Desagregación de Datos en Monitoreo y Evaluación (M&E) - Biblioteca de M&E

Cuándo Aplicar la Desagregación de Datos

La desagregación de datos es fundamental e indispensable en cualquier sistema de monitoreo y evaluación donde la equidad sea un factor relevante, lo cual aplica a la gran mayoría de los programas de desarrollo y humanitarios. Su aplicación se vuelve obligatoria cuando:

Los donantes exigen datos desagregados por sexo (por ejemplo, USAID para todos los indicadores de desempeño; la UE bajo su Plan de Acción de Género).
El programa se dirige a subgrupos específicos (mujeres, niños, personas con discapacidad, minorías étnicas).
La Teoría del Cambio busca explícitamente reducir las inequidades.
El monitoreo previo ha revelado que las mejoras agregadas ocultaban disparidades.

La desagregación no es meramente una práctica técnica, sino la materialización de un compromiso con la equidad dentro de los sistemas de datos.

Cómo Funciona la Desagregación de Datos

Paso 1: Identificar variables de desagregación requeridas y significativas

No todos los indicadores requieren todas las variables de desagregación. Es crucial determinar cuáles son obligatorias (por requisitos de donantes), cuáles son relevantes para el programa (por ejemplo, la edad para un programa juvenil) y cuáles son analíticamente significativas (como la ubicación para intervenciones geográficamente focalizadas). Las variables de desagregación más comunes incluyen:

Sexo (obligatorio para la mayoría de los donantes): masculino, femenino, otro/prefiero no decirlo
Grupo de edad: niñez (0-17), juventud (15-24), adultez (25-59), personas mayores (60+)
Ubicación geográfica: distrito, área urbana/rural, zona del programa
Nivel socioeconómico/estado de vulnerabilidad: quintil de riqueza, estado de seguridad alimentaria, condición de desplazamiento
Condición de discapacidad: categorías según el modelo de encuesta de discapacidad de la OMS

Paso 2: Diseñar la recolección de datos para capturar datos de subgrupos

La desagregación exige que los instrumentos de recolección de datos capturen las variables de los subgrupos para cada encuestado o unidad de análisis. Esto implica incluir preguntas demográficas en las encuestas, asegurar que los registros capturen el sexo y la edad, y capacitar a los encuestadores para una categorización consistente.

Paso 3: Integrar la desagregación en el plan de análisis

Especifique qué indicadores se analizarán según qué variables. Documente esto en el plan de M&E y asegúrese de que el sistema de gestión de datos pueda generar tablas desagregadas.

Paso 4: Informar y actuar sobre hallazgos desagregados

Los datos desagregados carecen de valor si se quedan solo en hojas de cálculo. Incluya tablas desagregadas en los informes del programa y resalte las disparidades significativas. Cuando la desagregación revele que las mujeres, los niños o un grupo geográfico específico están obteniendo resultados inferiores en comparación con el promedio general, esto debe considerarse una alerta de gestión del programa que exige una respuesta.

Elementos Clave de la Desagregación

Plan de desagregación: especifica qué variables se recopilarán y qué indicadores se desagregarán.
Diseño de instrumentos de recolección de datos: asegura que las variables demográficas se recopilen para todos los encuestados.
Plantillas de informes: tablas estándar que presentan resultados agregados y desagregados de forma comparativa.
Umbral mínimo de orientación: el tamaño de muestra mínimo de un subgrupo por debajo del cual no se deben reportar resultados desagregados (generalmente n ≥ 30).
Análisis de equidad: comparación de resultados entre subgrupos para identificar y abordar las disparidades.

Buenas Prácticas en Desagregación de Datos

Desagregue por sexo como mínimo. La desagregación por sexo es el requisito más universal y, a menudo, el más omitido. Si solo puede realizar una desagregación, empiece por esta.

Recopile datos en el nivel adecuado para la desagregación. Los datos agregados a nivel de hogar no pueden desagregarse para mostrar resultados individuales de mujeres. Diseñe la recolección de datos a nivel individual si se requiere una desagregación individual.

Mantenga la consistencia en todos los puntos temporales. Las categorías de desagregación deben ser idénticas en la línea de base, el monitoreo intermedio y la evaluación final para permitir una comparación válida.

Realice el muestreo considerando los subgrupos. Si un subgrupo representa solo el 5% de la población, pero se necesitan resultados estadísticamente significativos para este, será necesario un sobremuestreo de dicho grupo. Un muestreo aleatorio de la población completa no generará tamaños de muestra de subgrupo adecuados.

Reporte la disparidad, no solo los números desagregados. Afirmar "el 60% de las mujeres y el 75% de los hombres lograron el resultado" es más útil que simplemente enumerar ambos números en columnas separadas sin ningún comentario.

Errores Comunes al Desagregar Datos

Recopilar variables de desagregación pero no analizarlas. Muchos programas registran diligentemente el sexo y la edad durante la recolección de datos, pero en el análisis solo producen cifras agregadas. Integre el análisis desagregado en la plantilla de informes para asegurar que no se omita.

Tamaños de muestra de subgrupo insuficientes. Cuando un subgrupo tiene menos de 30 encuestados, las conclusiones estadísticas no son fiables. Planifique los tamaños de muestra para permitir un análisis significativo de los subgrupos.

Demasiadas variables de desagregación. Desagregar cada indicador por sexo, edad, ubicación y nivel socioeconómico simultáneamente es analíticamente valioso, pero puede ser abrumador en la práctica. Priorice qué indicadores requieren qué tipo de desagregación basándose en los objetivos de equidad del programa.

Ejemplos Prácticos de Desagregación

Programa de salud, África subsahariana. Un programa de prevención del VIH financiado por PEPFAR informó tasas agregadas de pruebas de VIH en el Año 1 que parecían sólidas (68% de la población objetivo examinada). Sin embargo, la desagregación por grupo de edad reveló que las tasas de prueba entre los jóvenes de 15 a 24 años fueron solo del 41%, muy por debajo de la meta del programa, mientras que las tasas entre adultos de 25 a 49 años alcanzaron el 82%. Este hallazgo impulsó actividades de participación juvenil dirigidas que lograron elevar las tasas de prueba en este grupo al 67% para el Año 2.

Programa de educación, Asia meridional. Un programa de educación para niñas financiado por UNICEF en Pakistán desagregó los datos de asistencia escolar por quintil de riqueza, además del sexo. Los datos revelaron que las niñas del quintil más pobre tenían tasas de asistencia 30 puntos porcentuales más bajas que las niñas del quintil medio, a pesar de que el programa proporcionaba estipendios a todas las niñas. La investigación posterior reveló que los retrasos en el pago de los estipendios afectaban desproporcionadamente a las aldeas más remotas, un problema logístico que fue corregido en el período subsiguiente.