Romper los prejuicios para obtener
mejores datos sobre género

La generación de estadísticas de alta calidad depende de la eliminación del sesgo de género en todas las etapas del proceso de producción.

“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.

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.1 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.

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.

Fuente: OIT 13 de julio de 2022