Analítica de Recursos Humanos: Determinantes Salariales y Modelación de Compensaciones¶

Contexto y Objetivo¶

Una firma multinacional de consultoría ha sido contratada por TalentCo, empresa con operaciones en múltiples regiones y departamentos, para analizar su estructura de compensaciones. El equipo de Recursos Humanos sospecha que los salarios no están siendo asignados de manera consistente: algunos empleados se sienten subpagados en relación con pares de experiencia similar, mientras que otros en el mismo departamento perciben montos significativamente distintos según su región o nivel educacional.

Su rol es actuar como Analista de Datos en la firma consultora. Utilizará Python, pruebas de hipótesis estadísticas y regresión lineal para identificar los principales determinantes del salario de los empleados, y entregará recomendaciones basadas en datos a la dirección de TalentCo.

Al finalizar este proyecto, usted será capaz de:

• Realizar análisis exploratorio de datos (EDA) sobre datos de Recursos Humanos.
• Aplicar pruebas de hipótesis para validar supuestos de negocio.
• Manejar variables categóricas mediante técnicas de codificación.
• Construir y evaluar modelos de regresión con OLS y scikit-learn.
• Verificar los supuestos de regresión (multicolinealidad, normalidad, homocedasticidad).
• Comunicar resultados en un informe orientado al negocio.

Conjunto de Datos: employee_compensation.csv¶

Disponible en la sección de materiales del curso. Contiene registros de 1.500 empleados distribuidos en distintos departamentos, regiones y niveles de cargo.

Variable	Tipo	Descripción
Salary	Numérica (USD/año)	Salario bruto anual — variable objetivo
Years_Experience	Numérica	Total de años de experiencia profesional
Age	Numérica	Edad del empleado
Performance_Score	Numérica (1.0–5.0)	Calificación de desempeño anual más reciente
Education_Level	Categórica	Bachelor, Master, PhD
Department	Categórica	Engineering, Sales, Marketing, HR, Finance
Region	Categórica	North, South, East, West
Job_Level	Categórica	Junior, Mid, Senior
Gender	Categórica	Male, Female

Nota sobre la generación del dataset: Este conjunto de datos puede generarse sintéticamente con numpy y pandas, utilizando distribuciones salariales realistas por departamento y nivel de cargo. Se incluirá un script de generación (generate_dataset.py) junto al dataset.

In [2]:

import pandas as pd

# cargar datos
path = 'https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/homeworks/data/employee_compensation.csv'
df = pd.read_csv(path, sep="," )

df.head()

import pandas as pd # cargar datos path = 'https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/homeworks/data/employee_compensation.csv' df = pd.read_csv(path, sep="," ) df.head()

Out[2]:

	Salary	Years_Experience	Age	Performance_Score	Education_Level	Department	Region	Job_Level	Gender
0	69181.0	3.0	22.0	3.5	Bachelor	Sales	East	Junior	Male
1	88466.0	5.0	23.0	2.8	bachelor	FINANCE	West	Junior	Female
2	76112.0	11.0	29.0	1.6	Master	HR	West	Mid	Female
3	NaN	15.0	37.0	NaN	Bachelor	Marketing	South	Senior	Male
4	NaN	6.0	28.0	4.5	Bachelor	Engineering	North	Mid	Female

Parte 1: Análisis Exploratorio de Datos (EDA)¶

1. Cargue el dataset en un DataFrame de pandas.
2. Muestre las primeras 10 filas e inspeccione los tipos de datos.
3. Verifique valores faltantes y duplicados; reporte los hallazgos.
4. Calcule estadísticas descriptivas (media, mediana, desviación estándar, mínimo, máximo) para todas las variables numéricas.
5. Elabore al menos tres de las siguientes visualizaciones:
   • Histograma del salario.
   • Diagrama de caja (box plot) del salario por nivel de cargo.
   • Diagrama de dispersión de años de experiencia vs. salario.
   • Gráfico de barras del salario promedio por departamento.
   • Mapa de calor de correlaciones entre variables numéricas.

In [ ]:

#fixme

#fixme

Parte 2: Pruebas de Hipótesis¶

Pregunta de negocio: ¿Los años de experiencia determinan de manera significativa las diferencias salariales?

1. Defina las hipótesis:

   • H₀: Los años de experiencia no tienen relación lineal con el salario.
   • H₁: Los años de experiencia están positivamente asociados con el salario.

2. Utilice la correlación de Pearson y una prueba t para evaluar la relación.

3. Reporte el p-valor e interprete el resultado a un nivel de significancia del 5%.

4. (Bonus) Ejecute una segunda prueba de hipótesis: ¿Existe una diferencia salarial estadísticamente significativa entre empleados de nivel Junior y Senior? Utilice una prueba t de dos muestras independientes.

In [ ]:

#fixme

#fixme

Parte 3: Regresión Lineal con Variables Categóricas¶

Paso 1: Justificación de variables (antes de codificar)¶

Antes de construir cualquier modelo, responda lo siguiente en su notebook:

• ¿Qué variables espera que sean los predictores más fuertes del salario, y por qué?
• ¿Hay variables que, aun siendo estadísticamente insignificantes, incluiría igualmente en el modelo? Justifique desde una perspectiva de negocio o teórica.
• ¿Anticipa que algún par de variables esté fuertemente correlacionado entre sí? ¿Cuáles, y por qué? ¿Qué problemas podría causar eso?

Este paso debe responderse en texto libre, sin código. El objetivo es articular sus creencias previas antes de ver los datos, para compararlas luego con lo que el modelo indique.

Paso 2: Preparación de los datos¶

• Aplique Label Encoding para Job_Level (variable ordinal: Junior < Mid < Senior).
• Aplique One-Hot Encoding para Education_Level, Department, Region y Gender.
• Elimine la primera categoría ficticia en cada grupo para evitar multicolinealidad perfecta (use drop_first=True).

Paso 3: Construcción del modelo¶

1. Divida el dataset en conjuntos de entrenamiento (80%) y prueba (20%). Use random_state=42.
2. Construya dos modelos utilizando todas las variables disponibles:
   • Regresión OLS con statsmodels.
   • Regresión lineal con scikit-learn.

Paso 4: Evaluación del modelo¶

Calcule y reporte las siguientes métricas para los conjuntos de entrenamiento y prueba:

Métrica	Descripción
MAE	Error Absoluto Medio
MAPE	Error Porcentual Absoluto Medio
RMSE	Raíz del Error Cuadrático Medio
R²	Coeficiente de determinación
R² ajustado	R² penalizado por el número de predictores

Compare el resumen OLS (coeficientes, p-valores, R²) con los resultados de scikit-learn.

In [ ]:

#fixme

#fixme

Parte 4: Análisis y Refinamiento del Modelo¶

Nota importante: El objetivo de esta sección no es aplicar reglas mecánicas. No existe un umbral universal que indique cuándo incluir o excluir una variable. Toda decisión debe argumentarse desde el contexto del problema.

Paso 1: Interpretación de los p-valores de los coeficientes¶

Examine los p-valores del resumen OLS y responda lo siguiente para cada variable con p-valor > 0,05:

• ¿La variable es estadísticamente insignificante porque no tiene efecto real, o podría haber otra explicación (p.ej., correlación con otra variable ya incluida en el modelo)?
• ¿Es esta variable conceptualmente importante para el análisis salarial, aunque el modelo no encuentre un efecto significativo? ¿Su eliminación cambiaría la interpretación de otros coeficientes?
• ¿Cuál es el costo para el negocio de eliminar esta variable del modelo?

Con base en este análisis, decida qué variables conservar o eliminar, y justifique explícitamente cada decisión. Vuelva a entrenar el modelo con las variables seleccionadas y compare las métricas con el modelo completo.

Ejemplo del razonamiento esperado: "Gender presenta p = 0,18 en nuestro modelo. Sin embargo, optamos por conservarla porque: (1) la equidad salarial por género es una de las preguntas centrales de TalentCo, y (2) su insignificancia puede deberse a colinealidad con Job_Level más que a la ausencia de efecto. Eliminarla ocultaría una dimensión clave del análisis."

Paso 2: Análisis de Multicolinealidad (VIF)¶

Calcule el Factor de Inflación de la Varianza (VIF) para todas las variables independientes y responda:

• ¿Qué pares de variables probablemente generan VIF alto, y por qué existe esa correlación en este contexto?
• ¿La presencia de multicolinealidad invalida las predicciones del modelo, o afecta principalmente la confiabilidad de los coeficientes individuales?
• Para cada variable con VIF alto: ¿qué se perdería al eliminarla? ¿Es aceptable esa pérdida dado el objetivo del análisis?

Decida si actuar sobre la multicolinealidad y justifique su decisión. Mantener variables colineales es una respuesta válida si el razonamiento lo sustenta.

Ejemplo del razonamiento esperado: "Age y Years_Experience presentan VIF = 8,4 y 9,1 respectivamente, lo que refleja que los empleados de mayor edad tienden a tener más experiencia. Ambas variables capturan dimensiones distintas —edad biológica vs. tiempo profesional acumulado—, por lo que las conservamos y reconocemos los errores estándar inflados como una limitación del modelo."

Paso 3: Verificación de Supuestos de Regresión¶

Verifique los siguientes supuestos de la regresión lineal sobre su modelo final:

• Normalidad de los residuos: Histograma y gráfico Q-Q de los residuos.
• Homocedasticidad: Aplique la prueba de Breusch-Pagan (het_breuschpagan).

Para cada supuesto, indique si se cumple, muestre la evidencia y discuta brevemente qué implica para la validez de sus conclusiones.

In [ ]:

#fixme

#fixme

Parte 5: Informe de Negocio¶

Redacte un informe ejecutivo breve (300–400 palabras) dirigido al Director de Recursos Humanos de TalentCo, respondiendo las siguientes preguntas:

1. ¿Cuáles son los principales determinantes del salario de los empleados?
2. ¿Cómo impacta cuantitativamente el nivel de experiencia en la compensación anual?
3. ¿Existen diferencias salariales significativas entre departamentos o regiones? ¿Qué sugieren?
4. Según su modelo final: si TalentCo asciende a un empleado de nivel Mid a Senior, ¿cuál es el aumento salarial esperado (en USD)?
5. ¿Qué recomendaciones haría a TalentCo para mejorar la equidad y transparencia en su política de compensaciones?

In [ ]:

#fixme

#fixme

Entregables¶

Cada estudiante o grupo debe entregar los siguientes elementos:

#	Entregable	Descripción
1	Jupyter Notebook (.ipynb)	Código completo con salidas y comentarios en línea. Debe ser limpio, bien comentado y reproducible. Todos los gráficos deben incluir títulos, etiquetas de ejes y leyendas cuando corresponda.
2	Informe de Negocio (.md o .docx)	300 a 400 palabras, dirigido a una audiencia no técnica.
3	Presentación Oral	10 a 12 minutos (ver rúbrica).

⚠️ Importante: Tanto la entrega escrita como la presentación oral son obligatorias. La ausencia de cualquiera de los dos componentes resulta en la nota mínima del proyecto.

Consejos Técnicos¶

• Utilice las bibliotecas: pandas, numpy, matplotlib, seaborn, scikit-learn y statsmodels.
• Para VIF: from statsmodels.stats.outliers_influence import variance_inflation_factor
• Para Breusch-Pagan: from statsmodels.stats.diagnostic import het_breuschpagan
• Para gráfico Q-Q: import scipy.stats as stats; stats.probplot(residuals, plot=plt)
• Priorice la interpretación de negocio por sobre los resultados estadísticos aislados.
• En el informe ejecutivo, escriba para el Director de RRHH: sin fórmulas, sin código, sin p-valores. Solo conclusiones claras y accionables.

Rúbrica de Presentación Oral¶

Cada grupo será evaluado en una escala de 10 a 100 puntos. Las presentaciones deben realizarse en español o inglés y tener una duración de entre 10 y 12 minutos.

Criterios de Evaluación¶

Criterio	Descripción	Puntaje	Ponderación
1. Comprensión del problema y contexto	Demuestra comprensión clara del problema de negocio de TalentCo y del valor del análisis basado en datos. Vincula los hallazgos estadísticos con decisiones reales de RRHH.	10–20 pts	20%
2. Exploración de datos e insights	Presenta los hallazgos del EDA de forma clara. Destaca patrones relevantes (p.ej., salario por departamento, tendencias de experiencia). Explica cómo el análisis orientó las decisiones de modelado.	10–20 pts	20%
3. Explicación del modelo y resultados	Explica los modelos de regresión, las decisiones de codificación y las métricas de evaluación (MAE, RMSE, R²) con precisión. Compara OLS vs. sklearn y justifica el modelo final.	10–20 pts	20%
4. Interpretación de negocio y recomendaciones	Traduce los coeficientes del modelo y los resultados de las pruebas en recomendaciones accionables para RRHH. Explica qué debe hacer TalentCo y por qué, sin jerga técnica.	10–20 pts	20%
5. Comunicación y presentación	Exposición clara y profesional en español o inglés. Flujo lógico, tono seguro y trabajo en equipo efectivo. Respeta el tiempo establecido.	10–15 pts	15%
6. Apoyos visuales y diseño de diapositivas	Las diapositivas son claras, profesionales y apoyan la narrativa. Los gráficos y tablas son legibles y están bien etiquetados. Evita diapositivas con exceso de texto.	10–15 pts	15%

Escala de Calificación¶

Puntaje	Nivel	Descripción
90–100	⭐ Sobresaliente	Comprensión excepcional, insights de negocio sólidos y presentación atractiva. Vínculo claro entre el análisis de datos y la estrategia de RRHH.
80–89	✅ Muy Bueno	Explicación y visuales sólidos, con brechas menores en profundidad o fluidez. Buen dominio técnico y de negocio.
70–79	⚙️ Bueno	Cubre los puntos principales de manera adecuada, pero con falta de profundidad o claridad en algunas áreas. Estructura razonable.
60–69	⚠️ Aceptable	Cobertura básica con insight de negocio limitado o conexión débil con el problema de RRHH. Presentación algo confusa o apresurada.
10–59	❌ Insuficiente	Estructura deficiente, contenido incompleto o incapacidad para comunicar los hallazgos. Puede exceder o quedar muy por debajo del tiempo establecido.

Notas para Evaluadores¶

• Descontar hasta −10 puntos si la presentación no se encuentra dentro del rango de tiempo (menos de 7 min o más de 13 min).
• Descontar hasta −5 puntos si no todos los integrantes participan activamente.
• Otorgar hasta +5 puntos de bonificación por insight excepcional, creatividad o conexión con casos reales.

Puntaje máximo: 100 puntos | Nota mínima de aprobación: 60 puntos