Búsqueda de conjuntos de datos secundarios para la investigación en ciencias sociales

Original en inglés: Finding Secondary Datasets for Social Science Research (publicado el 5 de septiembre de 2024)

Datos primarios vs. datos secundarios

Los datos primarios corresponden a la información recopilada directamente por los investigadores de forma específica para su estudio en curso. Ello puede implicar la aplicación de encuestas, entrevistas, experimentos u observaciones directas. La recolección de datos primarios permite a los investigadores adaptar la recogida de información con precisión a sus preguntas de investigación, si bien puede demandar mucho tiempo, resultar onerosa y plantear importantes desafíos logísticos.

Los datos secundarios, por otra parte, remiten a aquellos datos que ya han sido recopilados por otros investigadores u organizaciones con fines que pueden o no vincularse con la pregunta de investigación actual. Estos pueden abarcar estadísticas gubernamentales, datos de encuestas de otros estudios, registros administrativos o bases de datos de proyectos de investigación precedentes.

Tipos de datos en la investigación en ciencias sociales

Antes de abordar las fuentes de datos específicas, resulta de utilidad conocer las distintas estructuras de datos empleadas habitualmente en la investigación en ciencias sociales. Tres tipos primordiales son los datos transversales, los transversales repetidos y los longitudinales. Cada uno posee sus propias fortalezas y limitaciones.

1. Datos transversales

Los datos transversales proporcionan una instantánea de una población en un único momento temporal.

• Características:
  • Datos recopilados a partir de múltiples individuos o unidades diferentes al mismo tiempo
  • Ofrecen una visión panorámica de las características de una población en un momento específico
  • Resultan de gran utilidad para estudiar prevalencias y asociaciones entre variables
• Ejemplo: Una encuesta única sobre preferencias electorales previa a unos comicios
• Limitaciones:
  • No permiten realizar un seguimiento de cambios a lo largo del tiempo
  • Dificultad para fundamentar relaciones causales

2. Datos transversales repetidos

Los datos transversales repetidos implican recopilar información a partir de muestras diferentes de la misma población en múltiples momentos temporales.

• Características:
  • Secuencia de encuestas transversales administradas a lo largo del tiempo
  • Participantes distintos en cada encuesta, pero pertenecientes a la misma población
  • Permiten el análisis de tendencias y transformaciones a nivel poblacional
• Ejemplo: La General Social Survey (GSS), administrada periódicamente desde 1972
• Ventajas:
  • Permiten documentar cambios sociales (tendencias) a lo largo del tiempo
  • Evitan los problemas de atrición o pérdida de participantes propios de los paneles
• Limitaciones:
  • No permiten realizar un seguimiento de transformaciones a nivel individual
  • Pueden verse afectados por efectos de cohorte

3. Datos longitudinales

Los datos longitudinales siguen a los mismos individuos o unidades a lo largo de un período prolongado, recopilando información en múltiples momentos temporales.

• Características:
  • Realizan un seguimiento de la misma muestra a lo largo del tiempo
  • Permiten el análisis de cambios y trayectorias a nivel individual
  • Contribuyen a fundamentar relaciones causales
• Tipos:
  • Estudios de panel: Los mismos individuos entrevistados reiteradamente
  • Estudios de cohorte: Siguen a un grupo con una característica compartida (por ejemplo, el año de nacimiento)
• Ejemplo: El Panel Study of Income Dynamics, que realiza el seguimiento de familias desde 1968
• Ventajas:
  • Permiten documentar cambios individuales a lo largo del tiempo
  • Mayor solidez para la inferencia causal
  • Permiten estudiar trayectorias del curso de vida
• Limitaciones:
  • Su implementación resulta más onerosa y prolongada
  • Pueden verse afectados por atrición (deserción de participantes a lo largo del tiempo)

Fuentes

1. ICPSR (Inter-University Consortium for Social and Political Research)

ICPSR es el mayor archivo de datos para la investigación en ciencias sociales:

• Acceso a más de 19.000 conjuntos de datos
• Múltiples modalidades de búsqueda, incluyendo búsquedas por variables específicas y exploración temática
• Una bibliografía consultable de artículos de investigación que emplean sus archivos de datos
• Se requiere registro gratuito para el acceso completo

2. IPUMS (Integrated Public Use Microdata Samples)

IPUMS proporciona datos censales y de encuestas de todo el mundo integrados a lo largo del tiempo y el espacio. La integración y documentación de IPUMS facilita el estudio de cambios temporales, la investigación comparada, la combinación de información entre distintas modalidades de datos y el análisis de individuos en contextos familiares y comunitarios. Los datos y servicios están disponibles de forma gratuita.

• IPUMS USA: Datos de población (Censo de EE. UU. y American Community Survey)
• IPUMS CPS: Datos de población (Current Population Survey)
• IPUMS NAPP:
• IPUMS Global Health: Datos de encuestas de salud de todo el mundo, incluyendo datos armonizados
• IPUMS IHGIS: Datos tabulares y SIG procedentes de censos de población, vivienda y agricultura de todo el mundo
• IPUMS Time Use: Datos históricos y contemporáneos sobre uso del tiempo desde 1930 hasta el presente
• IPUMS Higher Ed: Datos sobre educación (datos STEM de NSF – SESTAT)
• IPUMS Health Surveys: Datos sobre salud (MEPS y NHIS)
• IPUMS CDOH: Determinantes contextuales de la salud (CDOH)

3. The General Social Survey (GSS)

La General Social Survey (GSS) es una encuesta nacionalmente representativa de adultos en los Estados Unidos administrada desde 1972. La GSS recopila información sobre la sociedad estadounidense contemporánea con el propósito de monitorear y explicar tendencias en opiniones, actitudes y comportamientos.

• Se aplica desde 1972
• Recaba información sobre las opiniones de la población en torno a problemáticas sociales, económicas y políticas
• Ofrece datos transversales repetidos (no datos de panel)
• La GSS contiene un núcleo estándar de preguntas demográficas, conductuales y actitudinales, además de temas de interés especial. Entre los tópicos abordados se cuentan libertades civiles, delincuencia y violencia, tolerancia intergrupal, moralidad, prioridades del gasto público nacional, bienestar psicológico, movilidad social y eventos estresantes y traumáticos.

4. California Health Interview Survey (CHIS)

La CHIS es la mayor encuesta estatal de salud en los Estados Unidos. Entrevista a más de 20.000 hogares en torno a múltiples dimensiones de salud, desde utilización y acceso a servicios médicos hasta condiciones y conductas de salud, abordando además diversos factores determinantes: participación en programas públicos, vivienda, ingresos y empleo, cambio climático, alimentación, violencia armada, experiencias infantiles adversas y muchos otros:

• Datos sobre diversos grupos raciales y étnicos en California
• Encuestas administradas en múltiples idiomas: además de inglés, la CHIS se aplica en español, chino (dialectos mandarín y cantonés), coreano, vietnamita y tagalo.
• Se administran entrevistas independientes a adultos (de 18 años o más), adolescentes (de 12 a 17 años) y niños (desde el nacimiento hasta los 11 años de edad).

5. Youth Risk Behavior Surveillance System (YRBSS)

La Youth Risk Behavior Survey (YRBS) recopila datos de estudiantes de los grados 9 a 12 sobre conductas y vivencias fundamentales de salud que contribuyen a las principales causas de morbimortalidad durante la adolescencia y la adultez.

• Proporciona datos transversales repetidos (no datos de panel)
• Ofrece datos tanto a escala nacional como a nivel estatal y de distritos escolares

6. Add Health (National Longitudinal Study of Adolescent to Adult Health)

El National Longitudinal Study of Adolescent to Adult Health (Add Health) es un estudio longitudinal basado en una muestra nacionalmente representativa de más de 20.000 adolescentes que cursaban los grados 7 a 12 durante el año escolar 1994-95, a quienes se les ha realizado un seguimiento a través de cinco rondas hasta la fecha, la más reciente en 2016-18. Diversos estudios complementarios han incorporado aún más datos a lo largo de los años.

• A lo largo del tiempo, Add Health ha reunido abundante información demográfica, social, familiar, socioeconómica, conductual, psicosocial, cognitiva y médica de los participantes y sus progenitores; una vasta gama de datos contextuales sobre las escuelas, vecindarios y áreas de residencia de los participantes; y datos biológicos y físicos recabados en el hogar, incluyendo marcadores genéticos, análisis de sangre, medidas antropométricas y medicación.
• Datos de panel
• Ofrece una muestra nacionalmente representativa

7. Panel Study of Income Dynamics

El PSID se inició en 1968 con una muestra nacionalmente representativa de más de 18.000 individuos pertenecientes a 5.000 familias en los Estados Unidos.

• Se ha recopilado información sobre estos individuos y sus descendientes de forma continua, abarcando empleo, ingresos, patrimonio, gastos, salud, matrimonio, fecundidad, desarrollo infantil, filantropía, educación y numerosos tópicos adicionales.
• Datos de panel
• Proporciona datos continuos sobre los participantes originarios y sus descendientes

8. Future of Families and Child Wellbeing Study

El Future of Families and Child Wellbeing Study (FFCWS) se sustenta en una muestra estratificada y polietápica de cerca de 5.000 niños nacidos en grandes ciudades de EE. UU. (población superior a 200.000 habitantes) entre 1998 y 2000, donde los nacimientos de madres no casadas fueron sobremuestreados en una proporción de 3 a 1.

• Dicha estrategia muestral propició la inclusión de un importante número de familias negras, hispanas y de bajos ingresos.
• Las madres fueron entrevistadas poco después del parto y los padres fueron entrevistados en el hospital o por vía telefónica.
• Temáticas: A partir de las entrevistas de línea de base en 1998-2000, el estudio principal se diseñó originalmente para responder primordialmente a cuatro preguntas de gran interés para investigadores y formuladores de políticas: (1) ¿Cuáles son las condiciones y capacidades de los progenitores no casados, en particular los padres?; (2) ¿Cuál es la naturaleza de los vínculos entre progenitores no casados?; (3) ¿Cómo evolucionan los niños nacidos en estas familias?; y (4) ¿De qué manera las políticas públicas y las condiciones ambientales repercuten en las familias y los niños?
• Datos de panel

9. Health and Retirement Study (HRS)

El Health and Retirement Study (HRS) es una encuesta longitudinal de hogares administrada por el Institute for Social Research de la University of Michigan. Sus datos multidisciplinarios brindan a los investigadores la oportunidad de indagar múltiples aspectos vinculados con el envejecimiento poblacional en los Estados Unidos.

• Mediante sus entrevistas detalladas y exhaustivas, el HRS proporciona un valioso y creciente conjunto de datos multidisciplinarios que los investigadores pueden utilizar para responder interrogantes fundamentales sobre los desafíos y oportunidades del envejecimiento.
• Datos de panel

10. The Generation Study

El estudio Generations es la primera investigación quinquenal de largo alcance concebida para examinar la salud y el bienestar a través de tres generaciones de personas lesbianas, gais y bisexuales (LGB). El estudio indaga la identidad, el estrés, los resultados de salud y la utilización de atención y servicios de salud entre personas LGB pertenecientes a tres cohortes de adultos formados en contextos históricos diversos. Puede obtener mayor información sobre el estudio aquí.

• El procedimiento de encuesta cuantitativa identificará a participantes LGB negros, latinos y blancos en los Estados Unidos. Los encuestados participarán en el estudio durante un período de 5 años con el propósito de detectar transformaciones en el entorno social a medida que las personas envejecen.
• Datos de panel

11. Pew Research Center Datasets

Pew Research Center publica datos de sus encuestas telefónicas, así como información procedente de sondeos administrados en su American Trends Panel (ATP) —panel en línea nacionalmente representativo que constituye la fuente primordial de la mayor parte de su producción de encuestas en EE. UU. Puede consultar esta página para acceder a la lista completa de conjuntos de datos disponibles del ATP y los tópicos que abarcan. Existen dos modalidades para localizar bases de datos disponibles para descarga: puede acceder a la pestaña “Tools & Resources” en el menú superior de su portal web, que proporciona enlaces a la totalidad de las bases disponibles, con encuestas ordenadas por área temática principal y presentadas en orden cronológico inverso.

• Datos transversales
• American Trends Panel – Datos transversales repetidos

Pasos para trabajar con datos secundarios

1. Descargue los datos en su formato preferido (por ejemplo, Stata, SPSS, CSV).
   • Seleccione el formato de archivo adecuado para su software estadístico (por ejemplo, .dta para Stata, .sav para SPSS, .csv para uso general). Si los datos no se encuentran disponibles en su formato predilecto, descargue un formato compatible y conviértalo mediante su software estadístico o una herramienta de conversión de archivos.
2. Consulte el libro de códigos y la lista de variables
   • El libro de códigos documenta el conjunto de datos. Suele incluir:
   • Elabore un listado de variables pertinentes a sus preguntas de investigación.
   • Preste atención a:
     • Tamaño de la muestra y submuestras
     • Período temporal cubierto
     • Cobertura geográfica incluida
     • Modificaciones en la definición de variables a lo largo de las rondas (para datos longitudinales o transversales repetidos)
   • Si no se proporciona un libro de códigos, contemple el empleo de comandos de Stata para generar libros de códigos.
3. Lea publicaciones previas que hayan utilizado el conjunto de datos
   • Busque artículos académicos que hayan empleado la base de datos de su interés.
   • Esto puede aportarle información valiosa sobre:
     • Las fortalezas y limitaciones de los datos
     • Estrategias analíticas habituales
     • Desafíos o dificultades potenciales en el manejo de los datos
     • Ideas para sus propias preguntas de investigación o metodologías analíticas
4. Examine el diseño muestral y los ponderadores
   • Comprenda cómo se seleccionó la muestra y qué estratificación se aplicó.
   • Verifique si se proporcionan ponderadores de muestreo y en qué circunstancias deben emplearse.
5. Evalúe la calidad de los datos
   • Identifique cualquier observación sobre problemas de calidad de los datos, tales como tasas elevadas de no respuesta en determinados reactivos.
   • Examine valores atípicos, patrones de datos faltantes e inconsistencias en la base de datos.
   • Comprenda de qué manera se codificaron los datos faltantes en el conjunto de datos.
6. Prepare los datos para el análisis
   • Fusione los archivos si resulta necesario
   • Recodifique las variables según se requiera