Validar resultados: precisión, versiones y comparabilidad

Poner una cifra propia al lado de la oficial y ver que se parecen no es validarla. Las tasas, las proporciones de informalidad y los cuantiles de ingreso de los capítulos anteriores se contrastaron cada vez que existía una cifra oficial; este capítulo reúne esas comparaciones y las convierte en un método. Responde a cuatro asuntos prácticos: contra qué publicación se contrasta un cálculo, qué significa que dos números coincidan, cómo leer la precisión que publica el DANE y cómo comparar periodos sin mezclar marcos muestrales, definiciones o ediciones de un mismo boletín.

La idea que recorre todas las secciones es corta: una cifra parecida no es una cifra validada. El último apartado la pone a prueba con un error que el laboratorio introduce a propósito sobre los microdatos reales, un relleno de ceros mal escrito que mueve la informalidad nacional un cuarto de punto y que, sin una tolerancia declarada de antemano, cualquiera podría haber despachado como un problema de redondeo.

Qué significa validar una cifra#

Validar un indicador calculado con la GEIH es reproducir un número publicado siguiendo la misma receta con la que se produjo. La receta tiene seis ingredientes y basta con que uno no coincida para que la comparación deje de ser una validación. El periodo debe ser el mismo, y en la GEIH eso incluye la forma de agregar los meses: un año calendario no es un año móvil y un trimestre móvil no es un trimestre calendario. El dominio también: el departamento del Magdalena, la ciudad de Santa Marta (solo su cabecera) y el agregado de 23 ciudades son poblaciones distintas aunque compartan nombres en el uso diario. El universo es el denominador, y una tasa de ocupación calculada sobre la población total en lugar de la población en edad de trabajar es otro indicador. La definición debe ser la vigente: la informalidad con la regla de la 17.ª CIET no es la de la escala de cinco trabajadores. El factor de expansión debe ser el que usó el DANE para ese dominio. Y el método de estimación, por último, incluye detalles que no aparecen en ningún boletín, como si la tasa anual se obtiene dividiendo promedios o promediando tasas.

A esas seis condiciones se agrega una séptima que no depende de los datos sino del analista: la tolerancia se declara antes de mirar la diferencia. Si se fija después, cualquier discrepancia termina pareciendo aceptable. En el laboratorio la tolerancia está escrita en el código y es la misma para todas las filas del mismo tipo, y por eso la tabla de validación del libro puede decir con precisión qué coincide y qué no.

Un ejemplo muestra por qué la exigencia importa. La tasa de desocupación nacional de 2025 calculada con los microdatos es 8,8935 % y el boletín de diciembre publica 8,9 % (Boletín GEIH dic. 2025, p. 7). Las dos cifras redondean igual, pero el promedio simple de las doce tasas mensuales da 8,8979 % y también redondea a 8,9 %. Con el boletín como único referente no hay forma de saber cuál de los dos métodos reproduce la cifra oficial; las dos pasan. Llevar la comparación a cuatro decimales contra el anexo nacional tampoco resuelve la duda, porque ese anexo no trae una cifra anual: confirma cada uno de los doce meses y la aritmética de cada anualización, pero no el método que usa el DANE para el año. La pregunta solo se puede contestar donde el DANE imprime una tasa anual con todos sus decimales, como ocurre con las ciudades, y allí la razón de promedios coincide y el promedio de tasas no (capítulo 5, sección sobre lo que el DANE no documenta).

Dónde está la cifra oficial#

El DANE publica cada resultado del mercado laboral en varios formatos y no todos sirven igual para validar. El boletín técnico es un documento en PDF con texto, gráficos y cifras redondeadas a un decimal, y advierte que «por efecto del redondeo los totales pueden diferir ligeramente del anexo» (Boletín GEIH dic. 2025, p. 7). El anexo estadístico es un libro de Excel con las series completas, y sus celdas guardan varios decimales: los suficientes para comparar las tasas a cuatro decimales y las poblaciones, que vienen en miles, a la persona. La presentación de la rueda de prensa trae cifras que a veces no aparecen en el boletín, como la tasa de desocupación anual por sexo desde 2007 (Presentación GEIH dic. 2025, p. 35), pero sus valores salen de las etiquetas de un gráfico y también están redondeados.

Cada tema tiene además su propio paquete. Las cifras departamentales salen una vez al año en un boletín y un anexo aparte, en formato .xls, con una hoja que reúne la serie anual de los departamentos y hojas de errores relativos (Anexo departamentos 2025, hoja Departamentos anual). La ocupación informal tiene su propio boletín y su anexo. El anexo trae la serie mensual de ocupados formales e informales (Anexo informalidad jun.-ago. 2026, hoja Grandes dominios), la proporción de informalidad en trimestres móviles (Anexo informalidad jun.-ago. 2026, hoja Prop informalidad) y el código SAS y Stata con el que se clasifica a los ocupados (Boletín informalidad oct.-dic. 2025, p. 3). Para validar, la regla práctica del libro es usar el anexo siempre que exista y dejar el boletín como contraste de lectura.

Dos complicaciones aparecen pronto. La primera es que el anexo nacional no tiene columna anual: es una serie mensual desde 2001 (Anexo GEIH ago. 2026, hoja Total nacional, fila 11), de modo que las poblaciones y tasas anuales nacionales con cuatro decimales no son cifras impresas por el DANE sino derivaciones hechas con sus celdas. El laboratorio las marca como referentes «derivados» y, de las 1.056 filas que coinciden, 300 se apoyan en un referente de ese tipo. Esa coincidencia confirma la aritmética, no el procedimiento del DANE, porque ningún documento revisado describe cómo agrega el año nacional. La segunda es que cada mes sale un anexo nuevo que reemplaza al anterior, y una misma cifra puede cambiar de una edición a otra. El libro valida contra la edición vigente a la fecha de consulta: el anexo de agosto de 2026 para el mercado laboral nacional y el de junio a agosto de 2026 para la informalidad.

Cinco estados y una regla declarada#

Comparar más de mil cifras exige una clasificación que no dependa del criterio de cada momento. El laboratorio asigna a cada contraste uno de cinco estados; el quinto, diferencia sin explicar, existe para que una discrepancia sin causa quede a la vista, y en esta versión está vacío. La regla es del autor y así se presenta; el DANE no publica un criterio para validar cálculos de usuarios externos.

En el script de validación la regla ocupa una función corta. Lo único que distingue un estado de otro es si el referente está redondeado, si la diferencia cabe en la tolerancia fijada de antemano y si existe una causa registrada; nada se decide mirando el tamaño de la diferencia después de calcularla.

def comparar(propio: float | None, ref: dict[str, Any] | None, indicador: str,
             causa: str | None = None, motivo_sin_ref: str | None = None) -> dict[str, Any]:
    if propio is None:
        raise ValueError("Fila sin valor propio")
    if ref is None:
        return {"oficial": None, "oficial_id": None, "diferencia": None, "tolerancia": None,
                "estado": "sin referente", "causa": None, "motivo_sin_referente": motivo_sin_ref,
                "oficial_tipo": None, "oficial_precision": None}
    tol = TOL_TASA if indicador in TASAS else TOL_POBLACION
    oficial = ref["valor"]
    dif = round(propio - oficial, 6)
    d = decimales_publicados(ref)
    if d is not None:
        ok = redondear(propio, d) == float(oficial)
        estado = "coincide al redondeo" if ok else None
        tol_out = 0.5 * 10 ** (-d)
    else:
        ok = abs(propio - oficial) <= tol + EPS
        estado = "coincide" if ok else None
        tol_out = tol
    if estado is None:
        estado = "diferencia explicada" if causa else "diferencia sin explicar"

Con esa regla, la tabla de validación del laboratorio tiene 1.347 filas. De ellas, 1.056 coinciden, 28 coinciden solo al redondeo, 108 tienen una diferencia explicada y 155 no tienen referente oficial; ninguna queda como diferencia sin explicar. La tabla 8.1 muestra cómo se reparten por bloque, y el reparto dice tanto como los totales: todas las diferencias explicadas son del Magdalena, y las cifras sin referente corresponden a dominios o temas que el DANE no publica (la informalidad del Magdalena, la de Santa Marta por categorías, los cuantiles de ingreso) o a la regla de contraste «no cotiza», que no es oficial.

Las 28 filas que coinciden al redondeo merecen una aclaración. Todas tienen una fila gemela con estado «coincide» frente al anexo o frente a una derivación de sus celdas. Se conservan porque documentan que lo impreso en el boletín y en la presentación, que es lo que la mayoría de usuarios cita, también queda reproducido. Por sí solas no prueban nada más: si el anexo no existiera, una cifra que solo coincide al redondeo no permitiría distinguir entre dos métodos de cálculo, como se vio con la TD nacional.

El panel de 2025#

La figura 8.1 muestra la diferencia entre lo propio y lo oficial para las tasas anuales de 2025 en los tres ámbitos del libro, más la proporción de informalidad. Casi todas las barras son invisibles, y eso es lo que se espera de un cálculo correcto. En el total nacional, en Santa Marta y en la informalidad nacional, por zona y de Santa Marta, la diferencia frente al anexo nunca llega a 0,0001 puntos (la mayor es de 0,000048), y frente al boletín no pasa de dos centésimas, que es lo que permite el redondeo a un decimal. Las únicas barras largas son las del Magdalena, y su color indica que la diferencia tiene causa documentada. Las dos filas sin referente, la informalidad del Magdalena y la regla de contraste «no cotiza», no se grafican porque no hay contra qué restar.

Leída fila por fila, la figura resume lo que el libro logró reproducir. Las tasas nacionales coinciden con las derivaciones del anexo y, al redondeo, con el boletín. La informalidad nacional de 2025 es 55,7188 % y coincide con la cifra que se deriva de la serie mensual del anexo vigente (promedio anual de los informales sobre promedio anual de los ocupados); el boletín la publica como 55,7 % (Boletín informalidad oct.-dic. 2025, p. 9). La informalidad del Magdalena, 73,7 %, aparece en la tabla con estado «sin referente», porque el DANE no publica esa cifra en ninguno de los anexos o boletines revisados. Es un resultado propio, calculado con la regla oficial y con el factor mensual, y así debe citarse.

El mismo código en Santa Marta y en el Magdalena#

El caso más instructivo de la tabla es una diferencia. El mismo script, con las mismas variables, el mismo factor y la misma anualización, reproduce a cuatro decimales las cifras de Santa Marta y no reproduce las del departamento al que pertenece. La TD de Santa Marta en 2025 es 8,9680 % frente a 8,9680 en el anexo, y su población total, 505,668 miles, coincide con la publicada. En el Magdalena, en cambio, la población total propia es 1.528,482 miles frente a 1.502,274 publicados, 26,208 miles de diferencia, y la tasa global de participación queda 0,76 puntos por encima de la oficial.

Cuando la población total no coincide, el problema no está en las preguntas ni en el código de clasificación, porque la población total no depende de ninguna respuesta: es la suma de los factores de las filas del dominio. Descartado un error en el filtro del departamento, que aquí es un código de dos dígitos sin ambigüedad, la diferencia señala al factor. La metodología describe dos calibraciones, una mensual por regiones y otra anual por departamentos, y precisa que las ciudades se calibran con el promedio anual (Metodología GEIH V11, p. 20); el pasaje se transcribe en el capítulo 2 y sus consecuencias para el departamento se desarrollan en el capítulo 9.

La base pública trae un solo factor, FEX_C18, cuyas sumas mensuales reproducen la población nacional del anexo. Ningún documento dice a cuál de las dos calibraciones corresponde, pero esa evidencia apunta a la mensual. Las cifras departamentales oficiales usan la segunda calibración, anual y por departamentos, que no viene en el archivo. Con el factor mensual, el Magdalena propio es otra estimación del mismo departamento: legítima, hecha con el diseño de la encuesta, pero no idéntica a la oficial. La coincidencia de Santa Marta es coherente con lo que la metodología dice de las ciudades: el promedio anual de los totales mensuales con el factor mensual reproduce la cifra publicada, de modo que ahí no falta ningún insumo. Esta última lectura es del autor; la metodología no detalla el cálculo.

Dos advertencias evitan que la explicación se use más allá de lo que demuestra. La primera: la causa está citada pero no reproducida, porque el factor anual departamental no es público, y nadie fuera del DANE puede recalcular la cifra oficial para comprobar que la calibración explica toda la brecha. La segunda: la evidencia no permite predecir el signo. En 2023 la población propia quedó por debajo de la publicada y en los otros tres años por encima, como muestra la tabla 9.1 del capítulo 9. Lo único que se puede afirmar es que los dos factores no son el mismo. Tampoco la magnitud es alarmante: las 18 cifras anuales del Magdalena que tienen intervalo de confianza publicado caen todas dentro de él, de modo que la diferencia por calibración es menor que el error de muestreo que el propio DANE reconoce a su cifra.

Leer la precisión que publica el DANE#

Toda cifra de la GEIH es una estimación a partir de una muestra, y el DANE acompaña sus resultados con medidas de precisión. Conviene leerlas antes de interpretar cualquier cambio o cualquier diferencia entre grupos. La definición oficial del coeficiente de variación es textual en la metodología.

En la metodología las fórmulas del CV y del intervalo aparecen como imágenes y no se transcriben aquí. Con la notación usual de muestreo, que es del autor y no una copia del documento, la definición anterior y el intervalo al 95 % se escriben así:

El valor 1,96 corresponde a la normalidad que la metodología asume para los estimadores de total y razón (Metodología GEIH V11, p. 22). Que los anexos lo usan se puede comprobar con sus propias celdas. Para la TD del Magdalena de 2025, el intervalo de confianza publicado va de 8,73 a 10,29: la mitad de su amplitud, el error marginal, es 0,7797 puntos; dividida entre 1,96 da un error estándar de 0,3978; y ese error sobre la estimación, 9,5073, da 4,18 %, el mismo CV que publica el anexo (4,18 %).

ic_inf, ic_sup, est = 8.727553, 10.286977, 9.507265
ee = (ic_sup - ic_inf) / 2 / 1.96
print(round(ee, 4), round(100 * ee / est, 2))

Esa comprobación protege contra una trampa de formato que es fácil de pasar por alto. En los anexos nacional y departamental la columna se titula «Error relativo %», pero la celda guarda la fracción: para la TD del Magdalena de 2025 el valor almacenado es 0,0418, no 4,18 (Anexo departamentos 2025, hoja Errores relativos IML, celda E90). Leerlo como porcentaje llevaría a decir que la tasa tiene un CV de 0,04 %, cien veces menor que el real. El anexo de informalidad sigue la misma convención en su hoja de errores relativos (Anexo informalidad jun.-ago. 2026, hoja Errores relativos, celda E21).

La metodología fija además dos umbrales de uso que no conviene confundir. El primero es el límite para desagregaciones: «No se recomienda usar desagregaciones cuyos indicadores posean coeficientes de variación superiores al 15%» (Metodología GEIH V11, p. 14). El segundo aparece en la descripción del análisis de resultados: toda variable cuya proporción respecto a la fuerza de trabajo sea menor al 10 % «tiene un error de muestreo superior al 5%, que es el nivel de calidad admisible para el DANE» (Metodología GEIH V11, p. 27). El documento no explica cómo se relacionan. La lectura más coherente, que es del autor, es que el 5 % funciona como meta de calidad para los indicadores principales y el 15 % como frontera a partir de la cual la metodología ya no recomienda usar una desagregación.

La precisión depende también del periodo que se acumula. La TD nacional de diciembre de 2025 tiene un CV oficial de 3,23 % (Anexo GEIH dic. 2025, hoja Errores relativos, celdas C30:F30); la del trimestre octubre a diciembre, 1,95 % (Anexo GEIH dic. 2025, hoja Errores relativos, celdas C76:F76). Acumular meses reduce el error, y eso es coherente con que el diseño produzca el total nacional cada mes, las ciudades cada trimestre y los departamentos solo cada año (Metodología GEIH V11, pp. 15-16). Para el año completo del total nacional, en cambio, el DANE no publica CV ni intervalo, y el capítulo no inventa uno.

Los intervalos del Magdalena en 2025#

La figura 8.2 dibuja los tres intervalos oficiales del Magdalena con la misma escala horizontal, de modo que el ancho se compara a simple vista. La TGP y la TO tienen intervalos estrechos, de un par de puntos, porque sus numeradores son grandes: cientos de miles de personas participan o están ocupadas. El intervalo de la TD es algo más estrecho en puntos, pero rodea un nivel mucho menor, y por eso su CV es 4,8 veces el de la TGP. De las tres tasas, la de desocupación es la que tiene la estimación relativamente más imprecisa en un departamento, y eso importa cada vez que se quiere leer su cambio de un año a otro.

El anexo trae también una columna de variación estadísticamente significativa. En 2025 marca como significativa la variación de la TO, que pasó de 52,88 % a 54,50 %, y no la de la TD, que bajó de 9,70 % a 9,51 % (Anexo departamentos 2025, hoja Errores relativos IML, celdas B89:B90). La celda no nombra el periodo de comparación; leerla frente a 2024 es la interpretación natural del anexo anual, y es del autor. La consecuencia para el análisis es directa: decir que el desempleo del Magdalena «bajó» en 2025 es describir una diferencia que el propio DANE no distingue del ruido muestral. Decir que la ocupación subió sí tiene respaldo.

La TGP del Magdalena tiene en 2025 un intervalo de 59,18 a 61,26. La TGP propia del Magdalena, 60,99, queda dentro de él aunque difiere de la oficial en +0,76 p.p.. Es la ilustración más clara de lo que se dijo sobre la calibración: la diferencia que produce el cambio de factor es menor que la incertidumbre muestral de la estimación oficial.

Por qué el error estándar oficial no se puede reproducir#

El usuario que ha reproducido una tasa a cuatro decimales espera poder reproducir también su error estándar. Con las bases públicas no puede, y la razón está en el método de varianza que describe la metodología.

El método del conglomerado último calcula la varianza a partir de la dispersión entre los segmentos dentro de cada estrato de diseño. Necesita, por tanto, saber a qué segmento y a qué estrato pertenece cada vivienda. Esa información es justamente la que la base pública elimina por confidencialidad: entre las variables de identificación que «no se manejan en las bases de datos de acceso público» están el municipio, el sector, la sección, la manzana, el segmento y el estrato de diseño (Metodología GEIH V11, p. 27). La unidad secundaria de muestreo y la primaria no están en el archivo, y el estrato tampoco. La variable P4030S1A1, que a veces se confunde con él, es el estrato socioeconómico para la tarifa de energía, no el estrato del diseño muestral (capítulo 3, Los microdatos por dentro).

La consecuencia práctica tiene dos caras. Cuando la cifra que interesa es una cifra publicada, el usuario no necesita calcular nada: el CV y el intervalo están en el anexo y son los que deben citarse. Cuando la cifra es un cruce propio que el DANE no publica (los ocupados de 15 a 28 años del Magdalena, por ejemplo) no hay un error estándar oficial, y cualquier número de precisión que se reporte es una aproximación del analista.

Lo que no debe hacerse es tratar la muestra como si fuera aleatoria simple y usar el factor como un peso de frecuencia. Es lo que hacen muchos programas cuando se les pasa el factor como peso sin declarar el diseño, y el resultado subestima la varianza: ignora que las personas de una misma vivienda y de un mismo segmento se parecen entre sí, y produce intervalos demasiado estrechos. Esta advertencia es del autor y es general a cualquier encuesta por conglomerados; la GEIH, con segmentos de unas diez viviendas contiguas en los que se encuesta a todos los hogares (Metodología GEIH V11, p. 14), es un caso típico.

Una aproximación propia y su calibración#

Para los cruces que el DANE no publica, el laboratorio calcula una aproximación del CV con lo que sí trae la base. La decisión es del autor y se describe completa para que el lector pueda juzgarla. El conglomerado es la vivienda (DIRECTORIO), que en las bases anuales aparece en un solo mes; el pseudoestrato es la combinación de departamento y clase (DPTO × CLASE); la tasa se linealiza con el mismo método de Taylor que usa el DANE, y la varianza se calcula con reemplazo dentro de cada pseudoestrato.

cong = base.group_by([*claves_grupo, "__h", "__c"]).agg(
    pl.col("__y").sum(), pl.col("__x").sum(), pl.col("__d").max().alias("__en_dom")
)
...
if es_razon:
    cong = cong.with_columns(
        ((pl.col("__y") - pl.col("__Y") / pl.col("__X") * pl.col("__x")) / pl.col("__X")).alias("__z")
    )
...
est = est.with_columns(
    pl.when(pl.col("__n") > 1)
    .then(pl.col("__n") / (pl.col("__n") - 1) * pl.col("__ss"))
    .otherwise(0.0)
    .alias("__v")
)

En el diseño de la aproximación se esperaba que diera una cota inferior del CV verdadero. El argumento es que ignora la agrupación de viviendas en segmentos y de segmentos en municipios, y esa correlación eleva la varianza real. Pero hay una fuerza en sentido contrario que también se ignora: la calibración del factor a proyecciones de población reduce la varianza de las poblaciones calibradas y de las tasas que se calculan sobre ellas. Cuál de las dos domina no se puede saber en abstracto. Se puede contrastar donde existe un CV oficial, y eso es lo que hace el bloque de calibración del laboratorio.

De los 25 contrastes, la aproximación quedó por debajo del CV oficial en 18 y por encima en 7. Los 7 fallos son todos nacionales: la TGP, la TO y los ocupados de diciembre de 2025 y del trimestre octubre a diciembre, más los desocupados de diciembre. El mayor exceso está en los ocupados de diciembre, donde la aproximación da 0,996 % y el DANE publica 0,546 %; entre las tasas, en la TGP del mismo mes, 0,543 % frente a 0,447 %. Los desocupados de diciembre apenas pasan la línea, con una razón de 1,02. En el Magdalena, en cambio, la aproximación quedó por debajo en los 15 de 15 casos, con razones entre 0,45 y 0,97.

El patrón es compatible con la explicación de la calibración: en el total nacional la población en edad de trabajar queda amarrada a las proyecciones por la calibración, y las tasas que la usan como denominador, al igual que los totales muy correlacionados con ella como los ocupados, heredan parte de esa estabilidad. La aproximación, que no lo sabe, les atribuye más variabilidad de la que tienen. Que en el Magdalena no pase lo mismo, aunque sus cifras oficiales también usan un factor calibrado, sugiere que en un departamento pesa más la agrupación de viviendas en segmentos y municipios, que la aproximación ignora. Las dos lecturas son plausibles y ninguna está verificada con documentación del DANE; el libro las ofrece como hipótesis del autor. Lo que sí está verificado es la conclusión operativa: en el total nacional la aproximación no es una cota inferior y no debe usarse para afirmar precisión. Para esas cifras están los CV oficiales.

Comparar periodos sin mezclar marcos#

Las bases que usa este libro, de 2022 a 2025, son todas de la GEIH marco 2018 y no requieren empalme entre sí: según el boletín, desde enero de 2022 la información de mercado laboral la proporciona la GEIH marco 2018 (Boletín GEIH dic. 2025, p. 2). La dificultad aparece cuando se quiere mirar más atrás, algo que la serie mensual del total nacional, que empieza en 2001, invita a hacer.

Esa serie larga no es homogénea. El DANE la publica en tres tramos con tratamientos distintos, que la figura 8.3 resume. El paralelo de 2021 encontró diferencias entre las dos encuestas en la población ocupada y en la población fuera de la fuerza de trabajo, «sin mostrar cambios significativos en los desocupados», y ese «punto de inflexión en las series de tiempo» obligó a calcular un factor de empalme para ocupados y fuera de la fuerza de trabajo entre 2010 y 2020 (Metodología GEIH V11, p. 3). Las series desde 2001 se recalcularon además con factores calibrados a las proyecciones y retroproyecciones del censo de 2018 (misma página).

Las series empalmadas se publicaron en septiembre de 2022, basadas en las proyecciones del CNPV 2018 y en una población en edad de trabajar de 15 años y más (Boletín GEIH dic. 2025, p. 2), y el anexo lo recuerda en sus notas: los datos de 2001 a 2020 son retroproyectados, los de 2010 a 2020 ya traen los ajustes por el cambio de marco y la PET corresponde a las personas de 15 años y más (Anexo GEIH dic. 2025, hoja Total nacional, fila 59 a 61). De ahí la regla más útil de esta sección: para comparar 2025 con 2015 se toman los dos años del anexo vigente, nunca 2015 de un boletín publicado en 2015. La cifra impresa entonces usaba otros factores, una PET que empezaba antes de los 15 años, porque llevarla a esa edad fue parte del rediseño (Metodología GEIH V11, p. 3), y, en ocupados, ningún empalme. El libro no describe la fórmula del empalme porque la nota técnica correspondiente (Empalme GEIH 2005-2018) no está entre los documentos revisados para esta versión.

Fuera de las tasas básicas hay otras rupturas que el usuario debe conocer. La informalidad tiene tres regímenes: la escala de diez trabajadores, la de cinco desde diciembre de 2009 (Metodología GEIH V11, p. 3) y la medición vigente, basada en la 17.ª CIET y el grupo de Delhi, que «solo puede calcularse con GEIH marco 2018, es decir, desde 2021 en adelante» (Boletín informalidad oct.-dic. 2025, pp. 2-3). Una serie de informalidad que cruce 2020 sin advertirlo une indicadores distintos (capítulo 6, Informalidad laboral). Las áreas metropolitanas de la encuesta son las que heredó la ENH y «difieren de las legalmente constituidas actualmente» (Metodología GEIH V11, p. 4, nota 1), de modo que una comparación con registros administrativos por área metropolitana parte de territorios distintos. Y algunos dominios entraron tarde: Buenaventura desde abril de 2015, Barrancabermeja y Soacha desde 2018, Rionegro y Tumaco desde 2020, dominios que la metodología describe con representatividad anual (Metodología GEIH V11, p. 3).

Dentro del periodo 2022 a 2025 no hay ruptura de marco, pero sí de archivo: las columnas cambian entre años y algunas variables aparecen o desaparecen (capítulo 3, Los microdatos por dentro). Un script que funciona con 2025 puede fallar en silencio con 2022 si selecciona columnas por posición o si una categoría cambió de código. La comparación temporal empieza por verificar que se mide lo mismo cada año.

Cifras que cambian entre ediciones#

Las cifras oficiales no son inmutables. Una misma proporción anual puede aparecer con valores distintos en boletines sucesivos, y quien replica un trabajo publicado hace dos años puede encontrar una diferencia que no se debe a ningún error propio. La informalidad nacional de 2022 es el ejemplo más visible: el boletín de octubre a diciembre de 2022, publicado en febrero de 2023, la daba en 58,2 %; el del año siguiente, en 58,0 %; y el vigente, en 57,9 %. La de 2021 pasó de 60,2 % a 59,4 %.

Ninguno de los documentos revisados explica la causa de esas revisiones, y el libro no la supone. La conducta correcta frente a una cifra revisada es triple: citar siempre la edición y su fecha, validar contra la versión vigente y, si el objetivo es replicar un trabajo anterior, compararse con la edición que ese trabajo usó. No todo cambia: el laboratorio comparó 65 celdas del Magdalena, de 2022 en adelante, entre los anexos departamentales de 2023 y 2024 y el de 2025, y ninguna había cambiado. Saber qué series se revisan y cuáles no es parte del conocimiento de la fuente.

Diagnosticar una discrepancia#

Cuando una cifra propia no coincide con la oficial, la tentación es mirar primero el código de clasificación, que es la parte más laboriosa. En los contrastes de este libro ninguna diferencia vino de ahí: la del Magdalena viene del factor, y el error que el laboratorio provoca a propósito con OFICIO_C8 está en la lectura de una variable. De esa experiencia sale un orden de revisión que va de lo que se comprueba sin abrir el código a lo que exige leerlo línea por línea:

1. Periodo: año calendario o móvil, trimestre calendario o móvil, mes de referencia.
2. Dominio: departamento o ciudad, cabecera o total, área metropolitana de la encuesta.
3. Universo: el denominador correcto y el filtro de edad de la PET.
4. Definición: la vigente para ese periodo, con sus cambios de régimen.
5. Factor: el que usó el DANE para ese dominio y la forma de agregar meses.
6. Lectura y codificación: ceros a la izquierda, faltantes, categorías que cambiaron de código.
7. Método de anualización y redondeo.
8. Edición: si el referente fue revisado después.

Casi todos los pasos tienen un caso en este libro. El del periodo es una coincidencia que engaña: la proporción de informalidad nacional del trimestre octubre a diciembre de 2025 y la del año completo se publican ambas como 55,7 % (Boletín informalidad oct.-dic. 2025, p. 4) (Boletín informalidad oct.-dic. 2025, p. 9), aunque con cuatro decimales son 55,6837 % (Anexo informalidad jun.-ago. 2026, hoja Prop informalidad, celda BG13) la del trimestre y 55,7188 % la anual derivada de la serie mensual. Quien compare una cifra anual propia con la del trimestre la verá coincidir al decimal por azar. El dominio separa a Santa Marta del Magdalena; el factor explica la diferencia del departamento; la anualización distingue la razón de promedios del promedio de tasas, y la edición explica las revisiones de la informalidad. Queda la lectura, que produce los errores más difíciles de ver porque no cambian el orden de magnitud del resultado.

Hay un indicador barato que ayuda a localizar el problema antes de leer código: comparar primero las poblaciones y después las tasas. Si la población total del dominio no coincide, el problema está en el factor o en el filtro del dominio; si la población total coincide pero los ocupados no, está en la clasificación de la fuerza de trabajo; si los ocupados coinciden pero los informales no, en la regla de informalidad o en las variables que usa. El Magdalena falla en el primer escalón; el caso que sigue pasa los dos primeros y falla en el tercero.

Un cero a la izquierda y un cuarto de punto#

El mecanismo del error está explicado en el capítulo 6, y el problema general de los ceros a la izquierda, en el capítulo 3. Basta recordarlo. En varias ramas de la regla para trabajadores por cuenta propia y patrones, el código de Stata del DANE toma los dos primeros dígitos de OFICIO_C8 y clasifica como formales a quienes tienen un código entre 00 y 20 e informales a los demás (Anexo informalidad oct.-dic. 2025, hoja Código_STATA). El archivo pierde el cero inicial de las ocupaciones militares (0110 llega como 110); rellenar a cuatro caracteres lo repara, y rellenar a ocho, un descuido de una sola línea, deja en 00 los dos primeros dígitos de todos los oficios. Lo que interesa aquí es cómo se ve ese error cuando se valida.

Recorrida la escalera de la sección anterior, la población total y los ocupados siguen coincidiendo con el anexo, porque el relleno no toca el factor ni la clasificación de la fuerza de trabajo. Lo que se aparta es la proporción de informales. Con el relleno a ocho, en 2025 cambian de clasificación 724 registros (filas-mes de ocupados), 706 de trabajadores por cuenta propia y 18 de patrones, y la proporción nacional baja de 55,7188 % a 55,4702 %, −0,25 p.p.. En 2022 el efecto es mayor, −0,61 p.p.; la serie de los cuatro años está en la tabla 6.1 del capítulo 6.

Un cuarto de punto es poco en una proporción que ronda el 56 %. Es del mismo orden que las revisiones entre ediciones vistas antes en este capítulo, y que muchas diferencias que un analista atribuiría sin pensarlo a «diferencias metodológicas menores». Frente a un referente de cuatro decimales y una tolerancia de 0,0001 puntos, en cambio, el error no tiene dónde esconderse: es 2.487 veces la tolerancia y obliga a buscar. Para eso sirve, en la práctica, toda la regla de estados.

La segunda lección es menos evidente y va en la dirección contraria. Sin ningún relleno la proporción también coincide con la oficial en los cuatro años: la diferencia máxima es 0,0000. La coincidencia es afortunada, porque los pocos códigos que llegan sin su cero caen en ocupados cuya clasificación no depende de él (el capítulo 6 muestra cuáles). Un código sin relleno habría pasado la validación con estas bases y podría fallar con otras. Una coincidencia agregada prueba el resultado; la corrección de cada línea hay que comprobarla aparte.

Ejercicios#

El capítulo 9, El Magdalena aplica todo lo anterior a un solo departamento, con sus cifras oficiales, sus intervalos, la lectura de lo que cambió de verdad entre 2024 y 2025 y los cruces propios que la regla de precisión permite. El capítulo 10, Laboratorio de reproducción explica cómo regenerar la tabla de validación completa, que también se puede descargar en CSV.