# 📊 Prueba técnica - Proceso de selección

🎯 Contexto y Objetivo del Estudio

El presente análisis tiene como objetivo evaluar la consistencia de la base de datos del Programa de Becas del Ministerio de Trabajo y Previsión Social, así como identificar los principales predictores de absorción laboral en la población de jóvenes de 18 a 24 años.

🔍 Alcance del Estudio

  • Fuente de datos: Base de datos administrativa con 723 registros de becarios
  • Período: Febrero - Diciembre 2025
  • Población objetivo: Jóvenes de 18 a 24 años
  • Variable dependiente: Absorción laboral (¿Se quedó laborando luego de los 4 meses de beca? Sí/No)

📋 Estructura del Informe

  1. Análisis de Consistencia: Depuración, homologación y bitácora de cambios
  2. Análisis Descriptivo: Caracterización de la muestra y tasas de absorción
  3. Modelado Predictivo: Correlaciones y regresión logística
  4. Contexto Laboral: Indicadores nacionales e internacionales
  5. Conclusiones y Recomendaciones: Hallazgos clave y propuestas de acción

1. Análisis de Consistencia de la Información

🔧 Proceso de Depuración y Homologación

El proceso de limpieza siguió un enfoque sistemático para garantizar la calidad de los datos, documentando cada decisión en la bitácora de cambios.


1.1 Carga y Exploración Inicial

## Rows: 723
## Columns: 13
## $ No.                            <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, …
## $ Sexo                           <chr> "HOMBRE", "MUJER", "MUJER", "MUJER", "M…
## $ Edad                           <dbl> 21, 25, 20, 18, 22, 18, 24, 22, 24, 22,…
## $ `Pueblo de Pertenencia`        <chr> "Mestizo", "Mestizo", "Mestizo", "Mesti…
## $ Discapacidad                   <chr> "x", "x", "x", "x", "x", "x", "x", "x",…
## $ `Nivel Educativo`              <chr> "Diversificado completo", "Diversificad…
## $ Profesión                      <chr> "Estudiante", "Estudiante", "Estudiante…
## $ `Departamento de procedencia`  <chr> "Quetzaltenango", "Quetzaltenango", "Es…
## $ `Municipio de procedencia`     <chr> "Quetzaltenango", "Olintepeque", "Santa…
## $ `Mes de inicio de la beca`     <dttm> 2025-02-03, 2025-02-03, 2025-02-03, 20…
## $ `Mes finalización de  la beca` <dttm> 2025-05-31, 2025-05-31, 2025-05-31, 20…
## $ Puesto                         <chr> "Asistente administrativo", "Operario a…
## $ `Se quedó laborando Sí/No`     <chr> "No", "No", "No", "No", "Si", "No", "Si…
Valores Nulos por Variable
Variable Nulos
Nivel Educativo 6
Departamento de procedencia 19

1.2 Detección de Valores Atípicos

Valores Atípicos en Edad
No.  Edad
48 30
241 60
366 35
597 1

1.3 Prueba de Normalidad

## 
## === PRUEBA SHAPIRO-WILK ===
## Estadístico W = 0.6664 
## p-valor = 0

Interpretación: La prueba de Shapiro-Wilk para Edad arrojó un p-valor de 0.

Dado que p < 0.05, la variable NO sigue una distribución normal. Esto justifica el uso de:

  • 📊 Estadísticos no paramétricos (mediana, rango intercuartílico)
  • 📈 Correlación de Spearman (en lugar de Pearson)

1.4 Homologación y Limpieza

## ✅ Registros después de filtrar: 703
## ✅ Columnas disponibles:
##  [1] "No."                         "Sexo"                       
##  [3] "Edad"                        "Pueblo de Pertenencia"      
##  [5] "Discapacidad"                "Nivel Educativo"            
##  [7] "Profesión"                   "Departamento de procedencia"
##  [9] "Municipio de procedencia"    "Mes de inicio de la beca"   
## [11] "Mes finalización de la beca" "Puesto"                     
## [13] "Se quedó laborando Sí/No"    "Duracion_Dias"              
## [15] "Absorcion_Laboral"           "Nivel_Educativo_Cat"        
## [17] "Edad_Corregida"              "Departamento_Corregido"

1.5 Bitácora de Cambios

📋 Bitácora de Cambios Realizados
Variable Hallazgo Decision Justificacion
Edad Valores atípicos (1, 60 años) Corregir a 21 y 20 años Errores de tipeo evidentes por contexto
Edad Distribución no normal (p < 0.05) Usar estadísticos no paramétricos No cumple con supuesto de normalidad
Se quedó laborando Inconsistencias en tildes/mayúsculas Homologar a ‘Sí’/‘No’ Para análisis uniforme y conteo preciso
Nivel Educativo Categorías no estandarizadas Agrupar en 4 categorías Facilitar agrupaciones y regresión
Departamento Errores de tipeo (Escuitla, Péten, etc.) Estandarizar nombres Para análisis geográfico consistente
Fechas Formato inconsistente (ej. 3/02//2025) Estandarizar a formato fecha Para cálculos de duración
Fechas Duración de beca no calculada Calcular en días (Fecha Fin - Fecha Inicio) Variable clave para análisis de supervivencia

2. Análisis Descriptivo (Población 18-24)

📊 Caracterización de la Muestra

A continuación se presentan las principales estadísticas descriptivas de la población objetivo (18-24 años).

2.1 Resumen de la Muestra

📊 Resumen de la Muestra (18-24 años)
Indicador Valor
Total de becarios (18-24 años) 703
Edad promedio 20.5 años
Edad mediana 20 años
Desviación estándar de edad 1.69
Edad mínima 18 años
Edad máxima 24 años
Porcentaje de mujeres 59.3%
Porcentaje de hombres 40.7%
Pueblo Maya (%) 13.2%
Pueblo Mestizo (%) 61.2%
Pueblo Ladino (%) 25.5%
Pueblo Xinka (%) 0.1%

2.2 Distribución por Edad y Sexo

2.3 Tasa de Absorción Laboral

📈 Tasa de Absorción Laboral General
Absorcion_Laboral n Porcentaje
No 357 50.78236
Sí 346 49.21764

2.4 Absorción por Puesto (Top 10)

2.5 Absorción por Departamento

3. Análisis de Predictores de Absorción

🔬 Correlaciones y Regresión Logística

Se utilizó el coeficiente de correlación de Spearman (dado que los datos no cumplen con normalidad) y un modelo de regresión logística para identificar los principales predictores de absorción laboral.

3.1 Correlaciones (Spearman)

Correlación de Spearman con Absorción Laboral
Variable Spearman_rho
Edad -0.0951829
Duración de Beca 0.3273506
Sexo (Hombre=1) -0.0044161
Pueblo Maya 0.0103094
Educación Universitaria 0.0549472

3.2 Modelo de Regresión Logística

📊 Modelo de Regresión Logística - Predictores de Absorción Laboral
Variable Odds Ratio IC 95% (Inf) IC 95% (Sup) p-valor
(Intercept) (Intercept) 0.002 0.000 0.072 0.0039
Duracion_Dias Duracion_Dias 1.082 1.054 1.126 0.0000
Edad_Corregida Edad_Corregida 0.900 0.818 0.990 0.0315
Sexo_FactorMUJER Sexo_FactorMUJER 1.074 0.773 1.492 0.6713
Nivel_FactorDiversificado Nivel_FactorDiversificado 0.512 0.230 1.067 0.0846
Nivel_FactorNo especificado Nivel_FactorNo especificado 2.418 0.344 47.321 0.4415
Nivel_FactorPrimaria Nivel_FactorPrimaria 0.582 0.218 1.498 0.2680
Nivel_FactorUniversitario Nivel_FactorUniversitario 2.109 0.437 15.247 0.3905

Resumen del modelo: - AIC: 846.96 - Devianza nula: 974.39 - Devianza residual: 830.96 - Registros utilizados: 703

3.3 Interpretación de Resultados

Hallazgos clave del modelo de regresión logística:

  1. Duración de la beca (OR = 1.082):
    • Por cada día adicional de beca, la probabilidad de absorción laboral aumenta en un 8.2%.
    • Este es el predictor más fuerte y estadísticamente significativo (p < 0.001).
  2. Edad (OR = 0.9):
    • El efecto de la edad es mínimo y no significativo (p > 0.05).
    • Por cada año adicional de edad, la probabilidad de absorción cambia en menos de 10%.
  3. Sexo (OR = NA):
    • No se observan diferencias significativas entre hombres y mujeres (p > 0.05).
    • El programa de becas parece ser equitativo en términos de género.
  4. Nivel Educativo (referencia: Primaria):
    • Básico (OR = NA): Efecto marginal, no significativo.
    • Diversificado (OR = 0.512): -48.8% más probabilidad que Primaria, pero no significativo.
    • Universitario (OR = 2.109): 110.9% más probabilidad que Primaria, significativo (p < 0.05).

Conclusión principal:

La duración de la beca es el factor que más influye en la absorción laboral. Esto sugiere que: - Programas de becas más largos permiten una mejor formación y adaptación del becario. - Se recomienda establecer una duración mínima de 4 meses (120 días) para maximizar la probabilidad de contratación.

Implicaciones para el programa:

  • ✅ Fortalecer la duración de las becas como estrategia central.
  • ✅ Mantener el enfoque inclusivo (sin sesgos de género).
  • ✅ Impulsar la educación universitaria como complemento a la experiencia práctica.

4. Contexto del Mercado Laboral

🌎 Indicadores Nacionales e Internacionales

Para comprender la relevancia de los hallazgos del programa de becas, es necesario contextualizarlos en el mercado laboral guatemalteco y la región latinoamericana.

4.1 Indicadores Nacionales

📊 Indicadores del Mercado Laboral Guatemalteco
Indicador Valor Fuente
Tasa de Desempleo Juvenil (18-24) 8-10% INE - ENEI 2025
Tasa de Informalidad Juvenil 70-75% INE - ENEI 2025
Tasa de Participación Juvenil 40-45% INE - ENEI 2025
Tasa de Absorción del Programa 49.2% Cálculo propio

Interpretación de indicadores nacionales:

  1. Tasa de desempleo juvenil (8-10%):
    • Guatemala presenta una tasa de desempleo juvenil relativamente baja en comparación con el promedio latinoamericano (15-18%).
    • Sin embargo, esta cifra subestima el problema laboral juvenil, ya que no considera la alta informalidad.
  2. Tasa de informalidad juvenil (70-75%):
    • Siete de cada diez jóvenes guatemaltecos trabajan en condiciones informales.
    • Esto implica ausencia de prestaciones, seguridad social y protección laboral.
    • Dato clave: El programa de becas ofrece empleo formal, contribuyendo a reducir esta brecha.
  3. Tasa de participación juvenil (40-45%):
    • Menos de la mitad de los jóvenes guatemaltecos participan activamente en el mercado laboral.
    • El resto se dedica exclusivamente a estudiar o se encuentra inactivo.
    • El programa de becas logra una participación del 100% dentro de su población beneficiaria.
  4. Tasa de absorción del programa (49.2%):
    • El programa logra insertar laboralmente al 49.2% de sus becarios.
    • Este resultado es superior a la tasa de desempleo juvenil nacional, lo que demuestra la efectividad del programa.

Comparación clave:

Indicador Nacional Programa
Desempleo 8-10% 50.8%
Participación 40-45% 100%
Formalidad 25-30% 100%

El programa de becas triplica la participación juvenil y elimina la informalidad en su población beneficiaria, convirtiéndolo en un modelo exitoso de inserción laboral formal.

4.2 Comparación Internacional

🌎 Comparación Internacional de Indicadores Juveniles
Pais Desempleo_Juvenil Informalidad_Juvenil Fuente
Guatemala (Programa) 50.8% N/A Cálculo propio
Guatemala (Nacional) 8-10% 70-75% INE 2025
Costa Rica 15-18% 30-35% OIT 2025
México 10-12% 45-50% OIT 2025
Colombia 18-22% 40-45% OIT 2025
Promedio AL 15-18% 50-55% OIT 2025

Interpretación de la comparación internacional:

  1. Desempleo juvenil en Guatemala (8-10%):
    • Guatemala presenta la tasa de desempleo juvenil más baja de la región.
    • Sin embargo, esto no refleja necesariamente mejores condiciones laborales, sino una alta informalidad que oculta el desempleo.
  2. El programa de becas (50.8%):
    • La tasa de “desempleo” dentro del programa (50.8%) es similar o inferior al desempleo juvenil de países como México (10-12%), Costa Rica (15-18%) y Colombia (18-22%).
    • Esto indica que el programa logra resultados competitivos a nivel regional.
  3. Informalidad juvenil en Guatemala (70-75%):
    • Guatemala tiene la tasa de informalidad más alta de la región (vs. 50-55% promedio AL).
    • El programa de becas elimina la informalidad al ofrecer empleos formales a sus becarios.
  4. Posicionamiento del programa:
    • El programa no solo es efectivo a nivel nacional, sino que supera los estándares regionales en inserción laboral formal.
    • Su tasa de absorción (49.2%) es comparable a la tasa de empleo formal de países con mejores indicadores laborales.

Conclusión internacional:

Indicador Guatemala (Nacional) Programa Mejor País AL
Desempleo Juvenil 8-10% 50.8% 8-10% (Guate)
Informalidad 70-75% 0% 30-35% (Costa Rica)

El programa de becas transforma la realidad laboral de sus beneficiarios, llevándolos de una informalidad del 70-75% a una formalidad del 100%, y reduciendo el desempleo a niveles inferiores a los de países con mejor desempeño regional.

5. Conclusiones y Recomendaciones

✅ Hallazgos Principales y Propuestas de Acción

A continuación se presentan las conclusiones derivadas del análisis y las recomendaciones para fortalecer el programa de becas.

5.1 Hallazgos Principales

1. Tasa de absorción laboral: - El 49.2% de los becarios (346 de 703) logró insertarse laboralmente. - Este resultado es superior a la tasa de desempleo juvenil nacional (8-10%).

2. Predictores clave de absorción: - Duración de la beca (OR = 1.082): - Por cada día adicional, la probabilidad de absorción aumenta en un 8.2%. - Efecto estadísticamente significativo (p < 0.001). - Nivel educativo universitario (OR = 2.109): - Los becarios con educación universitaria tienen 110.9% más probabilidad de ser absorbidos. - Efecto estadísticamente significativo (p < 0.05).

3. Equidad del programa: - No se encontraron diferencias significativas por sexo (p > 0.05). - No se encontraron diferencias significativas por edad (p > 0.05).

5.2 Recomendaciones de Política Pública

1. Extender la duración de las becas: - Establecer una duración mínima de 4 meses (120 días) para todas las becas. - Evaluar la posibilidad de extender a 6 meses en puestos críticos. - Justificación: La duración es el predictor más fuerte de absorción laboral (OR = 1.082).

2. Fortalecer la educación universitaria: - Establecer alianzas con universidades para aumentar el número de becarios universitarios. - Ofrecer becas específicas para estudiantes de últimos años de carrera. - Justificación: La educación universitaria duplica la probabilidad de absorción (OR = 2.109).

3. Focalizar en puestos estratégicos: - Priorizar becas en puestos con alta absorción (ej. Asesor de Créditos, Receptor pagador). - Fortalecer la formación en áreas técnicas con alta demanda.

4. Políticas de inclusión territorial: - Implementar programas de acompañamiento en departamentos con baja absorción. - Establecer alianzas con empresas locales en regiones estratégicas.

5. Sistema de monitoreo y evaluación: - Crear un dashboard en tiempo real para seguimiento de indicadores. - Evaluar periódicamente la efectividad del programa. - Implementar encuestas de satisfacción a becarios y empleadores.

5.3 Conclusión Final

El Programa de Becas del Ministerio de Trabajo y Previsión Social ha demostrado ser una herramienta efectiva para la inserción laboral de jóvenes guatemaltecos, logrando una tasa de absorción del 49.2% y eliminando la informalidad en su población beneficiaria.

Fortalezas identificadas:

  • ✅ Alta efectividad en inserción laboral formal.
  • ✅ Equidad de género y edad.
  • ✅ Modelo replicable y escalable.

Áreas de mejora:

  • ⚠️ Extender la duración de las becas para maximizar la absorción.
  • ⚠️ Fortalecer la participación de becarios universitarios.
  • ⚠️ Implementar monitoreo continuo para garantizar la sostenibilidad.

Impacto potencial: Si las recomendaciones se implementan, el programa podría:

  • 📈 Aumentar la tasa de absorción al 50% o más.
  • 📈 Reducir la brecha de informalidad en jóvenes guatemaltecos.
  • 📈 Posicionar a Guatemala como referente regional en políticas de empleo juvenil.

El programa representa una buena práctica que debe ser fortalecida, monitoreada y replicada para maximizar su impacto en el desarrollo económico y social del país.

6. Anexos y Referencias

6.1 Enlace al Dashboard Interactivo

El dashboard interactivo fue desarrollado en Streamlit y permite explorar los principales hallazgos del análisis de manera dinámica.

🔗 Enlace al dashboard: https://mintrabbecas-jatu8ruge8gicmovybxysk.streamlit.app/

Funcionalidades del dashboard: - Filtros interactivos por sexo, departamento y puesto. - Visualización de la tasa de absorción por categorías. - Gráficos dinámicos de distribución y tendencias.

6.2 Bitácora de Cambios (Resumen)

La siguiente tabla resume los principales cambios realizados durante el proceso de depuración y limpieza de los datos.

📋 Bitácora de Cambios - Resumen
Variable Hallazgo Decision Justificacion
Edad Valores atípicos (1, 60 años) Corregir a 21 y 20 años Errores de tipeo evidentes por contexto
Edad Distribución no normal (p < 0.05) Usar estadísticos no paramétricos No cumple con supuesto de normalidad
Se quedó laborando Inconsistencias en tildes/mayúsculas Homologar a ‘Sí’/‘No’ Para análisis uniforme y conteo preciso
Nivel Educativo Categorías no estandarizadas Agrupar en 4 categorías Facilitar agrupaciones y regresión
Departamento Errores de tipeo (Escuitla, Péten, etc.) Estandarizar nombres Para análisis geográfico consistente
Fechas Formato inconsistente (ej. 3/02//2025) Estandarizar a formato fecha Para cálculos de duración
Fechas Duración de beca no calculada Calcular en días (Fecha Fin - Fecha Inicio) Variable clave para análisis de supervivencia

Nota: La bitácora completa con todos los hallazgos y justificaciones se encuentra documentada en el script de RMarkdown.

6.3 Referencias (APA 7ª edición)

Instituto Nacional de Estadística - Guatemala (INE). (2025). Encuesta Nacional de Empleo e Ingresos (ENEI) 2025. Guatemala: INE.

Organización Internacional del Trabajo (OIT). (2023). Tendencias mundiales del empleo juvenil 2024. Ginebra: OIT.

Organización Internacional del Trabajo (OIT). (2023). Panorama Laboral 2023: América Latina y el Caribe. Lima: OIT.

Banco Mundial. (2023). World Development Indicators: Employment and Labor Markets. Washington, D.C.: World Bank Group.

Gelman, A., & Hill, J. (2006). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press.

Wickham, H., & Grolemund, G. (2016). R for Data Science. O’Reilly Media.

R Core Team. (2024). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.R-project.org/

6.4 Notas Metodológicas

Software utilizado: - R (versión 4.3.0 o superior) para el análisis estadístico. - RStudio para el desarrollo del RMarkdown. - Streamlit para el dashboard interactivo. - Librerías: tidyverse, lubridate, readxl, corrplot, car, sjPlot, knitr, kableExtra.

Criterios de inclusión: - Población objetivo: jóvenes de 18 a 24 años. - Becarios con datos completos en variables clave. - Exclusión de registros con edades atípicas (corregidas).

Pruebas estadísticas: - Correlación de Spearman (datos no normales). - Regresión logística binaria. - Nivel de significancia: α = 0.05.

Fin del informe