Romper los prejuicios para obtener mejores datos sobre el género

La generación de estadísticas de alta calidad depende de la eliminación del sesgo de género en todas las etapas del proceso de producción. Este blog examina cómo se produce el sesgo de género en las estadísticas y qué hace OIT  para apoyar los esfuerzos por minimizarlo.

"Rompe los prejuicios" fue el lema del Día Internacional de la Mujer de este año, que centró la atención en los persistentes prejuicios, estereotipos y discriminación que impiden a la sociedad ser inclusiva e igualitaria en materia de género. Cuando se trata de estadísticas sobre el mundo del trabajo, las encuestas de hogares siguen siendo la mejor manera de obtener información imparcial a partir de una muestra aleatoria de la población. Por ello, los datos de las encuestas, los métodos utilizados para su recopilación y las estadísticas que finalmente se elaboran, tienen un papel fundamental a la hora de acabar con los prejuicios de género.

Hay dos vías por las que el sesgo puede socavar la utilidad de los datos de las encuestas para el análisis basado en el género. En primer lugar, el sesgo en términos de error estadístico relacionado con la adecuación de la muestra de una encuesta a la población de interés, y la adecuación de los conceptos estadísticos a los sujetos, objetos y fenómenos que representan. En segundo lugar, el sesgo en términos de puntos ciegos y omisiones conceptuales, que se relaciona con quién y qué se designa (y no se designa) como elegible para la representación y la medición en las estadísticas oficiales.

Sesgo de género importado por error estadístico

Las encuestas por muestreo tienen como objetivo generar estadísticas para una población a partir de los valores obtenidos para un subconjunto de individuos muestreados (u otras unidades muestreadas). El error estadístico introducido en una o más etapas del diseño, la administración o el procesamiento de una encuesta puede amenazar la exactitud de los datos resultantes.1El sesgo estadístico se refiere a las fuentes de error estadístico que son sistemáticas y no aleatorias. Se puede definir formalmente como: "un efecto que priva a un resultado estadístico de representatividad al distorsionarlo sistemáticamente" Esta definición, adoptada por la División de Estadística de las Naciones Unidas en su glosario de 2012, se basa en Yadolah Dodge, ed., The Oxford Dictionary of Statistical Terms (Oxford: Oxford University Press, 2003). La eliminación del sesgo estadístico (error sistemático) y la medición y el control de la varianza (error aleatorio) es una característica esencial de las estadísticas de encuestas por muestreo.

Siempre que se encuesta a una muestra de la población, en lugar de a toda la población de interés, se produce cierto nivel de error de muestreo aleatorio. Los procedimientos de las encuestas por muestreo representativo están diseñados para minimizarlo y controlarlo.

El error ajeno al muestreo -que puede importarse en cualquiera o en todas las etapas del proceso de la encuesta a través del error de cobertura, el error de falta de respuesta y el error de medición- es menos sencillo de abordar, ya que adopta varias formas:2 Además, elerror ajeno al muestreo puede originarse en el error de procesamiento y en el error de suposición del modelo, que surgen (potencialmente) durante la introducción de datos, la edición de datos, la postcodificación, la imputación y la ponderación, y el análisis de datos.

El error de cobertura, o de marco, se produce cuando las unidades elegibles dentro de la población objetivo se excluyen del marco de muestreo (o se incluyen erróneamente unidades no elegibles), o cuando un marco de muestreo no está disponible o no se utiliza. Es especialmente relevante en entornos en los que los marcos dependen de datos censales que están desfasados durante varias décadas y/o son incompletos.3Naciones Unidas, Recomendaciones de la Conferencia de Estadísticos Europeos para los Censos de Población y Vivienda de 2010, 2006; Roy Carr-Hill, "Missing Millions and Measuring Development Progress", World Development 46 (2013): 30-44; Wim Marivoet y Tom De Herdt, "Tracing Down Real Socio-Economic Trends from Household Data with Erratic Sampling Frames: The Case of the Democratic Republic of the Congo", Journal of Asian and African Studies 53, nº 4 (2018): 532-552.

El error de falta de respuesta de la unidad se produce cuando es difícil acceder a los encuestados de la muestra o los encuestados no están dispuestos a participar en una encuesta. La falta de respuesta de la unidad tiende a ser una preocupación más acuciante en los países de ingresos altos, donde las tasas de respuesta a las encuestas han disminuido durante varias décadas.

El error de medición se produce cuando la respuesta proporcionada o registrada difiere del valor "verdadero". Dicho error puede introducirse a través del cuestionario, el encuestado, el entrevistador, el contexto de la entrevista o el modo de la encuesta.

El sesgo de género puede encontrarse en cada uno de estos componentes de error, aunque es especialmente relevante en el error de medición. El sesgo de género puede importarse a través del error de medición que se origina en el diseño del instrumento (a través de problemas con la validez del constructo, o la redacción o la secuencia de las preguntas y los códigos de respuesta), los efectos del modo de la encuesta, la manera de los entrevistadores (o las características demográficas), el contexto de la entrevista (por ejemplo, la autocensura del encuestado en presencia de otros miembros del hogar), o las restricciones insuficientes / ausentes en la notificación por aproximación para los temas pertinentes.4La notificación por delegación se refiere a la práctica de completar los elementos del cuestionario a nivel individual para los miembros del hogar que no están disponibles para la entrevista, solicitando que el jefe de familia u otro miembro del hogar con conocimientos proporcione la información. La permisibilidad de la notificación por aproximación depende de la medida en que se conozca o se considere probable que el intercambio imperfecto de información entre los miembros del hogar y/o el sesgo de respuesta distorsionen la notificación. Véase, por ejemplo: Naciones Unidas, Guidelines for Producing Statistics on Asset Ownership from a Gender Perspective , 2019.

Los esfuerzos por minimizar el sesgo de género en estas diferentes fuentes de error estadístico han dado lugar a una serie de conocimientos clave. Los métodos han evolucionado para identificar, cuantificar y clasificar el error de medición en la fase de diseño de la encuesta. Entre ellos se encuentran los estudios cualitativos o "formativos", las entrevistas cognitivas, los experimentos aleatorios, los estudios de medición repetida y los estudios de comprobación de registros. En algunos contextos, se ha demostrado que el paso a la entrevista conversacional reduce los sesgos originados por la falta de correspondencia entre la comprensión del encuestado y la intención de la pregunta.

Sesgo debido a puntos ciegos u omisiones

Como obras recientes como Feminismo de datos y Mujeres invisibles los estereotipos que describen distintos roles sociales y esferas de actividad relacionadas para hombres y mujeres siguen sesgando lo que se mide, se cuenta y se hace visible en las estadísticas.

Los efectos de este sesgo se han observado durante mucho tiempo en el ámbito de las estadísticas laborales y han sido objeto de amplios esfuerzos de corrección. Los ejemplos incluyen el subregistro de las mujeres que realizan trabajos históricamente codificados como "trabajo de hombres" (por ejemplo, la migración laboral5Véase Oficina de la UNESCO en Nueva Delhi, "Internal Migration in India Initiative", 2013; OIT , OIT  Global Estimates on Migrant Workers: Resultados y Metodología , 2015. ), y la omisión de actividades productivas históricamente codificadas como "trabajo de mujeres", como el trabajo a domicilio ocupación 6Denominado "trabajo a domicilio", véase, por ejemplo, Organización Internacional del Trabajo, Working from home: From invisibility to decent work , 2021. y el trabajo doméstico y de cuidados no remunerado. Aunque es vital y valioso (hay que tener en cuenta los costes de externalizarlo), la mayor parte del trabajo doméstico y de cuidados no remunerado sigue estando excluido de las mediciones estándar de la producción económica, como el producto interior bruto. 7Los esfuerzos por medir el valor económico del trabajo no remunerado de los servicios domésticos mediante la elaboración de "cuentas ampliadas" (antes "cuentas satélite") han cobrado fuerza en los últimos años, pero su alcance y aceptación siguen siendo limitados. Véase Naciones Unidas, Guide on Valuing Unpaid Household Service Work , 2018.

Estos y otros problemas de medición, junto con la escasez de datos desglosados por sexo y relevantes para el género, impulsaron la creación del campo de las estadísticas de género a mediados de la década de 1980. Desde entonces, se han realizado crecientes esfuerzos para identificar y abordar las fuentes de sesgo de género en las estadísticas de las encuestas. Sin embargo, como señaló la Comisión de la Condición Jurídica y Social de la Mujer en su último período de sesiones, a principios de este año, aún queda trabajo por hacer en las áreas tradicionales de las estadísticas, así como en los temas emergentes, como los datos de género pertinentes para abordar el cambio climático.8Consejo Económico y Social de las Naciones Unidas, Lograr la igualdad entre los géneros y el empoderamiento de todas las mujeres y las niñas en el contexto de las políticas y los programas relativos al cambio climático, el medio ambiente y la reducción del riesgo de desastres, E/CN.6/2022/3, informe examinado por la Comisión de la Condición Jurídica y Social de la Mujer en su 66º período de sesiones, 14 a 25 de marzo de 2022. 9El sitio web OIT  ha destacado recientemente el papel esencial que desempeñan las estadísticas de género para garantizar que la acción climática ofrezca oportunidades tanto a las mujeres como a los hombres. Véase OIT , "Just Transition: Una vía esencial para lograr la igualdad de género y la justicia social", 2022.

La contribución de OIT para romper el sesgo de género en las estadísticas

Un gran avance en la superación del sesgo de género en el trabajo, ocupación  y las estadísticas laborales se produjo en 2013, cuando el máximo órgano decisorio en materia de estadísticas laborales internacionales -la Conferencia Internacional de Estadísticos del Trabajo- adoptó un nuevo y amplio concepto de referencia de "trabajo". Esto supuso una importante "primicia" y significó un gran cambio en la medición de las actividades productivas no remuneradas. Un resultado importante ha sido la posibilidad de mejorar en gran medida el análisis de las desigualdades de género en la participación de la población activa, ocupación  características, la división del trabajo remunerado y no remunerado, y el tiempo total de trabajo. El sitio web OIT  apoya la mejora de los métodos tradicionales de medición de estos aspectos relacionados con el género. Esto incluye el pilotaje de nuevos módulos ligeros de uso del tiempo para adjuntarlos a las encuestas de población activa en los países de ingresos bajos y medios, con el fin de generar estadísticas sobre los cuidados no remunerados y el trabajo doméstico cuando no es posible realizar una encuesta específica sobre el uso del tiempo. El sitio web OIT  también está probando nuevas preguntas en las encuestas de población activa para producir más y mejores datos y estadísticas sobre las mujeres y los hombres que realizan trabajos informales, que son la fuente de trabajo remunerado para más del 60% de las personas empleadas en todo el mundo.

Estos dos proyectos piloto están vinculados por su objetivo común de reducir los sesgos de género en las medidas de trabajo. La responsabilidad desproporcionada en la prestación de cuidados no remunerados y el trabajo doméstico repercute directamente en la capacidad y la oportunidad de las mujeres de realizar un trabajo remunerado, ya sea formal o informal.

La demanda de datos sobre el trabajo doméstico y de cuidados no remunerado, así como sobre el trabajo informal, es cada vez mayor. Cada vez se reconoce más que estos datos son necesarios para poner de relieve las oportunidades de transición a formas de trabajo menos vulnerables y para permitir que se reconozcan, reduzcan y redistribuyan las desigualdades basadas en el género.

El trabajo de investigación y desarrollo metodológico que están llevando a cabo OIT  y sus socios es esencial para ayudar a los países a producir estadísticas imparciales y con perspectiva de género sobre los temas más importantes. Los métodos de encuesta deben adaptarse a los retos de medición a los que se enfrentan las economías en desarrollo y emergentes. La recopilación de información sobre el uso del tiempo en sociedades en las que la vida está menos anclada al reloj de 24 horas es un ejemplo de ello. Del mismo modo, existen retos a la hora de preguntar sobre el trabajo no remunerado y/o informal en entornos en los que dichas actividades no se perciben como "trabajo" o hay reticencia a informar sobre ellas.

En su declaración con motivo del Día Internacional de la Mujer en 2022, el Secretario General de las Naciones Unidas, António Guterres, pidió que se inviertan las relaciones de poder y se realicen inversiones masivas en formación y trabajo decente para las mujeres. En la misma semana, el sitio web OIT  publicó su informeCare at Work, según el cual podrían crearse hasta 300 millones de nuevos puestos de trabajo si se invirtiera en servicios universales de cuidado de niños y de larga duración financiados con fondos públicos, de los cuales el 84% podrían ser formales. Datos de alta calidad e imparciales sustentan el trabajo de transformación necesario para alcanzar estos ambiciosos objetivos. A su vez, los datos se apoyan en metodologías estadísticas sólidas. La OIT  sigue colaborando estrechamente con los países y otros socios para definir y poner en práctica normas estadísticas sólidas y apoyar a las oficinas nacionales de estadística en su aplicación.

Autores

  • Samantha se incorporó a OIT  en 2020. Dirige el proyecto Closing the gender gap on unpaid domestic and care work, una iniciativa de OIT  en colaboración con Data 2X. Anteriormente, trabajó en el ámbito académico, investigando el cambio agrario, la migración y las divisiones de género del trabajo y el uso del tiempo.

  • Jessica ha trabajado en la mejora de las estadísticas de género en Asia y el Pacífico, Europa y Asia Central desde 2005. Se incorporó a OIT  a principios de 2021 para gestionar el proyecto Engendering Informality Statistics, dirigido por OIT  en colaboración con la Fundación Bill y Melinda Gates.

Suscríbete a nuestro boletín de noticias

Todo el contenido más reciente del Departamento de Estadística de la OIT directamente en su bandeja de entrada una vez al trimestre.

Lenguaje:

¿Es nuevo en este sitio?