Usar datos que otros ya levantaron es un diseño reconocido —análisis de datos secundarios— y con frecuencia la salida realista cuando no tienes acceso a campo, permisos o tiempo. Lo que decide si funciona no es dónde encuentras el conjunto, sino cinco revisiones que conviene hacer antes de comprometer tu tesis con él.
El error típico no es elegir mal el repositorio: es descargar un archivo que se ve bien, construir el proyecto encima y descubrir en el capítulo de resultados que la variable clave no está medida como hacía falta. Para entonces cambiar de conjunto significa rehacer el planteamiento.
Primero, el deslinde: datos no es lo mismo que documentos
Conviene ubicar dónde estás parado, porque son diseños distintos con literatura distinta.
Si tu material empírico son documentos —leyes, expedientes, prensa, archivos— lo tuyo es investigación documental, y su metodología —delimitación del corpus, criterios de selección, valoración de fuentes y técnicas de análisis— está desarrollada en la guía sobre investigación documental para una tesis sin trabajo de campo. Ese texto cubre todo lo que aquí no repetimos.
Este artículo trata el otro caso: conjuntos de datos ya estructurados, normalmente numéricos, que alguien levantó y publicó para que se reutilicen. Y si lo que buscas son tesis previas en lugar de datos, ese es un tercer circuito, tratado en repositorios de tesis en México.
Dónde buscar
Tres tipos de lugar, en el orden en que conviene recorrerlos:
| Tipo | Ejemplo verificado | Para qué sirve |
|---|---|---|
| Repositorio general | Zenodo | Acepta conjuntos de cualquier disciplina y asigna identificador persistente |
| Directorio de repositorios | re3data | Encontrar el repositorio especializado de tu campo, navegable por materia y país |
| Portal gubernamental | datos.gob.mx | Bases publicadas por instituciones públicas mexicanas |
El segundo tipo es el más subutilizado. Buscar «datos de X» en un buscador general devuelve ruido; entrar a un directorio de repositorios y filtrar por disciplina te lleva al lugar donde tu comunidad deposita de verdad, que suele tener mejor documentación y controles de calidad más estrictos.
Sobre el portal nacional: la Plataforma Nacional de Datos Abiertos reúne bases de datos, visualizaciones e instituciones publicadoras, organizadas por categorías, y su portada muestra los conteos vigentes de cada uno. Consúltalos ahí en el momento en que escribas, porque cambian.
Las cinco revisiones, antes de comprometerte
Haz estas cinco cosas antes de escribir una línea de tu capítulo metodológico. Juntas toman una tarde y evitan el escenario que abre este artículo.
1. La licencia
Que un archivo sea descargable no significa que puedas reutilizarlo, redistribuirlo o publicarlo dentro de tu tesis. Busca la licencia declarada y léela: qué usos permite, si exige atribución en una forma concreta, si prohíbe usos derivados. Si no hay licencia visible, escribe a quien lo publicó antes de invertir tiempo.
Y una regla independiente de la legal: cita el conjunto siempre. La atribución es una obligación académica que no depende de lo que permita la licencia. El formato tiene sus propias reglas y está resuelto en cómo citar un dataset y software en APA 7.
2. El diccionario de variables
Es el documento que dice qué significa cada columna: cómo se midió, en qué unidad, qué códigos usa, qué representan los valores faltantes. Sin él no interpretas: supones.
Dicho sin rodeos: un conjunto sin documentación no es utilizable para una tesis, por atractivo que parezca el archivo. No podrás defender en la réplica qué mide una variable si el único que lo sabía fue quien la capturó.
3. La versión
Los conjuntos vivos se corrigen y se reemiten. Si descargas hoy y tu sínodo consulta el enlace en ocho meses, pueden estar viendo números distintos y eso es una conversación incómoda que se evita fácil.
Anota la versión exacta y la fecha de descarga, prefiere repositorios que asignen un identificador persistente por versión, y conserva una copia del archivo tal como lo bajaste. Esa copia es tu respaldo de que analizaste lo que dijiste analizar.
4. La unidad de análisis
Es la revisión que más tesis rescata. ¿Qué representa cada fila: una persona, un hogar, una escuela, un municipio, un año?
Si tu pregunta es sobre individuos y el conjunto está agregado por municipio, no puedes responderla sin cometer una falacia ecológica: atribuir a las personas lo que solo observaste en el grupo. Es un error clásico, un sínodo lo detecta y no se arregla con más análisis. Comprueba que la unidad del conjunto coincide con la unidad de tu pregunta, y si no coincide, cambia la pregunta o cambia el conjunto —ahora, no después. El encuadre general de estas decisiones está en diseño de investigación.
5. La cobertura
Quién quedó dentro y quién fuera, en qué periodo y en qué territorio. Un conjunto puede ser excelente y aun así no cubrir tu población: si estudias educación media superior en un estado y el muestreo tiene representatividad solo nacional, tus conclusiones estatales no se sostienen.
Revisa también los faltantes antes de decidir. Un conjunto con 40 % de valores perdidos en tu variable dependiente no es un conjunto con el que se pueda trabajar, y eso se ve en quince minutos. Los criterios para declarar por escrito qué incluiste y qué no están en criterios de inclusión y exclusión.
Qué escribir en tu metodología
El capítulo cambia respecto de una tesis de campo: no describes cómo levantaste datos, sino cómo elegiste y trataste los de alguien más. Incluye la fuente con su identificador y versión, la fecha de consulta, la licencia, la unidad de análisis, la cobertura y los criterios con los que filtraste, y —esto es lo que distingue un trabajo serio— todas las transformaciones que aplicaste: recodificaciones, agrupaciones, casos excluidos y por qué.
Declara además las limitaciones propias del diseño en lugar de esperar a que las señale el jurado: no controlaste la medición, no puedes añadir una variable que falta y heredas los sesgos de quien recogió los datos. Reconocerlo fortalece el trabajo; omitirlo es lo que lo debilita.
Si tu conjunto contiene información sobre personas —aunque venga anonimizado— sigues teniendo obligaciones al reportar resultados, sobre todo con celdas pequeñas en tablas cruzadas: eso está tratado en cómo anonimizar los datos personales de tu tesis.
Cuándo esta ruta no es la correcta
Por honestidad: los datos secundarios no siempre son la salida. No lo son si tu pregunta exige una variable que nadie midió, si tu aportación esperada era precisamente el instrumento, o si tu programa exige trabajo de campo como parte de la formación. Y no lo son si estás eligiendo el conjunto primero y acomodando la pregunta después: eso se nota, y produce tesis sin problema de investigación.
La secuencia sana es la contraria: pregunta, luego búsqueda de datos que puedan responderla, luego las cinco revisiones. Si no aparece un conjunto adecuado, es información útil, no un fracaso.
Lo que Tesify no hace
Conviene decirlo antes de la oferta. Tesify no busca datos por ti, no verifica una licencia y no juzga si un conjunto puede responder tu pregunta: esas cinco revisiones son criterio profesional tuyo y son justo lo que tendrás que defender. Tampoco analiza los datos ni interpreta los resultados por ti. Lo que sí resuelve es lo que rodea al análisis —redactar el apartado de fuentes y tratamiento, mantener consistentes las referencias del conjunto y dar forma a las limitaciones— sobre decisiones que tomaste y puedes explicar.
Si ya elegiste el conjunto y lo que falta es escribir la metodología que lo documenta, Tesify acompaña esa etapa.
Preguntas frecuentes
¿Es válido hacer una tesis con datos que no levanté yo?
Sí, es un diseño reconocido y se llama análisis de datos secundarios. Lo que se juzga no es quién recogió los datos, sino si tu pregunta es propia, si el conjunto puede responderla y si documentas su procedencia, sus límites y las decisiones que tomaste al tratarlo. Lo que no se acepta es presentar datos ajenos como si los hubieras generado.
¿Dónde busco conjuntos de datos abiertos?
En tres tipos de lugar. Repositorios generales como Zenodo, que acepta conjuntos de cualquier disciplina y asigna un identificador persistente; directorios de repositorios como re3data, que sirven para encontrar el repositorio especializado de tu campo; y portales de datos gubernamentales, como la Plataforma Nacional de Datos Abiertos en datos.gob.mx, que reúne bases de datos publicadas por instituciones públicas.
¿Qué es un diccionario de variables y por qué importa?
Es el documento que explica qué significa cada columna del conjunto: cómo se midió, en qué unidad, qué códigos usa y qué representan los valores faltantes. Sin él no puedes interpretar los datos con honestidad, solo suponer. Un conjunto sin documentación no es un conjunto utilizable para una tesis, por atractivo que parezca.
¿Puedo usar cualquier dato que esté publicado en internet?
No. Que un archivo sea descargable no significa que su licencia permita reutilizarlo, redistribuirlo o usarlo con fines distintos de los originales. Revisa la licencia antes de invertir tiempo, y cita el conjunto siempre, con la licencia lo permita o no: la atribución es una obligación académica independiente de la legal.
¿Qué es la unidad de análisis y por qué puede arruinar el trabajo?
Es la entidad que representa cada fila: una persona, un hogar, una escuela, un municipio, un año. Si tu pregunta es sobre individuos y el conjunto está agregado por municipio, no puedes responderla sin cometer una falacia ecológica, es decir, atribuir a las personas lo que solo observaste en el grupo. Es la revisión que más tesis rescata cuando se hace a tiempo.
¿Cómo cito un conjunto de datos?
Con su propio formato, que incluye autoría, año, título, versión, la etiqueta de conjunto de datos y el identificador persistente o URL. El formato completo está en la guía sobre cómo citar un dataset y software en APA 7 de este sitio.