Las encuestas#

dane-data trabaja con dos operaciones estadísticas del DANE cuyos microdatos se publican en el Archivo Nacional de Datos (ANDA): la Gran Encuesta Integrada de Hogares (GEIH) y la Encuesta Anual Manufacturera (EAM).

GEIH: Gran Encuesta Integrada de Hogares#

Es la encuesta de hogares de la que salen las cifras oficiales de empleo y desempleo del país. Se hace todos los meses: en cada mes se entrevistan entre 60 000 y 70 000 personas, que representan a toda la población (unos 51 millones en 2024) gracias al factor de expansión.

Personas, hogares y viviendas#

Cada registro es una persona de un hogar que vive en una vivienda. Tres variables la identifican:

Llave	Identifica
`DIRECTORIO`	la vivienda
`SECUENCIA_P`	el hogar dentro de la vivienda
`ORDEN`	la persona dentro del hogar

Módulos#

El DANE publica cada mes en varios archivos, uno por módulo del cuestionario. dd.geih.load() los une en una sola tabla de personas:

Módulo (`dd.geih.MODULOS`)	Contenido	Archivos del DANE
`caracteristicas`	Sexo, edad, parentesco, educación, salud: una fila por persona	«Características generales», «Personas»
`fuerza`	Quiénes están en edad de trabajar (PET)	«Fuerza de trabajo»
`ocupados`	Empleo, ingresos, horas, rama, posición ocupacional	«Ocupados»
`no_ocupados`	Desocupados e inactivos (desde 2022 en un solo archivo)	«No ocupados», «Desocupados», «Inactivos»
`otras`	Otras formas de trabajo y actividades	«Otras actividades y ayudas», «Otras formas de trabajo»
`vivienda`	Vivienda y hogar (una fila por hogar)	«Vivienda y hogares»

Dominios: Cabecera y Resto#

Hasta 2021 cada módulo viene partido en tres archivos: Área (las 13 o 23 ciudades principales), Cabecera (zonas urbanas) y Resto (zonas rurales). Área es un subconjunto de Cabecera, así que el total nacional es Cabecera + Resto; sumar Área contaría dos veces a las personas de las ciudades. dane-data arma siempre el total nacional.

Épocas de la encuesta#

La estructura de los archivos cambia con los años. dane-data reconoce cada época sola:

Años	Archivos	Factor de expansión	Marco
2007–2019, 2021	Un archivo por módulo y dominio; desocupados e inactivos por separado	`FEX_C_2011`	Proyecciones del censo 2005, PET de 12 años o más (10 en la zona rural)
2020	Un archivo por módulo	`FEX_C`	Proyecciones del CNPV 2018, PET de 15 años o más
2022 en adelante	Un archivo por módulo; desocupados e inactivos en «No ocupados»	`FEX_C18`	Proyecciones del CNPV 2018, PET de 15 años o más

Además cambian los nombres de algunas variables (por ejemplo, el sexo pasa de P6020 a P3271 en 2022 y el nivel educativo de P6210 a P3042), los separadores y la codificación de los archivos. La armonización resuelve esas diferencias.

Serie principal y serie de empalme#

El marco muestral son las proyecciones de población con que se calculan los factores de expansión. Cuando cambia, cambian los niveles (cuántas personas hay) y la edad mínima de la población en edad de trabajar, así que las cifras de marcos distintos no son comparables: la PET salta alrededor de un 5 % por el método, no por el mercado laboral. dd.geih.marco_muestral() dice qué marco tiene cada año:

>>> dd.geih.marco_muestral(2021)
'censo 2005'
>>> dd.geih.marco_muestral(2022)
'CNPV 2018'

Para tener series largas comparables, el DANE publica la serie de empalme: los años 2010–2020 vueltos a expandir con las proyecciones del CNPV 2018 y la PET de 15 años o más. En dane-data se pide con empalme=True:

df = dd.geih.load(2015, empalme=True)
dd.geih.serie_indicadores(range(2010, 2021), empalme=True)

¿Qué serie usar?

Para un año o para comparar años del mismo marco, la serie principal.
Para una serie larga hasta hoy, la serie de empalme de 2010 a 2020 y la principal desde 2022. En la serie principal, 2021 todavía tiene el marco del censo 2005.
La aplicación avisa cuando los años elegidos mezclan marcos.

EAM: Encuesta Anual Manufacturera#

Es la encuesta anual de la industria manufacturera. Cada registro es un establecimiento (una planta) en un año: entre 6 500 y 10 000 establecimientos por año entre 1992 y 2024. Trae producción, consumo intermedio, valor agregado, empleo, salarios, activos e inversión.

nordest identifica el establecimiento y nordemp la empresa a la que pertenece. Con ellos se arma un panel.
Los montos están en miles de pesos corrientes.
No hay factor de expansión: los agregados son sumas sobre los establecimientos.
La actividad se clasifica con la CIIU, que cambia de revisión: Rev. 2 hasta 2000, Rev. 3 en 2001–2011 y Rev. 4 desde 2012. Los sectores de revisiones distintas no se pueden comparar directamente.

Los diccionarios oficiales#

dane-data trae los diccionarios de variables (DDI) que publica el ANDA: el de la GEIH 2025 y el de la EAM 2024. Sirven para encontrar variables sin salir de Python:

>>> dd.buscar_variable("arriendo")["variable"].tolist()
['P3064S1', 'P5090', 'P5130', 'P5140', 'P7495', 'P7500S1', 'P7500S1A1']
>>> dd.describir("P6920")
'¿está ... Cotizando actualmente a un fondo de pensiones?'

Los diccionarios se dejan tal como los publica el DANE, aunque a veces no coincidan con los datos; esos casos están en Diferencias con la documentación del DANE.