Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Análisis de los patrones de trabajo de cuidado no remunerado mediante k-means: una aplicación de aprendizaje automático sobre datos de la ENUT 2021
Palabras clave:
economía del cuidado, uso del tiempo, trabajo no remunerado, aprendizaje automático, k-means, interseccionalidadResumen
Este estudio aplica técnicas de aprendizaje automático y análisis de agrupamiento para identificar perfiles sociodemográficos de mujeres en Colombia según el tiempo dedicado al cuidado no remunerado. Empleando la Encuesta Nacional de Uso del Tiempo (ENUT) 2021, se construyeron variables sintéticas sobre trabajo doméstico, cuidado no remunerado, autocuidado, ocio y un índice de tradicionalismo. Se empleó el algoritmo k-means, junto con análisis de componentes principales (PCA) y criterios de validación como el método del codo y el índice de silueta, identificando seis perfiles con patrones contrastantes de organización del cuidado. Los resultados confirman la persistencia de la división sexual del trabajo, con implicaciones para la política pública y la economía del cuidado, subrayando la necesidad de un enfoque interseccional.
Citas
Arthur, D., & Vassilvitskii, S. (2007). k-means++: The advantages of careful seeding. In Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms (pp. 1027–1035). Society for Industrial and Applied Mathematics.
Benería, L. (2003). Gender, development, and globalization: Economics as if all people mat-tered. Routledge.
Carrasco, C. (2006). Invisibles y fundamentales: El trabajo de cuidados en Europa. Icaria. Crenshaw, K. (1991). Mapping the margins: Intersectionality, identity politics, and violence against women of color. Stanford Law Review,
(6), 1241-1299.
Filmer, D., & Pritchett, L. H. (2001). Estimating wealth effects without expenditure data —or tears: An application to educational enrollments in states of India. Demography, 38(1), 115–132. https://doi.org/10.1353/dem.2001.0003
Fraser, N. (2011). Fortunas del feminismo: Del capitalismo gestionado por el Estado a la crisis neoliberal. Traficantes de Sueños.
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (2nd ed.). O’Reilly Media.
Hill Collins, P. (2000). Black feminist thought: Knowledge, consciousness, and the politics of empowerment. Routledge.
Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90-95.
Jolliffe, I. T. (2002). Principal Component Analysis (2nd ed.). Springer.
Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society: A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202.
Kolenikov, S., & Angeles, G. (2009). Socioeconomic status measurement with discrete proxy variables: Is principal component analysis a reliable answer? Review of Income and Wealth, 55(1), 128–165. https://doi.org/10.1111/j.1475-4991.2008.00309.x
MacQueen, J. (1967a). Some Methods for Classification and Analysis of Multiva- riate Observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1, 281-297.
MacQueen, J. (1967b). Some methods for classification and analysis of multivariate observations. Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, 1, 281-297.
McKinney, W. (2010). Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference, 51-56.
Moreno Salamanca, E. N. (2017). Organización social del cuidado y medición del trabajo no remunerado en Colombia. Colombia Internacional, (91), 23-50.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Courna- peau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
Pérez Orozco, A. (2012). Subversión feminista de la economía: Aportes para un debate sobre el conflicto capital-vida. Traficantes de Sueños.
Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. https://doi.org/10.1016/0377-0427(87)90125-7
Shlens, J. (2014). A tutorial on principal component analysis [arXiv:1404.1100]. https://arxiv.org/abs/1404.1100
Thorndike, R. L. (1953). Who belongs in the family? Psychometrika, 18(4), 267-276. https://doi.org/10.1007/BF02289263
Vyas, S., & Kumaranayake, L. (2006). Constructing socio-economic status indices: How to use principal components analysis. Health Policy and Planning, 21(6), 459–468. https://doi.org/10.1093/heapol/czl029
Waskom, M. (2021). Seaborn: Statistical Data Visualization. Journal of Open Source Software, 6(60), 3021.
Publicado
Cómo citar
Número
Sección
Derechos de autor 2026 Intercambio, Revista de Estudiantes de Economía
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.