Diccionario de datos — Curso Nivelatorio de R (CIENFI · Universidad Icesi)

Datos del curso

← Volver al inicio del curso

Tres bases acompañan el curso. Las dos primeras (innovación empresarial) se usan en las Unidades 2 y 3 y en el proyecto final; la tercera (GEIH) se usa en las Unidades 3 y 4 para descriptivas y regresiones.

1. innovacion_empresas.csv — microdatos a nivel de firma

Una fila por empresa (datos ficticios con fines docentes, inspirados en encuestas tipo EDIT/DANE). Base "sucia" a propósito: hay que limpiarla antes de analizarla (categorías inconsistentes, tipos mal leídos, faltantes, valores extremos y filas duplicadas).

Variable Descripción Notas de calidad (lo que hay que arreglar)
id_empresa Identificador de la empresa (E0001…E0500). Algunos en minúscula o con espacio final; hay filas duplicadas.
cod_sector Código de sector (C, G, J, M, F, I, H). Llave para cruzar. Limpio y confiable.
sector_nombre Nombre del sector. Mismo sector escrito de varias formas (mayúsculas, espacios, sinónimos).
departamento Departamento de la empresa. Variantes de un mismo departamento (Bogota, BOGOTA, Bogota D.C.…).
anio Año de referencia (2022). Constante (corte transversal).
tamano Tamaño: Micro / Pequeña / Mediana / Grande. Mayúsculas/acentos inconsistentes; algunos vacíos.
num_empleados Número de empleados. Leído como texto; faltantes ("", ND, n/d), negativos y ceros (errores).
ventas_millones Ventas anuales (millones COP). Decimal con coma (857,3); faltantes; ceros y outliers altos.
gasto_id_millones Gasto en I+D (millones COP). Muchos faltantes (firmas que no invierten en I+D): NA con sentido.
innova_producto ¿Introdujo innovación de producto? Codificación mixta: Si/si/SI/No/no/NO/1/0, espacios, faltantes.
innova_proceso ¿Innovación de proceso? Igual que arriba.
innova_organizacional ¿Innovación organizacional? Igual que arriba.
exporta ¿La empresa exporta? Igual que arriba.

Tareas sugeridas: estandarizar nombres (janitor::clean_names()), recodificar categorías, convertir tipos (texto → número, texto → lógico), tratar faltantes, detectar y decidir qué hacer con outliers/duplicados, y construir un indicador innovadora (= TRUE si innovó en producto, proceso u organización).

2. sectores_agregado.csv — base agregada por sector

Una fila por sector (7 filas). Base limpia, de referencia nacional, para cruzar con la base de firmas.

Variable Descripción
cod_sector Código de sector. Llave para cruzar.
sector_desc Nombre canónico del sector.
num_empresas_sector Total nacional de empresas del sector.
valor_agregado_mmcop Valor agregado del sector (miles de millones COP).
inversion_id_mmcop Inversión total en I+D del sector (miles de millones COP).
tasa_innovacion_sectorial Tasa de innovación de referencia del sector (0–1).
crecimiento_anual_pct Crecimiento anual del sector (%).

Cruce sugerido: limpiar la base de firmas → construir indicadores por sector (p. ej. tasa de innovación de la muestra, ventas promedio, empleo total) con group_by(cod_sector) |> summarise(...) → unirlos con esta base mediante left_join(..., by = "cod_sector") y comparar la muestra con el referente nacional.

3. geih_nivelacion.csv — extracto docente de la GEIH (DANE)

Una fila por persona ocupada (21.821 filas). Extracto real de la Gran Encuesta Integrada de Hogares (GEIH, cabeceras, enero), simplificado con fines docentes: variables renombradas y muestra restringida a ocupados de 18 a 65 años con ingreso laboral positivo. Base limpia: lista para descriptivas y regresiones (Unidades 3 y 4).

Variable Descripción
id Identificador de la persona (1…21821).
sexo hombre / mujer.
edad Edad en años (18–65).
anios_educacion Años de educación aprobados (0–26).
nivel_educativo Máximo nivel alcanzado: ninguno, primaria, secundaria, media, superior.
departamento Departamento de residencia (24 cabeceras GEIH).
ingreso_laboral Ingreso laboral mensual (COP). Tiene outliers reales: úsela con log().
horas_semana Horas normalmente trabajadas por semana.

Usos sugeridos: descriptivas por grupo (brecha de ingresos por sexo y nivel educativo), histogramas y boxplots de ingreso (en niveles vs. en logs), y la ecuación de Mincer: log(ingreso_laboral) ~ anios_educacion + edad.

Generado con _preparar_geih.R a partir de los microdatos originales del DANE (módulos "Características generales" y "Ocupados"). El ingreso corresponde a INGLABO y las horas a P6800; la llave del cruce es directorio–secuencia–orden.