28 Fuentes secundarias, archivos y datos digitales
28.1 Lo que ya existe
No siempre necesitas generar datos nuevos. Hay una enorme cantidad de datos ya disponibles, y en América Latina más de lo que la mayoría de los tesistas cree.
| Fuente | Ejemplos | Ventaja | Limitación |
|---|---|---|---|
| Encuestas nacionales | ENAHO (Perú), CASEN (Chile), ENIGH (México), GEIH (Colombia) | Grandes, representativas, gratuitas | No diseñadas para tu pregunta |
| Censos | Censo nacional de población | Cobertura total | Cada 10 años, pocas variables |
| Registros administrativos | Datos de escuelas, hospitales, programas sociales | Gran N, longitudinales | Calidad variable, acceso restringido |
| Bases internacionales | Banco Mundial, CEPAL, UNESCO, PNUD | Comparabilidad entre países | Indicadores agregados, no individuales |
| Datos abiertos | Portales gubernamentales de datos abiertos | Acceso libre | Documentación a veces deficiente |
| Datos digitales | Redes sociales, scraping, Google Trends | Masivos, en tiempo real | Problemas éticos, representatividad cuestionable |
28.2 El costo oculto de los datos ajenos
Usar datos secundarios parece gratis. No lo es. Heredas el diseño de otro: sus definiciones, sus categorías, sus errores de medición, sus decisiones de muestreo. Si la encuesta define “empleo informal” de una manera que no sirve a tu pregunta, no puedes hacer nada al respecto.
La pregunta correcta no es “¿hay datos disponibles?” sino “¿los datos disponibles miden lo que necesito medir?”. Ver Capítulo 12.
28.3 Datos digitales y big data: la frontera nueva
Las ciencias sociales están experimentando una explosión de datos digitales: publicaciones en redes, datos de movilidad de celulares, transacciones electrónicas, búsquedas. Esto abre posibilidades enormes y también trampas:
- Representatividad: Los usuarios de una red social no son “la sociedad”. Son un subgrupo con características particulares: más jóvenes, más urbanos, más opinados.
- Ética: ¿El hecho de que los datos sean “públicos” significa que puedes usarlos sin consentimiento? Spoiler: no necesariamente. Ver Capítulo 6.
- Señal contra ruido: Tener millones de datos no garantiza buenas conclusiones. Pueden ser millones de datos irrelevantes.
- Transparencia: Los algoritmos de las plataformas determinan qué ves y qué no. No controlas el marco muestral, y muchas veces ni siquiera puedes describirlo.
Más datos no es lo mismo que mejores datos. Una encuesta bien diseñada con 500 casos puede ser infinitamente más valiosa que 5 millones de registros sesgados. La calidad del dato importa más que la cantidad.
- Busca una encuesta nacional de tu país que toque tu tema. Descarga el cuestionario y el manual metodológico, no solo la base.
- Localiza la definición operativa de tu variable principal. ¿Coincide con tu concepto? Anota las diferencias: eso es material directo para tu sección de limitaciones.
- Verifica si la base tiene ponderadores y diseño muestral complejo. Si los tiene y pensabas ignorarlos, ver Capítulo 22.