Calculadora de ponderación de encuestas

Introducción a la calibración de encuestas

La calibración de encuestas es un procedimiento estadístico esencial para garantizar que los resultados de una muestra representen fielmente a la población objeto de estudio. Cuando se realiza una encuesta, es habitual que ciertos grupos demográficos queden subrepresentados o sobrerrepresentados debido al sesgo de no respuesta o a las limitaciones del muestreo.

Para corregir estas desviaciones, se asigna un factor de ajuste o peso a cada encuestado. El objetivo es que la distribución de las variables clave en la muestra ponderada coincida exactamente con los márgenes poblacionales conocidos, habitualmente obtenidos de censos o registros oficiales. Este proceso reduce el sesgo de selección y mejora la precisión de las estimaciones globales del estudio.

Raking frente a postestratificación

Existen dos métodos principales para ajustar los datos de una muestra a los parámetros de la población: la postestratificación clásica y el algoritmo de raking (también conocido como ajuste proporcional iterativo o IPF).

• Postestratificación: Divide la muestra en celdas exclusivas combinando todas las variables de calibración (por ejemplo, cruzar edad, sexo y región en una única cuadrícula). Requiere conocer el tamaño exacto de la población para cada celda interactiva. Su principal inconveniente es que, a medida que se añaden variables, el número de celdas crece exponencialmente, lo que genera celdas vacías en la muestra (sin encuestados) o con tamaños tan pequeños que provocan una inestabilidad extrema en los pesos.
• Raking: Trabaja únicamente con las distribuciones marginales unidimensionales de las variables elegidas. El algoritmo ajusta de forma iterativa los pesos de los encuestados para que coincidan secuencialmente con cada margen poblacional, repitiendo el ciclo hasta que todos los márgenes convergen de manera simultánea dentro de una tolerancia establecida. Esto permite calibrar múltiples variables (como edad, sexo y región por separado) sin necesidad de conocer ni rellenar las celdas cruzadas, evitando la fragmentación de la muestra.

Si solo se suministra una única variable categórica en los márgenes poblacionales, el raking se resuelve en un único ciclo, aplicando un ajuste directo equivalente a la división entre la proporción objetivo y la proporción actual de cada categoría.

Preparación de datos y especificaciones del calculador

Para realizar la calibración, el calculador requiere dos conjuntos de datos estructurados que se procesan localmente en el navegador web del usuario, garantizando que la información no se suba a ningún servidor externo:

1. Datos de encuestados

Se debe introducir una tabla que contenga una fila de encabezado y una fila por cada encuestado, con un límite máximo de 20.000 filas y menos de 2.000.000 de caracteres.

• Formato: Admite tabuladores, puntos y comas, o comas de archivos CSV como delimitadores. En regiones donde el marcador decimal es la coma, se deben emplear tabuladores o puntos y comas para evitar que los decimales se interpreten como separadores de columna.
• Estructura: Debe incluir al menos dos columnas con nombre y ningún encabezado en blanco. Cada encabezado de columna debe ser único. No se admiten categorías de calibración vacías; si existen valores perdidos que forman parte del objetivo, deben nombrarse explícitamente.

2. Márgenes poblacionales (%)

Una tabla de tres columnas que define los objetivos de calibración.

• Estructura: Debe contener exactamente las columnas de variable, categoría y porcentaje objetivo.
• Límites: Se permite un máximo de 500 filas de objetivos, hasta 6 variables de calibración y un límite de 100 categorías objetivo por variable.
• Consistencia: Cada variable debe cubrir todas las categorías presentes en la muestra y la suma de sus porcentajes objetivo debe ser exactamente igual al 100%. Los porcentajes individuales deben situarse entre el 0% y el 100%, ambos inclusive.

Parámetros de control opcionales

• Columna de peso base: Permite especificar la columna que contiene los pesos iniciales relativos y adimensionales (por ejemplo, el inverso de la probabilidad de selección). Si se deja en blanco, se asigna por defecto un peso inicial de 1 a todos los encuestados. Los valores de esta columna deben ser números finitos mayores que 0.
• Columna de resultado: Columna numérica finita opcional para evaluar el impacto de la ponderación comparando la media ponderada inicial y la final.
• Tolerancia relativa: Criterio de parada adimensional para detener el algoritmo cuando el error relativo de cada objetivo sea igual o inferior al valor configurado (rango de 1e-12 a 1e-2).
• Iteraciones máximas: Límite de ciclos de ajuste permitidos (de 1 a 500).

El efecto de peso de Kish y la precisión estadística

La aplicación de pesos no uniformes reduce el sesgo, pero introduce variabilidad adicional en las estimaciones, lo que disminuye la precisión estadística global. El calculador evalúa este impacto mediante dos métricas fundamentales propuestas por Leslie Kish:

1. Efecto de peso de Kish: Mide el incremento de la varianza debido exclusivamente a la disparidad de los pesos de los encuestados. Se calcula con la fórmula:

   Efecto de peso de Kish = n·Σw² ÷ (Σw)² = ‹count›·‹sumSquares› ÷ ‹sum›² = ‹effect›.

2. Tamaño muestral efectivo: Representa el tamaño que tendría una muestra aleatoria simple equivalente con el mismo nivel de precisión que la muestra ponderada actual. Se define como:

   Tamaño muestral efectivo = (Σw)² ÷ Σw² = ‹sum›² ÷ ‹sumSquares› = ‹effective›.

Una eficiencia de ponderación baja indica que unos pocos encuestados acumulan una parte desproporcionada del peso total, lo que reduce drásticamente el tamaño muestral efectivo. Es importante recordar que el diagnóstico de Kish refleja únicamente la desigualdad de los pesos; no incluye el efecto de diseño derivado de conglomerados, estratificación o una estimación de la varianza completa de la encuesta.

Diagnóstico de errores y advertencias del algoritmo

Durante la ejecución del algoritmo de raking, pueden surgir situaciones anómalas o errores de consistencia en los datos de entrada. El calculador proporciona mensajes específicos para cada caso:

Errores de formato y consistencia de datos

• Datos vacíos: Si no se detectan registros, muestra: La tabla de encuestados necesita al menos dos columnas con nombre y ningún encabezado en blanco. o Incluye una fila de encabezado y al menos una fila de encuestado..
• Encabezados duplicados: Cada columna de datos de encuestados necesita un encabezado único..
• Ancho de fila incorrecto: Si una fila no coincide con el número de columnas del encabezado: La fila ‹line› tiene ‹actual› celdas; el encabezado tiene ‹expected›..
• Límites excedidos: No utilices más de 2,000,000 de caracteres en ninguna de las tablas pegadas. o Usa como máximo ‹max› filas de encuestados..
• Errores en pesos base u objetivos: El peso base en la fila ‹line› debe ser mayor que 0. o La fila de objetivo ‹line› debe estar entre el 0% y el 100%, ambos inclusive..
• Suma de objetivos incorrecta: Si los porcentajes de una variable no suman 100%: Los objetivos para «‹variable›» suman un ‹total›%; deben sumar exactamente el 100%..

Problemas de convergencia y celdas vacías

• Condición de celda cero: Si una categoría tiene un objetivo poblacional positivo pero no cuenta con ningún encuestado en la muestra (o la suma de sus pesos iniciales es 0), el algoritmo no puede calcular una solución finita y muestra: «‹variable› / ‹category›» tiene un objetivo positivo pero no tiene peso muestral utilizable, por lo que no existe una solución finita..
• Falta de convergencia: Si se alcanza el límite de iteraciones sin cumplir la tolerancia: Se ha alcanzado el límite de iteraciones (‹iterations›) antes de la convergencia. Los últimos pesos se muestran para diagnóstico, no como resultados calibrados..
• Pesos extremos: Si el algoritmo converge pero la dispersión de los pesos es excesiva: Los márgenes coinciden, pero el peso más grande es ‹ratio› veces el más pequeño; analiza el tamaño muestral efectivo antes de utilizarlos..
• Ajuste innecesario: Si los datos ya están perfectamente alineados con la población: Los pesos iniciales ya coinciden con todos los márgenes solicitados..

Preguntas frecuentes

¿Qué debo utilizar como peso base? Utiliza el peso correspondiente antes de la calibración poblacional; por lo general, el inverso de la probabilidad de selección final de cada encuestado, tras aplicar cualquier ajuste por falta de respuesta previo que requiera tu estudio. Si no dispones de pesos probabilísticos, deja el campo en blanco para que todos comiencen con 1. Esto generará pesos de calibración, pero no convertirá una muestra de conveniencia en una muestra probabilística.

¿Por qué un objetivo puede no tener solución o no converger? No se puede crear un objetivo positivo a partir de una categoría que no tiene ningún encuestado muestreado. Con varias variables, las combinaciones observadas también pueden hacer que márgenes que por separado parecen razonables resulten incompatibles. Un límite de iteraciones muy corto o unos pesos iniciales extremos pueden detener el proceso antes de alcanzar la tolerancia solicitada. La auditoría de objetivos y el registro del peor objetivo muestran dónde persiste el desajuste; no trates esos últimos pesos como calibrados.

¿Es el efecto de peso de Kish el efecto de diseño completo de la encuesta? No. Mide únicamente la pérdida de precisión asociada a la desigualdad de los pesos: unos pesos iguales dan como resultado 1, y unos pesos más variables reducen el tamaño muestral efectivo. El efecto de diseño real puede verse alterado por la presencia de conglomerados, la estratificación, las correcciones por población finita y la relación entre el resultado y las variables de calibración. Para calcular errores estándar e intervalos de confianza, utiliza un software que conozca el diseño muestral completo.

¿Qué es el raking y cuándo un margen es simplemente una postestratificación? El raking ajusta un margen poblacional conocido a la vez y luego va iterando por ellos en ciclos hasta que los márgenes anteriores siguen coincidiendo tras los ajustes posteriores. Si solo proporcionas una variable categórica, un único ciclo es suficiente: cada categoría recibe el ajuste habitual de proporción objetivo ÷ proporción actual. El uso de múltiples márgenes no obliga a que coincidan sus combinaciones cruzadas no especificadas.