De dónde vienen

Los datos provienen de los registros administrativos del sistema educativo: cada año, los establecimientos del país reportan al Ministerio de Educación quién se inscribió, en qué nivel y grado, y cómo terminó el ciclo. Esa información se consolida y se publica como dato abierto.

La fuente oficial que usaremos es el portal de datos abiertos del Instituto Nacional de Estadística (INE): datos.ine.gob.gt/dataset/educacion-formal-2024.

Qué son exactamente

Son microdatos: en lugar de entregarte totales ya calculados, te entregan el detalle fila por fila. Cada fila representa una inscripción, es decir, un estudiante matriculado en un establecimiento durante 2024.

Cada fila no dice quién es la persona —no hay nombres ni identificadores— sino cómo y dónde estudia: el departamento, el establecimiento, el nivel educativo y grado, si la escuela es pública o privada, si está en área urbana o rural, el sexo, el pueblo de pertenencia, la jornada, el plan de estudios, y cómo cerró el año (aprobado, no aprobado o retirado), además de si repite grado o se está graduando.

No es una encuesta ni una muestra estadística: es un censo administrativo, o sea la totalidad de los registros del sistema. Por eso son más de cuatro millones de filas.

Para qué se usan

Este tipo de datos es la base con la que se toman decisiones sobre educación pública. Sirven, entre otras cosas, para:

• Planificar y asignar recursos: saber dónde hay más estudiantes, qué niveles están saturados y en qué municipios crece o cae la matrícula.
• Medir resultados: calcular qué porcentaje aprueba, no aprueba o abandona el año, y comparar entre departamentos, niveles o sectores.
• Detectar brechas: contrastar lo urbano contra lo rural, lo público contra lo privado, o cómo varían los resultados según sexo y pueblo de pertenencia.
• Investigación y periodismo de datos: sustentar reportajes, tesis y estudios con evidencia y no con percepciones.

Preguntas como "¿en qué departamento se aprueba menos el nivel básico?" o "¿se abandona más la escuela en el área rural?" se pueden responder con este dataset —pero solo después de procesarlo, porque tal como viene no es legible.

Qué no contienen

Importante para no prometer lo que el dataset no puede dar:

• Solo abarca el ciclo 2024: no hay manera de comparar contra otros años.
• No hay identificador de estudiante, así que no se puede seguir a una persona en el tiempo ni reconstruir su trayectoria.
• No incluye calificaciones, edad, discapacidad, datos socioeconómicos, ni información sobre docentes o infraestructura de los establecimientos.

Formato de entrega

• 23 archivos en formato .xlsx (Excel): 22 de datos, uno por departamento, más 1 diccionario de variables.
• Cada archivo de datos tiene una hoja con los registros. La primera fila son los encabezados; de la segunda en adelante, los datos.
• Grano: una fila es una inscripción. Todos los archivos comparten exactamente el mismo esquema de 15 columnas, así que se pueden concatenar.
• Sin celdas vacías: cuando un dato no se registró, viene el código 9 (Ignorado), que es un valor real y no un faltante.

Las 15 columnas

Catálogo de códigos

Catálogo de departamentos

El valor de Departamento_F corresponde al orden oficial:

El diccionario incluye además el catálogo completo de municipios, con un código de cuatro dígitos donde los dos primeros son el departamento (por ejemplo, 0101 es el municipio de Guatemala).

El código de establecimiento

CodEstablecimiento no es un identificador plano: codifica una jerarquía en cuatro segmentos separados por guiones, como 19-01-0001-42.

Los valores del cuarto segmento son: 40, 41 y 42 preprimaria · 43 primaria · 44 primaria de adultos · 45 básico · 46 diversificado.

Notas para interpretar correctamente

• El municipio se deriva del código del establecimiento, no de la columna Depto_mupio: esa columna trae un valor constante dentro de cada archivo y no sirve para desagregar.
• Grado siempre se lee junto a Nivel. Los rangos son: preprimaria 0–6, primaria 1–6, básico 1–3, diversificado 4–7 y primaria de adultos 1–4. Un 1 de primaria no es lo mismo que un 1 de básico.
• El diccionario menciona una variable Modalidad (bilingüe / monolingüe) que no existe en los archivos de datos. No la asumas.
• El código 9 (Ignorado) es un dato real. Decide si lo excluyes o lo reportas aparte, pero sé consistente y documenta la decisión.

Inconsistencias conocidas

Estas son particularidades reales de los archivos, verificadas sobre los datos. No son errores tuyos: si no las tomas en cuenta, tus resultados van a salir mal. Tenerlas presentes te ahorra horas de depuración.

Cifras para validar tu lectura

Si tu proceso de carga está bien, deberías reproducir aproximadamente estos valores. Son tu control de calidad:

Diccionario de variables

Empieza por aquí: es el archivo que traduce todos los códigos.

Datos por departamento

Total: 4,298,887 registros. Guatemala es el archivo más grande, con una quinta parte de todo el dataset; El Progreso, el más pequeño.