Acompaño a investigadores y equipos a convertir datos imperfectos en conclusiones que resisten revisión: diseño, análisis y comunicación de resultados.
Datos simulados y estimaciones reales, calculadas en tu navegador. Daña la muestra y mira hasta dónde aguanta la conclusión.
Evidencia sólida
Todo el intervalo queda más allá de ±0.20, el efecto mínimo fijado de antemano.
Un atípico también puede ser un dato real: antes de descartarlo hay que entender de dónde salió. La recta robusta abre esa conversación; tampoco autoriza a borrar lo que incomoda.
| Escenario | Pendiente real | Ingenua (media) | Robusta (media) | IC contiene la pendiente real | Dice «Evidencia sólida» | De esas, conclusión falsa |
|---|---|---|---|---|---|---|
| Datos limpios | 0.60 | 0.60 | 0.60 | 96 % | 100 % | 0 % |
| Algunos atípicos | 0.60 | −0.21 | 0.60 | 94 % | 96 % | 0 % |
| Demasiados atípicos | 0.60 | −0.55 | −0.63 | 34 % | 45 % | 100 % |
| Solo responden algunos | 0.00 | −0.41 | −0.45 | 1 % | 79 % | 100 % |
| Medición ruidosa | 0.60 | 0.42 | 0.42 | 21 % | 88 % | 0 % |
| No hay efecto | 0.00 | −0.01 | 0.00 | 96 % | 0 % | — |
Un caso real, de un paper aceptado en WAIMLAp 2026. Lo que pasa cuando un resultado es demasiado bueno y decides averiguar por qué.
AUC en hogares que el modelo nunca vio
0.9943 con fuga de información
0.8943
35 variables en el modelo
Casi perfecto. Por eso desconfiamos.
Queríamos ordenar hogares peruanos por capacidad económica con la Encuesta Nacional de Hogares (ENAHO). Si al modelo se le dan 47 variables, 12 de ellas componentes del gasto, alcanza un AUC de 0.9943 en hogares que nunca vio.
Parte de la respuesta entraba como pregunta.
Lo que el modelo debe predecir se construye con el gasto del hogar, así que esas variables le soplan la respuesta. Sin los 2 agregados de gasto, el AUC baja a 0.9659.
La misma fuga, mejor escondida.
Las otras 10 son totales de gasto por rubro. Sin ellas quedan 35 variables, ninguna monetaria, y un AUC de 0.8943.
Diez puntos menos, y el número que se puede defender.
IC 95 % [0.890, 0.898] · 33 691 hogares de la ENAHO 2024
Aplicado sin cambios a olas anteriores de la misma encuesta, el modelo se mantiene. Llevado a México sin reentrenar, cae 11.5 puntos con el ingreso como objetivo y 14.2 con el gasto: la metodología orienta, pero las variables hay que reconstruirlas para cada instrumento.
El score estima capacidad económica. No es una probabilidad de incumplimiento: la ENAHO no registra si un crédito se pagó.
Rodriguez Mallqui y Sánchez Alvarado, aceptado en WAIMLAp 2026 (Springer). Caso completo, código y cifras verificables
| Validación | Gráfico | AUC | Intervalo |
|---|---|---|---|
| Con fuga de información 47 variables, ENAHO 2024 | 0.994 | — | |
| Modelo honesto 35 variables, ENAHO 2024 | 0.894 | [0.890, 0.898] | |
| ENAHO 2021 ola anterior, mismo instrumento | 0.900 | [0.896, 0.903] | |
| ENAHO 2020 ola anterior, mismo instrumento | 0.900 | [0.896, 0.904] | |
| ENAHO 2019 ola anterior, mismo instrumento | 0.918 | [0.914, 0.921] | |
| México, ENIGH 2022 objetivo: ingreso | 0.779 | [0.776, 0.782] | |
| México, ENIGH 2022 objetivo: gasto | 0.752 | — |
Lo que queda cuando sacas lo que nunca debió estar
se llama evidencia.
Score medio de capacidad económica por departamento: el mismo modelo, con sus 35 variables no monetarias, aplicado a todo el país.
Huancavelica
Promedio sin ponderar y sin calibrar de la muestra de prueba 2024 (33 691 hogares). Indica capacidad económica, no probabilidad de incumplimiento. La razón frente a Lima compara el porcentaje de hogares con score mayor que 0.5. Límites departamentales: juaneladio/peru-geojson (MPL-2.0).
| Departamento | Score | n |
|---|---|---|
| Ica | 0.68 | 1 500 |
| Callao | 0.66 | 1 027 |
| Lima | 0.65 | 4 544 |
| Moquegua | 0.60 | 963 |
| Tacna | 0.57 | 1 271 |
| Lambayeque | 0.57 | 1 302 |
| Arequipa | 0.55 | 1 506 |
| Tumbes | 0.53 | 842 |
| La Libertad | 0.50 | 1 509 |
| Madre de Dios | 0.47 | 603 |
| Piura | 0.45 | 1 611 |
| San Martín | 0.43 | 1 347 |
| Junín | 0.42 | 1 506 |
| Ucayali | 0.42 | 1 119 |
| Áncash | 0.41 | 1 393 |
| Loreto | 0.37 | 1 359 |
| Pasco | 0.34 | 865 |
| Cusco | 0.34 | 1 230 |
| Huánuco | 0.34 | 1 244 |
| Amazonas | 0.32 | 1 243 |
| Puno | 0.31 | 1 123 |
| Ayacucho | 0.29 | 1 160 |
| Cajamarca | 0.28 | 1 469 |
| Apurímac | 0.28 | 913 |
| Huancavelica | 0.23 | 1 042 |
Pregunta 1 de 3
¿Ya tienes una pregunta de investigación clara?
Pregunta 2 de 3
¿Tienes los datos para responderla?
Pregunta 3 de 3
¿Ya los analizaste?
Tu etapa
Afinamos la pregunta, las hipótesis y el alcance antes de tocar un dato. Ahí se evita el sesgo que después casi nunca se puede arreglar.
Tu etapa
Definimos fuentes, muestra e instrumento, y qué tan buenos tienen que ser los datos para responder lo que preguntas.
Tu etapa
Elegimos el modelo, buscamos lo que pueda estar inflando el resultado y dejamos todo reproducible.
Tu etapa
Revisamos el trabajo como lo haría un jurado exigente: cifras, supuestos, redacción y sustentación.
Guías para trabajar con datos, cursos con todo su material y videos en YouTube.
Escríbeme con tu pregunta y tus datos, como estén. Empezamos por ver qué se puede afirmar con ellos.
Escríbeme