Estandarización directa de tasas

1 · Qué resuelve

Comparar tasas entre poblaciones con estructuras por edad distintas, sin que la diferencia de composición contamine la comparación.

Es el tratamiento estándar de una variable de confusión —la edad— en el terreno de las tasas.

2 · El método

Paso 1. Calcular las tasas específicas por grupo de edad en cada población.

Paso 2. Elegir una población de referencia y obtener su estructura: qué proporción tiene en cada grupo.

Paso 3. Aplicar las tasas específicas de cada población a la estructura de referencia:

$$\text{Tasa estandarizada} = \sum_i \text{tasa}_i \times p_i^{\text{ref}}$$

Paso 4. Comparar las tasas estandarizadas entre sí.

3 · El ejemplo, donde el ranking se invierte

Tasa de desocupación en los 12 aglomerados más grandes de la EPH:

Aglomerado	Cruda	Estandarizada	Puesto crudo → estandarizado
Gran Resistencia	9,69 %	8,70 %	1 → 3
Partidos del GBA	9,68 %	9,53 %	2 → 2
Mar del Plata - Batán	9,31 %	9,81 %	3 → 1
Gran Córdoba	8,81 %	8,58 %	4 → 4
…
CABA	4,78 %	5,46 %	11 → 10
Gran San Juan	3,08 %	3,06 %	12 → 12

La explicación: Resistencia tiene una población más joven, y la desocupación juvenil es más alta en todos lados. Parte de su tasa alta era composición, no mercado de trabajo.

CABA se mueve al revés —de 4,78 % a 5,46 %— porque su población es más envejecida: al aplicarle una estructura promedio, con más jóvenes, la tasa sube.

4 · Cómo se lee el resultado

Sirve solo para comparar entre poblaciones estandarizadas con la misma referencia, y no para dimensionar el problema real. Para eso está la bruta.

5 · Cuándo hace falta

Situación	¿Estandarizar?
Comparar provincias, países o departamentos	Sí
Comparar la misma población a lo largo del tiempo	Sí: la estructura cambia
Comparar grupos con estructuras muy parecidas	no hace falta
Describir la carga real de eventos	No: va la bruta
Comparar tasas específicas entre sí	no aplica: ya están controladas

6 · Sus límites

Depende de la referencia elegida. Con otra población estándar, las tasas cambian —aunque el orden suele mantenerse—.

Solo controla lo que se usa para estandarizar. Estandarizar por edad no controla por sexo, nivel socioeconómico ni ninguna otra cosa.

Necesita tasas específicas confiables. Con grupos de pocos casos, las específicas son inestables y la estandarizada hereda esa inestabilidad.

No reemplaza a un modelo. Para controlar varias variables a la vez conviene una regresión o una regresión de Poisson.

7 · Errores frecuentes

• Interpretar la tasa estandarizada como real.
• Comparar tasas estandarizadas con referencias distintas.
• No declarar cuál fue la población de referencia. Sin eso el número no es reproducible.
• Estandarizar y no informar la bruta.
• Usar grupos de edad demasiado amplios, que dejan confusión residual adentro de cada grupo.
• Estandarizar con específicas basadas en muy pocos eventos.

8 · En el software

# R — el método completo en cuatro líneas
especificas <- d |> group_by(region, grupo_edad) |>
  summarise(tasa = sum(eventos) / sum(poblacion))

referencia <- d |> group_by(grupo_edad) |>
  summarise(peso = sum(poblacion)) |>
  mutate(peso = peso / sum(peso))

especificas |> left_join(referencia, by = "grupo_edad") |>
  group_by(region) |> summarise(estandarizada = sum(tasa * peso))

# Con paquete, incluye intervalos de confianza
# epitools::ageadjust.direct(count, pop, stdpop = referencia)

# Python
tasas = d.groupby(['region', 'grupo']).apply(
    lambda g: g.eventos.sum() / g.poblacion.sum())
ref = d.groupby('grupo').poblacion.sum()
ref = ref / ref.sum()
(tasas.unstack() * ref).sum(axis=1)

@misc{estadistica_ar_estandarizacion_directa,
  author       = {Montivero, Jorge Luis},
  title        = {{Estandarización directa de tasas}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/estandarizacion-directa}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-19}
}