEIH_DATOS y la de los anexos y boletines del DANE, con GEIH_ANEXOS. De esos documentos sale cada referente de la tabla de validación, y scripts/06_oficiales.py --descargar baja desde las direcciones del DANE los que falten. Si no están, los scripts que calculan con microdatos corren y solo omiten sus controles contra las cifras publicadas, pero el script de cifras oficiales se detiene y la tabla de validación no se puede reconstruir. Con las dos carpetas definidas, la ejecución se reduce a esto:

python run_all.py                 # todos los scripts en orden y el manifiesto _meta.json
python run_all.py --solo 01 02    # solo algunos scripts
python scripts/02_indicadores_laborales.py   # un script suelto
python -m pytest                  # pruebas

En la ejecución que respalda esta versión, los 10 scripts terminaron sin error. El manifiesto _meta.json registra, para cada archivo, el script que lo produjo, la fecha y la huella SHA-256 del script, y para la corrida completa, las versiones de Python y de las dependencias y el commit del repositorio, de modo que una diferencia entre dos corridas se puede rastrear hasta el código que cambió. El capítulo 10, Laboratorio de reproducción describe cada script, las pruebas y los problemas más frecuentes, desde la codificación de los textos hasta los ceros a la izquierda que se pierden en los códigos de departamento.

Datos, fuentes y versiones#

Los microdatos son las bases anuales de la GEIH de 2022 a 2025, todas del marco 2018. La tabla resume su tamaño. El número de columnas cambia de un año a otro porque entre una base y la siguiente aparecen y desaparecen variables, y por eso el libro nunca selecciona columnas por su posición en el archivo.

Para dar una escala: las 817.550 filas de 2025 son registros de personas en un mes. Dentro de cada base ninguna vivienda aparece en más de un mes, de modo que cada mes aporta su propia muestra, y esa muestra, expandida con su factor, representa a toda la población de ese mes. Sumar las personas expandidas de los doce meses contaría el país doce veces. Por eso las poblaciones anuales del libro son promedios de doce totales mensuales.

Las cifras oficiales vienen de los boletines técnicos y anexos de diciembre de 2022 a 2025, de la presentación de resultados de diciembre de 2025, de los boletines y anexos de mercado laboral por departamentos de 2023 a 2025 y de los boletines y anexos de ocupación informal. Para la serie nacional manda el anexo más reciente, el de agosto de 2026, actualizado el 30 de septiembre de 2026 (Anexo GEIH ago. 2026, hoja Total nacional, fila 66). Los documentos se consultaron el 17 de octubre de 2026. Cuando el DANE revisa una serie, la cifra de un boletín viejo deja de ser el referente y lo pasa a ser la del anexo vigente; el capítulo 8, Validar resultados documenta un caso de revisión en la serie de informalidad.

Dos advertencias completan el cuadro. Los ingresos se expresan en pesos corrientes de cada año, porque el libro no deflacta. Y esta es la versión 1.0 del libro: si los microdatos, los anexos o el código cambian, las cifras se regeneran y el cambio queda registrado en las notas de versión.

Lo que este libro no hace#

No reemplaza la documentación del DANE. La metodología general, la ficha metodológica, los cuestionarios y los diccionarios de cada año son la autoridad, y el libro los cita con página para que el lector pueda ir a ellos. Donde esa documentación es ambigua, donde una fórmula aparece como imagen y no se pudo leer o donde un dato no está publicado, el libro lo dice como limitación en lugar de completarlo con supuestos.

Tampoco produce cifras municipales. El municipio está entre las variables de identificación que el DANE excluye de las bases de acceso público, junto con el segmento y el estrato de diseño (Metodología GEIH V11, p. 27), y el diseño fija de antemano la desagregación mínima con que se publica cada indicador: para la tasa de desocupación, el total del país cada mes y las 23 ciudades cada trimestre, entre otros, y para la pobreza monetaria, cada departamento al año (Metodología GEIH V11, p. 15). A esto se suma la recomendación de no usar desagregaciones cuyos indicadores tengan coeficientes de variación superiores al 15 % (Metodología GEIH V11, p. 14). Por eso el caso territorial del libro es el Magdalena como departamento, con estimaciones anuales, y Santa Marta como ciudad, es decir, su cabecera municipal; no hay resultados para Ciénaga, Fundación ni ningún otro municipio.

La misma ausencia tiene otra consecuencia. El DANE aproxima la varianza de sus estimadores con el método del conglomerado último (Metodología GEIH V11, p. 21), que exige saber a qué estrato y a qué conglomerado pertenece cada vivienda; sin esas variables en la base, el error estándar que calcula el DANE no se puede reproducir. El libro enseña a leer los coeficientes de variación y los intervalos publicados y ofrece una aproximación propia, rotulada como tal, pero no presenta ninguna de sus cifras como precisión oficial.

Por último, el libro no mide la pobreza monetaria ni la desigualdad del ingreso de los hogares. Calcula estadísticas del ingreso laboral de los ocupados, que es otra cosa, y lo advierte cada vez que la confusión es posible. Las cifras propias que aparecen en estas páginas son del autor, calculadas con datos oficiales; no son estadísticas oficiales y no deben citarse como si las hubiera publicado el DANE.

Sobre el autor y la forma de citar#

Escribe este libro Daniel Molina Barrios, economista de la Universidad del Magdalena y científico de datos en Santa Marta. Los ejemplos territoriales son del Magdalena por cercanía, y también porque un departamento con una muestra pensada para cifras anuales obliga a enfrentar las restricciones que en el total nacional pasan inadvertidas. Las correcciones, en especial las que señalen una cifra que no se reproduce o una cita que no dice lo que el texto le atribuye, son bienvenidas y quedarán registradas en las notas de versión.

Para citar el libro basta con el autor, el título y la versión: Molina Barrios, D. Entendiendo la GEIH (versión 1.0). La referencia completa, con el año y la dirección, está en las notas de versión, y conviene acompañarla de la fecha de consulta, porque una versión posterior puede cambiar alguna cifra. Cuando se cite una cifra propia, lo más útil para quien lea es acompañarla del estado que tiene en la tabla de validación y, si la cifra es oficial, citar directamente el boletín o el anexo del DANE.