geih-analisis 0.1.4

Análisis de microdatos GEIH del DANE — Colombia. 70+ indicadores: TD, TGP, TO, Gini, Mincer, ICE, ICI, brecha de género, 33 departamentos, análisis de tierras y precisión muestral.

geih-analisis

Paquete Python para analizar los microdatos de la Gran Encuesta Integrada de Hogares (GEIH) del DANE — Colombia.

Convierte los archivos CSV crudos del DANE en indicadores del mercado laboral listos para reportar: desempleo, salarios, brecha de género, formalidad, educación y más — con pocas líneas de código.

---

English summary: Python package for analyzing Colombia's GEIH household survey microdata (DANE). Computes labor market indicators (unemployment, wages, gender gap, formality) from raw CSV files. Supports 2022–present, 70+ analytical classes, Google Colab optimized. pip install geih-analisis → from geih import ConfigGEIH.

---

Tabla de contenidos

1. ¿Para quién es este paquete?
2. Instalación
3. Inicio rápido
4. Paso 0 — Descargar los datos del DANE
5. Flujo de trabajo completo
6. Análisis disponibles
7. Ejemplos de análisis
8. Análisis departamental
9. Análisis de tierras agropecuarias)
10. Configuración externa)
11. Precisión muestral)
12. Agregar variables sin modificar el código
13. Agregar un año nuevo
14. FAQ — Preguntas frecuentes
15. Cómo citar
16. Licencia
17. Metodología de desarrollo
18. Créditos y agradecimientos

---

1. ¿Para quién es este paquete?

Este paquete es para ti si:

• Eres economista, analista laboral o investigador y necesitas calcular tasas de desempleo, ingresos medianos o brechas salariales a partir de la GEIH.
• Eres estudiante y quieres explorar el mercado laboral colombiano sin procesar manualmente millones de filas.
• Trabajas en regiones y necesitas indicadores departamentales semestrales o trimestrales con evaluación de confiabilidad estadística.
• Investigas política pública agraria y quieres cruzar ingresos con tenencia de tierra.
• Tienes conocimiento de Python básico como saber instalar paquetes y ejecutar celdas es suficiente para empezar.
• Usas Google Colab y no quieres instalar nada en tu computador.

No necesitas: experiencia avanzada en programación, conocimiento de la estructura interna de la GEIH, ni saber qué es un factor de expansión. El paquete maneja todo eso por ti.

---

2. Instalación

Opción A — pip (recomendado para uso local o Colab con pip)

pip install geih-analisis

Con gráficos interactivos y dashboard visual:

pip install "geih-analisis[all]"

Opción B — Google Colab (sin instalación, desde Drive)

from google.colab import drive
drive.mount('/content/drive')

import sys
sys.path.insert(0, '/content/drive/MyDrive/GEIH')  # ← ajustar a tu ruta

from geih import __version__
print(f"geih v{__version__} listo")

Opción C — Última versión en desarrollo (desde GitHub)

pip install git+https://github.com/enriqueforero/geih-analisis.git

Requisitos del sistema

Dependencia	Versión mínima
Python	3.9+
pandas	1.5+
numpy	1.21+
pyarrow	10.0+
scipy	1.7+
openpyxl	3.0+

---

3. Inicio rápido

Ultra-rápido — 3 líneas (si ya tienes los datos consolidados)

from geih import ConfigGEIH, ConsolidadorGEIH, PreparadorGEIH, IndicadoresLaborales

config = ConfigGEIH(anio=2025, n_meses=12)
geih   = ConsolidadorGEIH.cargar('GEIH_2025_Consolidado.parquet')
df     = PreparadorGEIH(config=config).preparar_base(geih)
r      = IndicadoresLaborales(config=config).calcular(df)
print(f"Desempleo: {r['TD_%']:.1f}%  |  Participación: {r['TGP_%']:.1f}%  |  Ocupación: {r['TO_%']:.1f}%")

Completo — desde los CSV hasta los resultados

from geih import (
    ConfigGEIH, ConsolidadorGEIH, PreparadorGEIH,
    IndicadoresLaborales, AnalisisSalarios, BrechaGenero, Exportador
)
import os

# ── 1. Configurar ─────────────────────────────────────────────────────
RUTA   = '/content/drive/MyDrive/GEIH'   # ← ajustar a tu ruta en Drive
config = ConfigGEIH(anio=2025, n_meses=12)
config.resumen()   # muestra SMMLV, período y carpetas esperadas

# ── 2. Consolidar los CSV del DANE ────────────────────────────────────
# Primera vez: ~5 minutos. Siguientes veces: instantáneo desde el archivo .Parquet.
PARQUET = f'{RUTA}/GEIH_{config.anio}_Consolidado.parquet'

if os.path.exists(PARQUET):
    geih = ConsolidadorGEIH.cargar(PARQUET)
else:
    cons = ConsolidadorGEIH(ruta_base=RUTA, config=config, incluir_area=True)
    cons.verificar_estructura()            # verifica que estén los 96 archivos CSV
    geih = cons.consolidar(checkpoint=True)  # retoma automáticamente si Colab se cae
    cons.exportar(geih)

# ── 3. Preparar datos ─────────────────────────────────────────────────
prep = PreparadorGEIH(config=config)
df   = prep.preparar_base(geih)
df   = prep.agregar_variables_derivadas(df)

# ── 4. Calcular y exportar ────────────────────────────────────────────
ind     = IndicadoresLaborales(config=config)
r       = ind.calcular(df)
ind.sanity_check(r, f"Anual {config.anio}")   # valida contra cifras DANE

exp     = Exportador(ruta_base=RUTA, config=config)
td_dpto = ind.por_departamento(df)
exp.guardar_tabla(td_dpto, f'desempleo_departamentos_{config.anio}')

print(f"✅  TD={r['TD_%']:.1f}%  TGP={r['TGP_%']:.1f}%  TO={r['TO_%']:.1f}%")

---

4. Paso 0 — Descargar los datos del DANE

⚠️ Este paquete no incluye los datos. Los microdatos de la GEIH son públicos y gratuitos, pero debes descargarlos del portal oficial del DANE y organizarlos en la estructura de carpetas que el paquete espera.

4.1 Dónde descargar

Portal oficial de microdatos del DANE: 🔗 https://microdatos.dane.gov.co

4.2 Paso a paso detallado

Paso 1 — Ir al portal y buscar la encuesta

1. Abrir microdatos.dane.gov.co
2. En el buscador escribir: Gran Encuesta Integrada de Hogares
3. Seleccionar el año que necesitas (ej: GEIH 2025)
4. Hacer clic en "Obtener microdatos"

Paso 2 — Descargar los archivos en formato .zip para cada mes

La GEIH se publica en 8 archivos CSV por mes que están todos en un archivo de formato .zip. Debes descargar los meses a analizar:

#	Módulo	Nombre del archivo
1	Características generales	Características generales, seguridad social en salud y educación.CSV
2	Datos del hogar	Datos del hogar y la vivienda.CSV
3	Fuerza de trabajo	Fuerza de trabajo.CSV
4	Ocupados	Ocupados.CSV
5	No ocupados	No ocupados.CSV
6	Otras formas de trabajo	Otras formas de trabajo.CSV
7	Migración	Migración.CSV
8	Otros ingresos	Otros ingresos e impuestos.CSV

Paso 3 — Organizar los archivos en carpetas

Crea una carpeta raíz (por ejemplo GEIH) y dentro organiza los archivos exactamente así:

GEIH/                                ← carpeta raíz (tu variable RUTA)
│
├── Enero 2025/
│   └── CSV/
│       ├── Características generales, seguridad social en salud y educación.CSV
│       ├── Datos del hogar y la vivienda.CSV
│       ├── Fuerza de trabajo.CSV
│       ├── Ocupados.CSV
│       ├── No ocupados.CSV
│       ├── Otras formas de trabajo.CSV
│       ├── Migración.CSV
│       └── Otros ingresos e impuestos.CSV
│
├── Febrero 2025/
│   └── CSV/
│       └── (mismos 8 archivos)
│
├── Marzo 2025/
│   └── CSV/
│       └── (mismos 8 archivos)
│
│   ... (una carpeta por cada mes)
│
└── Diciembre 2025/
    └── CSV/
        └── (mismos 8 archivos)

Importante — nombres exactos de carpetas: deben ser Enero 2025, Febrero 2025, Marzo 2025, Abril 2025, Mayo 2025, Junio 2025, Julio 2025, Agosto 2025, Septiembre 2025, Octubre 2025, Noviembre 2025, Diciembre 2025. Con mayúscula inicial, espacio y año. El paquete busca estas carpetas con esa nomenclatura exacta. Las otras carpetas que genera el DANE como DAT y SAV, contienen formatos para programas estadísticos especializados, esos no se usan en esta librería. Sólo trabaje con los archivos en formato CSV.

Paso 5 — Verificar que todo está en orden

Antes de consolidar, verifica que los archivos están correctamente ubicados:

from geih import ConsolidadorGEIH, ConfigGEIH

config = ConfigGEIH(anio=2025, n_meses=12)
cons   = ConsolidadorGEIH(ruta_base='/tu/ruta/GEIH', config=config)
cons.verificar_estructura()
# ✅ Enero 2025: 8 archivos — OK
# ✅ Febrero 2025: 8 archivos — OK
# ✅ Marzo 2025: 8 archivos — OK
# ...

Si falta algún archivo, el verificador te indica exactamente cuál.

4.3 Descarga automática con DescargadorDANE (opcional)

Si prefieres que el paquete organice los ZIPs que descargaste manualmente:

from geih import DescargadorDANE, ConfigGEIH

desc = DescargadorDANE(
    config=ConfigGEIH(anio=2025, n_meses=12),
    ruta_destino='/tu/ruta/GEIH',
)
# Si tienes los ZIPs descargados manualmente:
desc.organizar_zips('/ruta/donde/guardaste/los/zips')
# Verifica la estructura resultante:
desc.verificar()

---

5. Flujo de trabajo completo

Archivos CSV del DANE (8 módulos × N meses)
          ↓
  ConsolidadorGEIH     → une los módulos, concatena los meses
          ↓               guarda GEIH_2025_Consolidado.parquet
  PreparadorGEIH       → calcula FEX_ADJ, mapea ramas y departamentos
          ↓               agrega variables derivadas (INGLABO_SML, etc.)
  Clases de análisis   → TD, salarios, brecha, Gini, ICE, ICI, ITAT...
          ↓
  Exportador           → resultados_geih_2025/
                           ├── graficas/   (PNG)
                           ├── tablas/     (CSV)
                           └── excel/      (XLSX multi-hoja)

El único parámetro que cambia: ConfigGEIH

from geih import ConfigGEIH

# Año completo
config = ConfigGEIH(anio=2025, n_meses=12)

# Primer trimestre de 2026
config = ConfigGEIH(anio=2026, n_meses=3)

# Solo enero de 2026
config = ConfigGEIH(anio=2026, n_meses=1)

# Primer semestreconfig = ConfigGEIH(anio=2025, n_meses=12, meses_rango=[1,2,3,4,5,6])

ConfigGEIH selecciona automáticamente el SMMLV correcto, genera la lista de carpetas esperadas y controla cómo se calcula el factor de expansión. Cambiar anio y n_meses es todo lo que necesitas.

---

6. Análisis disponibles

Indicadores fundamentales del mercado laboral

Clase	Qué produce
IndicadoresLaborales	TD, TGP, TO — nacionales y por departamento
DistribucionIngresos	Distribución de ingresos por rangos de SMMLV
AnalisisSalarios	Mediana, media, percentiles por rama de actividad y edad
BrechaGenero	Diferencia salarial hombres/mujeres por nivel educativo
IndicesCompuestos	Coeficiente de Gini del ingreso laboral
AnalisisRamaSexo	Composición del empleo por industria y sexo

Análisis avanzados

Clase	Qué produce
CalidadEmpleo	ICE: índice que combina pensión, salud, horas y salario
CompetitividadLaboral	ICI: competitividad laboral por departamento
VulnerabilidadLaboral	IVI: vulnerabilidad por rama de actividad
MapaTalento	ITAT: oferta laboral, costo y calidad por departamento
EcuacionMincer	Retorno salarial a cada año adicional de educación
Estacionalidad	Variación mensual de TD, TGP y TO durante el año
FuerzaLaboralJoven	Indicadores específicos para jóvenes de 15 a 28 años
CostoLaboral	Costo total incluyendo prestaciones sociales (~54% sobre salario)
FormalidadSectorial	ICF: formalidad del empleo por sector económico

Poblaciones especiales

• AnalisisCampesino — trabajadores que se autodeclaran campesinos
• AnalisisDiscapacidad — personas con discapacidad (escala Washington ONU, 8 dimensiones)
• AnalisisMigracion — migración interna e internacional
• AnalisisSobrecalificacion — universitarios ocupados en empleos que no requieren ese nivel
• AnalisisContractual — tipo de contrato: escrito indefinido, escrito fijo, verbal, sin contrato
• AnalisisAutonomia — trabajadores formalmente independientes pero en realidad dependientes
• DuracionDesempleo — semanas buscando empleo (friccional, cíclico, estructural, largo plazo)
• DashboardSectoresProColombia — 7 sectores estratégicos de actividad económica

Nuevos en v0.1.4

Clase	Qué produce
AnalisisDepartamental	Reporte integral por departamento con precisión muestral
AnalisisTierraAgropecuario	Distribución salarial × tenencia de tierra

32 ciudades y áreas metropolitanas

from geih import AnalisisOcupadosCiudad

area   = AnalisisOcupadosCiudad(config=config)
tablas = area.calcular(df)                  # 6 tablas: nacional, agrupación DANE, ciudad/AM
area.imprimir(tablas)
area.exportar_excel(tablas, 'CIIU_Area_2025.xlsx')

Comparación entre años

from geih import ComparadorMultiAnio, ConfigGEIH

comp = ComparadorMultiAnio()
comp.agregar_anio(2025, 'GEIH_2025_M01.parquet', ConfigGEIH(anio=2025, n_meses=1))
comp.agregar_anio(2026, 'GEIH_2026_M01.parquet', ConfigGEIH(anio=2026, n_meses=1))

comp.comparar_indicadores()    # TD / TGP / TO con variación anual
comp.evolucion_ingresos()      # mediana salarial por año en COP y SMMLV
comp.comparar_departamentos()  # TD por departamento × año
comp.comparar_brecha_genero()  # brecha salarial H/M por año

---

7. Ejemplos de análisis

Tasa de desempleo nacional y por departamento

from geih import IndicadoresLaborales

ind = IndicadoresLaborales(config=config)

# Nacional
r = ind.calcular(df)
print(f"TD={r['TD_%']:.1f}%  TGP={r['TGP_%']:.1f}%  TO={r['TO_%']:.1f}%")
# → TD=9.8%  TGP=63.4%  TO=57.2%

# Por departamento
td_dpto = ind.por_departamento(df)
print(td_dpto[['Departamento', 'TD_%', 'Ocupados_M']].head(10).to_string(index=False))

Salarios medianos por industria y nivel educativo

from geih import AnalisisSalarios

# Mediana salarial por rama de actividad
salarios = AnalisisSalarios(config=config).por_rama(df)
print(salarios[['Mediana', 'Media', 'Mediana_SMMLV']].head(10))

# Por nivel educativo (diferenciando Especialización, Maestría y Doctorado)
from geih.utils import EstadisticasPonderadas as EP

niveles = {10: 'Universitaria', 11: 'Especialización', 12: 'Maestría', 13: 'Doctorado'}
df_edu  = df[(df['OCI'] == 1) & (df['INGLABO'] > 0)].copy()
df_edu['NIVEL'] = df_edu['P3042'].map(niveles)

for nivel in ['Universitaria', 'Especialización', 'Maestría', 'Doctorado']:
    m   = df_edu['NIVEL'] == nivel
    med = EP.mediana(df_edu.loc[m, 'INGLABO'], df_edu.loc[m, 'FEX_ADJ'])
    print(f"{nivel:20s}: ${med:>12,.0f}  ({med / config.smmlv:.1f}× SMMLV)")
# Universitaria       :   $2,100,000  (1.5× SMMLV)
# Especialización     :   $3,800,000  (2.7× SMMLV)
# Maestría            :   $5,200,000  (3.7× SMMLV)
# Doctorado           :   $7,500,000  (5.3× SMMLV)

Brecha salarial de género

from geih import BrechaGenero

brecha = BrechaGenero().calcular(df)
print(brecha)
#               Hombres    Mujeres  Brecha_%
# Media           1.35       1.18     -12.6
# Universitaria   2.10       1.95      -7.1
# Maestría        4.82       4.41      -8.5

Comparación enero 2025 vs enero 2026

from geih import ComparadorMultiAnio, ConfigGEIH

comp = ComparadorMultiAnio()
comp.agregar_anio(2025, 'GEIH_2025_M01.parquet', ConfigGEIH(anio=2025, n_meses=1))
comp.agregar_anio(2026, 'GEIH_2026_M01.parquet', ConfigGEIH(anio=2026, n_meses=1))

df_ind = comp.comparar_indicadores()
# ANIO   TD_%   Δ_TD_%   TGP_%   TO_%   Ocupados_M
# 2025   10.8      —      63.1   56.3      22.5
# 2026   11.4    +0.6     62.8   55.7      22.8

Dashboard interactivo (sin código)

from geih import ejecutar_dashboard

ejecutar_dashboard(ruta_base='/tu/ruta/GEIH')
# Abre un dashboard en tu navegador con filtros y gráficos
# Requiere: pip install "geih-analisis[dashboard]"

---

8. Análisis departamental

Consolida indicadores de 6+ clases en un solo reporte departamental con evaluación de precisión estadística. Soporta análisis semestral.

Análisis anual

from geih import AnalisisDepartamental, ConfigGEIH, PreparadorGEIH

config = ConfigGEIH(anio=2025, n_meses=12)
prep = PreparadorGEIH(config=config)
df = prep.preparar_base(geih)
df = prep.agregar_variables_derivadas(df)

ad = AnalisisDepartamental(config=config)
reporte = ad.calcular(df)
ad.exportar_excel(reporte, "departamentos_2025.xlsx")

Análisis semestral (para regiones)

# Primer semestre
config_s1 = ConfigGEIH(anio=2025, n_meses=12, meses_rango=[1,2,3,4,5,6])
df_s1 = PreparadorGEIH(config=config_s1).preparar_base(geih)
df_s1 = PreparadorGEIH(config=config_s1).agregar_variables_derivadas(df_s1)
reporte_s1 = AnalisisDepartamental(config=config_s1).calcular(df_s1)

# Segundo semestre
config_s2 = ConfigGEIH(anio=2025, n_meses=12, meses_rango=[7,8,9,10,11,12])
df_s2 = PreparadorGEIH(config=config_s2).preparar_base(geih)
df_s2 = PreparadorGEIH(config=config_s2).agregar_variables_derivadas(df_s2)
reporte_s2 = AnalisisDepartamental(config=config_s2).calcular(df_s2)

33 departamentos (completo)

La versión incluye los 32 departamentos + Bogotá D.C. — antes faltaban Arauca, Casanare, Putumayo, San Andrés, Amazonas, Guainía, Guaviare, Vaupés y Vichada. Cada departamento lleva su evaluación de precisión muestral.

Indicadores por departamento

Cada fila del reporte incluye: TD, TGP, TO, mediana salarial, formalidad (cotización pensión), CV de TD, intervalo de confianza al 95%, clasificación de precisión DANE, y advertencia de muestra insuficiente cuando aplica.

---

9. Análisis de tierras agropecuarias

Explota las variables P3064 (tenencia de tierra), P3064S1 (renta estimada) y P3056 (tipo de actividad) para análisis de política pública agraria.

from geih import AnalisisTierraAgropecuario

tierra = AnalisisTierraAgropecuario(config=config)

# Brecha de ingresos: ¿ser propietario saca de la pobreza?
brecha = tierra.brecha_ingresos(df)

# Costo de oportunidad: ¿gana más trabajando o arrendando?
costo = tierra.costo_oportunidad(df)

# Inequidad de género en propiedad de la tierra
genero = tierra.por_genero(df)

# Por departamento con evaluación de confiabilidad
dept = tierra.por_departamento(df)

# Reporte completo
reporte = tierra.reporte_completo(df)
tierra.exportar_excel(reporte, "tierras_2025.xlsx")

Análisis disponibles

1. Brecha de ingresos Propietario vs. No propietario: ¿La propiedad de la tierra correlaciona con mayores ingresos?
2. Costo de oportunidad: Ingreso laboral vs. renta estimada de la tierra (P3064S1). ¿El campesino gana más que si arrendara?
3. Distribución de la tierra por género: Inequidad en titularidad por sexo y departamento.
4. Formalidad agropecuaria: Cotización a pensión por tenencia.
5. Por subcategoría CIIU: Agricultura (01) vs. Silvicultura (02) vs. Pesca (03) con detalle a 4 dígitos.
6. Por departamento: Con evaluación de precisión muestral para cada celda.

Nota muestral

P3064 solo aplica a trabajadores independientes del sector agropecuario. A nivel nacional hay suficiente muestra, pero al cruzar departamento + subcategoría + tenencia, las celdas pueden tener pocas observaciones. Cada resultado lleva su indicador de confiabilidad.

---

10. Configuración externa

El problema

Cada vez que cambia el salario mínimo (decreto de diciembre), o cuando el DANE publica el boletín anual, había que modificar config.py y lanzar un nuevo release a PyPI. Para un dato que cambia una vez al año, eso es excesivo.

La solución: geih_config.json

Ahora el paquete busca un archivo geih_config.json que sobreescribe los valores internos. El usuario lo coloca junto a sus datos y actualiza sin esperar un release:

{
  "smmlv_por_anio": {
    "2027": 1900000
  },
  "ref_dane": {
    "2026": {
      "td_anual_pct": 9.2,
      "tgp_anual_pct": 64.0,
      "to_anual_pct": 58.0,
      "pea_anual_m": 26.5,
      "ocupados_anual_m": 24.0,
      "desocupados_anual_m": 2.5
    }
  },
  "muestreo": {
    "deff_default": 2.5,
    "cv_preciso_pct": 7.0,
    "cv_aceptable_pct": 15.0
  }
}

Dónde colocar el archivo

El paquete busca en este orden:

1. Ruta explícita: cargar_config_externa("/mi/ruta/geih_config.json")
2. Variable de entorno: GEIH_CONFIG_PATH
3. Directorio de trabajo: ./geih_config.json
4. Home del usuario: ~/.geih/geih_config.json

Si no encuentra ningún archivo, usa los valores hardcodeados del paquete (sin error).

Verificar configuración activa

config = ConfigGEIH(anio=2025, n_meses=12)
config.resumen()
# Muestra: año, meses, SMMLV, si hay config externa cargada, etc.

---

11. Precisión muestral

El problema

Sin errores muestrales, las desagregaciones finas producen cifras sin contexto de confiabilidad. Un usuario podría reportar "TD de Vaupés = 25%" sin saber que el CV es del 40%.

La solución: módulo geih.muestreo

Toda estimación puede evaluarse con el módulo de muestreo:

from geih import evaluar_proporcion, ConfigMuestreo

# Evaluar la precisión de una tasa de desempleo
precision = evaluar_proporcion(
    proporcion=0.089,        # TD = 8.9%
    n_registros=50000,       # registros en la muestra
    n_expandido=26_000_000,  # personas expandidas
    dominio="Nacional",
)
print(precision.resumen())
# Nacional  Est=8.90  EE=0.20  CV=2.3%  IC=[8.51, 9.29]  n=50,000  N̂=26.000M  ✅ Precisión alta

Clasificación DANE

CV	Clasificación	Uso
< 7%	✅ Precisión alta	Publicable
7–15%	⚠️ Precisión aceptable	Usar con precaución
15–20%	⚠️⚠️ Precisión baja	Solo referencia
> 20%	❌ No confiable	No publicar

Las clases AnalisisDepartamental y AnalisisTierraAgropecuario integran automáticamente esta evaluación en cada fila de sus resultados.

---

12. Agregar variables sin modificar el código

El parámetro columnas_extra permite agregar cualquier variable de la GEIH desde el notebook, sin tocar el código fuente del paquete:

prep = PreparadorGEIH(config=config)

# Agregar variables que no están en los defaults
df = prep.preparar_base(
    geih,
    columnas_extra=["P6870", "P6880", "P7310", "MI_VARIABLE_CUSTOM"]
)

Las columnas que no existan en la base se ignoran silenciosamente. Esto sigue el Principio Abierto/Cerrado de SOLID: abierto a extensión, cerrado a modificación.

---

13. Agregar un año nuevo

Opción A — Sin tocar el código (recomendado)

Coloque un archivo geih_config.json junto a sus datos:

{
  "smmlv_por_anio": {
    "2027": 1900000
  }
}

El paquete lo detecta automáticamente. No requiere un nuevo release a PyPI.

Opción B — En el código fuente

Cuando el DANE publique los datos de un año nuevo, solo necesitas 2 cambios en config.py:

# 1. Agregar el SMMLV del año nuevo (publicado por decreto en diciembre)
SMMLV_POR_ANIO = {
    2025: 1_423_500,
    2026: 1_750_905,
    2027: X_XXX_XXX,   # ← agregar aquí
}

# 2. Agregar la referencia DANE cuando publiquen el boletín oficial
REF_DANE = {
    2027: ReferenciaDane(td_anual_pct=..., tgp_anual_pct=..., to_anual_pct=...),
}

Si no agregas la referencia DANE, el paquete muestra un aviso pero los análisis siguen funcionando normalmente.

---

14. FAQ — Preguntas frecuentes

¿Qué es la GEIH? La Gran Encuesta Integrada de Hogares es la encuesta mensual del DANE que mide el mercado laboral en Colombia. Encuesta a más de 250.000 hogares al año y es la fuente oficial de las tasas de desempleo y empleo del país.

¿Qué es el SMMLV y por qué importa? El Salario Mínimo Mensual Legal Vigente es la referencia salarial de Colombia. El paquete lo usa para expresar ingresos en múltiplos comprensibles (ej: "gana 2,3× SMMLV"). Cada año tiene su propio valor fijado por decreto.

¿Qué es el factor de expansión (FEX)? La GEIH encuesta una muestra, no a toda la población. El factor de expansión indica cuántas personas reales representa cada encuestado. El paquete lo calcula automáticamente tomando el factor de expansión que está en la base y con ConfigGEIH(n_meses=...) — no necesitas hacer nada.

¿Por qué la primera consolidación tarda ~5 minutos? Está leyendo y uniendo ~96 archivos CSV (8 módulos × 12 meses) con cerca de 817.550 filas × 515 columnas. El resultado se guarda en formato Parquet que es un formato eficiente para gran volumen de datos en velocidad y espacio en disco: las siguientes veces carga en segundos.

¿Qué pasa si Colab se desconecta durante la consolidación? El parámetro checkpoint=True guarda el avance después de cada mes procesado. Al volver a ejecutar, retoma automáticamente desde el último mes completado.

¿Puedo analizar solo enero 2026 si aún no tengo todo el año? Sí. Usa ConfigGEIH(anio=2026, n_meses=1). El paquete espera solo la carpeta Enero 2026/CSV/ y calcula los factores de expansión correctamente para ese mes.

¿Puedo comparar 2025 vs 2026 si solo tengo enero 2026? Sí, usando n_meses=1 para ambos años en el ComparadorMultiAnio. Esto garantiza que los factores de expansión sean equivalentes entre años.

¿Los datos del DANE tienen algún costo? No. Son públicos y gratuitos en microdatos.dane.gov.co y no requieren registro o autenticación.

¿Funciona con datos de años anteriores (2022, 2023, 2024)? Sí. El paquete soporta la GEIH desde 2022 (Marco Muestral 2018 del DANE) hasta el presente con ConfigGEIH(anio=2022, ...).

¿Qué significa el error "PEA > 40M"? Indica que el factor de expansión no se está calculando correctamente. Asegúrate de que n_meses en ConfigGEIH coincide con el número de meses reales en tu archivo Parquet:

# Si el Parquet tiene 12 meses → n_meses=12 → FEX ÷ 12
config = ConfigGEIH(anio=2025, n_meses=12)

# Si el Parquet tiene solo enero → n_meses=1 → FEX ÷ 1
config = ConfigGEIH(anio=2026, n_meses=1)

¿Se pueden hacer análisis departamentales semestrales? Sí. Use meses_rango en ConfigGEIH para filtrar meses. Cada departamento lleva su evaluación de precisión muestral. Para departamentos pequeños (Amazonía, Orinoquía), la muestra semestral puede ser insuficiente — el paquete lo advierte automáticamente.

¿Se puede analizar la distribución salarial por tenencia de tierra? Sí, con AnalisisTierraAgropecuario. La GEIH incluye P3064 (propietario de la tierra) y P3064S1 (renta estimada) para trabajadores independientes del sector agropecuario. Cada resultado lleva su indicador de confiabilidad.

¿Puedo agregar variables sin modificar el paquete? Sí. Use columnas_extra en preparar_base(). No necesita hacer fork ni modificar código fuente.

¿Necesito lanzar un nuevo release para actualizar el SMMLV? No. Use geih_config.json para actualizar SMMLV y referencias DANE externamente.

¿Los 33 departamentos están incluidos? Sí. Los departamentos de Amazonía/Orinoquía (Arauca, Casanare, Putumayo, Amazonas, Guainía, Guaviare, Vaupés, Vichada) y San Andrés ahora están incluidos. El paquete advierte cuando la muestra es insuficiente para estimaciones confiables.

---

15. Cómo citar

Si usas este paquete en un trabajo académico o publicación, puedes citarlo así:

Formato BibTeX:

@software{forero2026geih,
  author  = {Forero Herrera, Néstor Enrique},
  title   = {geih-analisis: Paquete Python para análisis de microdatos GEIH},
  year    = {2026},
  version = {0.1.4},
  url     = {https://github.com/enriqueforero/geih-analisis},
  note    = {Datos fuente: Gran Encuesta Integrada de Hogares — DANE, Colombia}
}

Formato texto (APA):

Forero Herrera, N. E. (2026). geih-analisis (v0.1.4) [Software]. GitHub. https://github.com/enriqueforero/geih-analisis

---

16. Licencia

MIT — Néstor Enrique Forero Herrera · Colombia · 2026

Los datos de la GEIH son de acceso público y propiedad del DANE (Departamento Administrativo Nacional de Estadística de Colombia). Este paquete es una herramienta de análisis independiente y no tiene afiliación oficial con el DANE ni con ninguna entidad gubernamental.

---

17. Metodología de desarrollo

La arquitectura, la lógica de negocio y los requerimientos de este paquete son de autoría humana. El autor asume responsabilidad total sobre la integridad del código publicado.

Se utilizaron modelos de IA generativa (Claude y Gemini) como asistencia técnica para generación de código boilerplate, optimización de consultas y sugerencias de refactorización.

Validación: Ningún bloque asistido por IA fue integrado sin revisión crítica, ajuste al contexto del dominio y validación mediante pruebas funcionales.

---

18. Créditos y agradecimientos

Se agradece a Lina María Castro por su trabajo analítico y técnico previo sobre el procesamiento de microdatos GEIH — incluyendo un enfoque de consolidación multi-módulo — que sirvió como referencia metodológica para el diseño de esta librería. También se agradece a Nicolás Rivera por compartir una extensión posterior de ese trabajo.