5  Cobertura administrativa y el problema del denominador

NotaAntes de empezar

Responde sin consultar el texto. Al terminar, vuelve a esta pregunta y comprueba si cambió tu respuesta.

1. A fin de junio, un cantón tiene 48 % de cobertura acumulada con la tercera dosis de hexavalente. ¿Cómo se interpreta?

  1. Es una cobertura muy baja: la meta es 95 %
  2. Es imposible saberlo sin una encuesta
  3. Está cerca de la meta acumulada, que a mitad de año es alrededor de 50 %
  4. Hay que multiplicarla por 12 para compararla

c. Durante el año la cobertura se compara con la fracción transcurrida del año: a fin de junio, 6/12 de la población objetivo.

5.1 Objetivos y pregunta de trabajo

Al terminar este capítulo podrás:

  • calcular una cobertura administrativa acumulada y compararla con la meta del periodo;
  • obtener denominadores cantonales por edad simple con pobecu y documentar su origen;
  • reconocer cuándo el denominador, y no la vacunación, explica una cobertura extraña;
  • decidir cuándo un porcentaje cantonal no debe publicarse o debe acompañarse de su número absoluto.

Pregunta de trabajo: en el informe provincial, un cantón pequeño pasa de 85 % a 104 % de cobertura con SRP1 entre dos años, sin campañas ni cambios en el servicio. ¿Mejoró la vacunación?

5.2 La fórmula y sus dos mundos

La cobertura administrativa es un cociente:

\[ \text{cobertura} = 100 \times \frac{\text{dosis aplicadas a la población objetivo en el periodo}}{\text{población objetivo del periodo}} \]

El numerador y el denominador vienen de mundos distintos. El numerador sale de los servicios: cuenta dosis aplicadas, en el lugar donde se aplicaron, tal como se registraron. El denominador sale de la demografía: cuenta personas que residen en un territorio, según una proyección hecha años antes y referida al 30 de junio. El capítulo 3 mostró cómo esos dos mundos se desencuentran por la migración entre cantones y por los duplicados. Este capítulo se ocupa del denominador.

5.3 La meta acumulada: leer la cobertura durante el año

Durante el año no se compara la cobertura con el 100 %: se compara con la fracción del año transcurrida. A fin de marzo se espera haber vacunado a 3/12 de la población objetivo anual. Calculemos la cobertura acumulada de la tercera dosis de hexavalente en 2025 con el registro sintético. Como población objetivo usamos el promedio anual de nacimientos de cada cantón; en el registro sintético esa cifra es conocida.

datos <- preparar_registro(n = 2000, semilla = 2026)
evaluadas <- datos$evaluadas
personas <- datos$personas
hexa3 <- evaluadas[evaluadas$vacuna_codigo == "HEXAVALENTE" & evaluadas$dosis == 3 &
                     evaluadas$estado == "valida" &
                     format(evaluadas$fecha_vacunacion, "%Y") == "2025", ]
hexa3$mes <- as.integer(format(hexa3$fecha_vacunacion, "%m"))
objetivo <- table(personas$canton[format(personas$fecha_nacimiento, "%Y") %in% c("2024", "2025")]) / 2

acumulada <- do.call(rbind, lapply(names(objetivo), function(k) {
  por_mes <- table(factor(hexa3$mes[hexa3$canton == k], levels = 1:12))
  data.frame(canton = k, mes = 1:12, dosis_acumuladas = as.integer(cumsum(por_mes)),
             cobertura = round(100 * cumsum(as.numeric(por_mes)) / as.numeric(objetivo[k]), 1),
             meta = round(100 * (1:12) / 12, 1))
}))
acumulada[acumulada$mes %in% c(3, 6, 12) & acumulada$canton %in% c("C01", "C04"), ]
   canton mes dosis_acumuladas cobertura meta
3     C01   3               46      22.6   25
6     C01   6               92      45.2   50
12    C01  12              182      89.4  100
39    C04   3               11      13.5   25
42    C04   6               28      34.4   50
48    C04  12               51      62.6  100
ggplot(acumulada, aes(mes, cobertura, colour = canton)) +
  geom_line(linewidth = 0.8) +
  geom_line(aes(y = meta), colour = "grey40", linetype = 2) +
  scale_x_continuous(breaks = 1:12) +
  labs(x = "Mes de 2025", y = "Cobertura acumulada (%)", colour = "Cantón") +
  theme_minimal(base_size = 12)
Figura 5.1: Cobertura administrativa acumulada de la tercera dosis de hexavalente en 2025 frente a la meta lineal (línea discontinua). Registro sintético.
cierre <- acumulada[acumulada$mes == 12, c("canton", "dosis_acumuladas", "cobertura")]
cierre
   canton dosis_acumuladas cobertura
12    C01              182      89.4
24    C02              139      84.8
36    C03               99      82.8
48    C04               51      62.6
60    C05               70      87.5

Al cierre de 2025, la cobertura de C01 es 89,4 % y la de C04, 62,6 %. La curva mensual es irregular porque las dosis de un mes dependen de cuántos niños cumplen seis meses en ese mes y de los atrasos. Por eso un mes bajo no es, por sí solo, una alarma; lo es una curva que se aleja de la meta durante varios meses seguidos.

5.4 Denominadores reales: proyecciones cantonales con pobecu

Hasta aquí el denominador era conocido porque los datos son sintéticos. En el trabajo real se usa una proyección. El paquete pobecu (pobecu contributors, s. f.) distribuye las Estimaciones y proyecciones de población del INEC, revisión 2024 (Instituto Nacional de Estadística y Censos, 2024). Desde 2023 las cifras son proyecciones, no conteos, y se refieren al 30 de junio de cada año. Para los menores de un año de los cantones de Loja en 2026:

loja <- pobecu::poblacion("canton", anio = 2025:2026, provincia = "Loja", edad = "simple")
loja <- loja[loja$edad <= 1, c("dpa_canton", "canton", "anio", "edad", "poblacion")]
menores_1 <- loja[loja$anio == 2026 & loja$edad == 0, ]
menores_1$puntos_por_nino <- round(100 / menores_1$poblacion, 2)
menores_1[order(menores_1$poblacion), c("canton", "poblacion", "puntos_por_nino")]
           canton poblacion puntos_por_nino
3132       Olmedo        55            1.82
2930     Quilanga        57            1.75
910  Chaguarpamba       104            0.96
2324    Sozoranga       135            0.74
1314    Gonzanamá       154            0.65
2728       Pindal       197            0.51
1112    Espíndola       211            0.47
708        Celica       229            0.44
1920      Puyango       238            0.42
2526    Zapotillo       280            0.36
1516       Macará       296            0.34
1718       Paltas       318            0.31
304        Calvas       396            0.25
2122     Saraguro       499            0.20
506      Catamayo       626            0.16
102          Loja      3427            0.03

La última columna dice cuántos puntos porcentuales cambia la cobertura por un solo niño vacunado de más o de menos. En el cantón Loja un niño mueve la cobertura en 0,03 puntos; en Olmedo, en 1,82. Con denominadores tan pequeños, una familia que se muda o un niño vacunado en el cantón vecino cambia la cifra más que cualquier mejora del servicio.

5.5 Una cohorte que cambia de tamaño

Los niños que tenían 0 años en 2025 tienen 1 año en 2026. Si la proyección no supusiera migración ni mortalidad, las dos cifras serían iguales. Comparemos:

edad0_2025 <- loja[loja$anio == 2025 & loja$edad == 0, c("canton", "poblacion")]
edad1_2026 <- loja[loja$anio == 2026 & loja$edad == 1, c("canton", "poblacion")]
cohorte <- merge(edad0_2025, edad1_2026, by = "canton", suffixes = c("_0_en_2025", "_1_en_2026"))
cohorte$razon <- round(cohorte$poblacion_1_en_2026 / cohorte$poblacion_0_en_2025, 3)
cohorte[order(cohorte$razon), ]
         canton poblacion_0_en_2025 poblacion_1_en_2026 razon
13     Quilanga                  59                  48 0.814
15    Sozoranga                 137                 124 0.905
4  Chaguarpamba                 106                  99 0.934
5     Espíndola                 215                 201 0.935
16    Zapotillo                 281                 264 0.940
1        Calvas                 404                 390 0.965
6     Gonzanamá                 157                 152 0.968
11       Pindal                 198                 192 0.970
2      Catamayo                 630                 613 0.973
12      Puyango                 241                 235 0.975
8        Macará                 301                 294 0.977
3        Celica                 234                 231 0.987
10       Paltas                 324                 323 0.997
14     Saraguro                 508                 511 1.006
9        Olmedo                  56                  57 1.018
7          Loja                3465                3569 1.030

La proyección supone que casi todas las cohortes cantonales pierden niños entre un año y otro, y que la de la ciudad de Loja gana: es el saldo migratorio que el INEC incorporó en su modelo. En Quilanga la cohorte pasa de 59 a 48 niños. Supongamos que Quilanga vacuna con SRP1 a 50 niños en cada uno de los dos años. La SRP1 se aplica a los 12 meses, así que su población objetivo son los niños de 1 año:

c(con_cohorte_de_0_anios = round(100 * 50 / q$poblacion_0_en_2025, 1),
  con_cohorte_de_1_anio = round(100 * 50 / q$poblacion_1_en_2026, 1))
con_cohorte_de_0_anios  con_cohorte_de_1_anio 
                  84.7                  104.2 

Con el mismo número de niños vacunados, la cobertura pasa de 84,7 % a 104,2 % solo por elegir uno u otro denominador. Si el denominador de 1 año es correcto, Quilanga tiene una cobertura alta; si la proyección exagera la emigración, la cifra por encima de 100 % es un artefacto. La proyección no permite saber cuál de las dos situaciones ocurre: se necesita otra fuente, como los nacidos vivos inscritos o una cobertura nominal por cohorte (capítulo 6).

5.6 Sensibilidad al denominador

Una cobertura administrativa no tiene error de muestreo: no viene de una muestra. Su incertidumbre principal está en el denominador, y no se resuelve con un intervalo de confianza binomial. Una forma honesta de comunicarla es mostrar cómo cambia la cifra con denominadores plausibles. Para un cantón con 200 niños vacunados y una proyección de 210:

vacunados <- 200
proyeccion <- 210
error_denominador <- c(-0.10, -0.05, 0, 0.05, 0.10)
data.frame(error_supuesto = paste0(100 * error_denominador, " %"),
           denominador = round(proyeccion * (1 + error_denominador)),
           cobertura = round(100 * vacunados / (proyeccion * (1 + error_denominador)), 1))
  error_supuesto denominador cobertura
1          -10 %         189     105.8
2           -5 %         200     100.3
3            0 %         210      95.2
4            5 %         220      90.7
5           10 %         231      86.6

Un error de ±10 % en el denominador lleva la cobertura de 86,6 % a 105,8 %. Si el programa usa una meta de 95 %, el cantón puede estar por encima o por debajo según un supuesto demográfico que nadie verificó. La decisión no debería depender de ese supuesto.

5.7 Cuándo no publicar un porcentaje

Los criterios siguientes son decisiones de análisis que este libro propone; el programa puede adoptar otros, pero debe escribirlos:

  • Denominador menor de 100. Un niño cambia la cobertura en más de un punto. Se publica el número de vacunados y de pendientes, o se agregan dos o tres años.
  • Cobertura mayor de 100 %. No se trunca a 100 %, porque ocultaría el problema. Se publica con una nota que explique el desajuste del denominador.
  • Ordenar cantones. No se ordenan cantones pequeños por su porcentaje, porque el orden cambia de un año a otro por azar y por migración.
menores_1$publicar_porcentaje <- menores_1$poblacion >= 100
table(menores_1$publicar_porcentaje)

FALSE  TRUE 
    2    14 
menores_1$canton[!menores_1$publicar_porcentaje]
[1] "Quilanga" "Olmedo"  

5.8 Responder la pregunta de trabajo

Un salto de 85 % a 104 % sin cambios en el servicio sugiere un problema del denominador, no una mejora de la vacunación. Antes de interpretarlo hay que revisar si cambió la población objetivo usada, si la proyección supone emigración o si cambió el número de niños de otros cantones vacunados allí. En un cantón con menos de 100 niños, cinco niños bastan para explicar esa diferencia. El informe debería mostrar el número de vacunados junto al porcentaje y, si es posible, contrastarlo con la cobertura nominal por cohorte.

5.9 Limitaciones

  • Las proyecciones cantonales del INEC incluyen supuestos de mortalidad y migración que este capítulo no evalúa; la comparación de cohortes solo muestra su efecto.
  • Usar el promedio de nacimientos como población objetivo del registro sintético es una simplificación; en el trabajo real la población objetivo es la proyección oficial que define el programa.
  • Los criterios para publicar porcentajes son propuestas de este libro, no normas del MSP.

5.10 Ejercicios

  1. Meta trimestral. Calcula, para cada cantón sintético, la diferencia en puntos entre la cobertura acumulada de hexavalente 3 y la meta a fin de junio de 2025. ¿Qué cantón está más atrasado?
  2. Otra provincia. Repite la tabla de puntos por niño para la provincia que te interese. ¿Cuántos cantones tienen menos de 100 menores de un año?
  3. Cohorte proyectada. En la tabla cohorte, ¿qué cantón tiene la razón más alta? Explica qué supone la proyección sobre ese cantón.
  4. Sensibilidad. Con 95 vacunados y una proyección de 100, ¿qué error del denominador haría que la cobertura cruce la meta de 95 %?
  1. junio <- acumulada[acumulada$mes == 6, ]; junio$cobertura - junio$meta. Una diferencia negativa indica atraso; con pocos niños por mes, compara también marzo y septiembre antes de concluir.
  2. p <- pobecu::poblacion("canton", anio = 2026, provincia = "Azuay", edad = "simple"); sum(p$poblacion[p$edad == 0] < 100). El número depende de la provincia; cita el año y la revisión de la proyección.
  3. cohorte[which.max(cohorte$razon), ]. Una razón mayor que 1 indica que la proyección supone que llegan más niños de los que mueren o se van; suele ocurrir en las capitales.
  4. La cobertura es \(95/D\); cruza 95 % cuando \(D = 100\). Cualquier subestimación del denominador lleva la cifra por encima de la meta y cualquier sobreestimación, por debajo: el resultado depende por completo del supuesto demográfico.

5.11 Autoevaluación

Responde antes de abrir cada respuesta. Si fallas una, vuelve a la sección correspondiente antes de continuar.

5.11.1 Comprobación

2. ¿De dónde suele venir el denominador de una cobertura administrativa cantonal en Ecuador?

  1. De las proyecciones de población del INEC, referidas al 30 de junio
  2. Del registro nominal de vacunación
  3. Del número de dosis distribuidas
  4. De la última encuesta ENSANUT

a. Desde 2023 las cifras cantonales son proyecciones de la revisión 2024 del INEC, que pobecu distribuye.

3. En un cantón con 55 menores de un año, ¿cuánto cambia la cobertura un solo niño?

  1. 0,18 puntos
  2. Medio punto
  3. Nada, porque se redondea
  4. Unos 1,8 puntos porcentuales

d. 100/55 ≈ 1,8. Con denominadores menores de 100, un niño cambia la cobertura en más de un punto.

4. ¿Por qué no se usa un intervalo de confianza binomial para expresar la incertidumbre de una cobertura administrativa?

  1. Porque las coberturas siempre son exactas
  2. Porque no viene de una muestra: su incertidumbre principal está en el denominador
  3. Porque el intervalo binomial solo sirve para tasas
  4. Porque el MSP no lo permite

b. El registro administrativo no es una muestra; el error relevante es el del denominador, que se comunica con escenarios de sensibilidad.

5.11.2 Transferencia a tu trabajo

5. Un cantón reporta 107 % de cobertura con SRP1. ¿Qué haces al publicar el informe?

  1. Lo truncas a 100 %
  2. Publicas 107 % con una nota sobre el desajuste del denominador y el número de vacunados
  3. Lo eliminas del informe
  4. Lo reemplazas por el promedio provincial

b. Truncar oculta el problema. Lo honesto es mostrar la cifra, explicar el desajuste y dar los números absolutos.

6. La proyección supone que la cohorte de un cantón pierde 19 % de niños entre los 0 y 1 años. ¿Qué efecto tiene sobre la cobertura de SRP1 si los vacunados no cambian?

  1. La cobertura baja
  2. No tiene efecto, porque la SRP1 se aplica a menores de un año
  3. El efecto depende solo de la cobertura de hexavalente
  4. La cobertura sube, porque el denominador de 1 año es más pequeño

d. Con el mismo numerador y un denominador menor, el cociente aumenta; si la emigración supuesta no ocurrió, la cifra es un artefacto.

5.12 Ideas que debes conservar

  • El numerador cuenta dosis donde se aplicaron; el denominador proyecta residentes: no hablan de las mismas personas.
  • Durante el año, la cobertura se compara con la meta acumulada, no con el 100 %.
  • La incertidumbre de una cobertura administrativa está en el denominador; se comunica con escenarios, no con un intervalo binomial.
  • En cantones pequeños, publica números absolutos junto al porcentaje o agrega años.