¿Cuándo una diferencia es realmente generacional?

Autor: nanoHexalia · Afiliación: nanoHexalia Research · ORCID: 0000-0003-2666-203X

Hallazgos clave

• Matrimonio: la cohorte añadió señal predictiva incremental reproducible, aunque con heterogeneidad entre períodos históricos.
• Movilidad residencial: la señal fue pequeña e inestable; no superó el protocolo de robustez.
• Resolución de cohorte: para matrimonio, cohortes quinquenales conservaron más información predictiva que las etiquetas generacionales amplias.
• Límite causal: ninguno de estos resultados resuelve por sí mismo la identificación edad–período–cohorte.

Respuesta breve

Una diferencia puede tratarse como informativamente cohortal sólo cuando la representación de cohorte añade valor incremental reproducible después de representar edad, período y contexto, y cuando ese valor sobrevive pruebas de sensibilidad. Incluso entonces, la evidencia predictiva no identifica por sí sola un efecto causal de cohorte.

Resumen

Las etiquetas generacionales se utilizan con frecuencia para explicar
diferencias de conducta, consumo y trabajo, aunque edad, período
histórico y cohorte están estructuralmente entrelazados. Este estudio
evalúa una regla falsacionista: una representación de cohorte no debería
aceptarse como explicación por defecto, sino demostrar valor incremental
estable frente a modelos que ya representen edad, período y variables
contextuales próximas al mecanismo. Primero se ejecutó una simulación
preregistrada de 120.000 observaciones con efecto real de cohorte
exactamente igual a cero. Una etiqueta generacional amplia mejoró entre
1,129% y 1,253% el RMSE de un modelo incompleto en 11/11 fronteras, pero
la mejora cayó a entre −0,003% y 0,002% cuando edad, período y contexto
fueron mejor especificados; el patrón sobrevivió validación cruzada,
bootstrap y sensibilidad del spline. Después, el criterio se sometió a
validación con microdatos reales IPUMS CPS/ASEC 1962–2021, reproduciendo el
contraste metodológico publicado por Pew y extendiéndolo con validación
fuera de muestra. Para matrimonio, añadir cohorte redujo el log-loss en
+0,0055833 (IC95% bootstrap pareado +0,0045532 a +0,0065423; 5/5 folds),
fue robusto en 11/11 desplazamientos de frontera y una representación
quinquenal mejoró adicionalmente a la etiqueta amplia en +0,003480
(5/5). Para movilidad residencial, la mejora primaria fue +0,0002216, su
IC95% cruzó cero, sólo 7/11 fronteras fueron robustas, BIRTH5 no superó
de forma estable a BROAD y excluir 1995 invirtió la dirección en 0/5
folds favorables. Las sensibilidades muestran además heterogeneidad
temporal. El resultado es predictivo, no causal: el valor informativo de
la cohorte depende del outcome, de su representación y del período
histórico; las generaciones funcionan mejor como ventanas contextuales
que como personalidades colectivas.

Palabras clave: edad-período-cohorte; generaciones; cohortes;
falsación; valor incremental; IPUMS CPS; predicción fuera de muestra;
sensibilidad; reproducibilidad; comportamiento humano.

1. Introducción

Las categorías generacionales ocupan un espacio desproporcionado en
discursos sobre trabajo, consumo, educación, tecnología y diseño de
servicios. La dificultad no consiste en negar que distintas cohortes
hayan atravesado mundos históricos diferentes; consiste en decidir
cuándo una diferencia observada puede atribuirse de forma razonable a la
cohorte y cuándo refleja edad, período, composición o variables
contextuales más próximas al comportamiento.

El problema de identificación edad–período–cohorte (APC) impone una
restricción fuerte: edad, período y cohorte están linealmente
relacionados. Rohrer (2025) enfatiza que ninguna cantidad de datos, ni
siquiera diseños longitudinales o poblaciones completas, identifica por
sí sola una descomposición causal única. Fosse y Winship (2019)
describen esta controversia y proponen razonar mediante mecanismos,
identificación parcial, bounds y sensibilidad. La consecuencia editorial
y aplicada es directa: una etiqueta generacional no debe recibir estatus
explicativo sólo porque agrupe diferencias descriptivas.

La literatura laboral refuerza esta cautela. National Academies of
Sciences, Engineering, and Medicine (2020) concluyó que las categorías
generacionales no constituyen una base científicamente sólida para
decisiones generales de Workforce y que los diseños disponibles suelen
confundir cambios de edad, tiempo histórico y cohorte. Schröder (2024),
usando 584.217 personas de 113 países entre 1981 y 2022, encontró que la
motivación laboral se explica principalmente por edad y período. Ravid,
Costanza y Romero (2025) documentaron, mediante meta-análisis y revisión
cualitativa, la persistencia de caracterizaciones generacionales pese a
evidencia débil o inconsistente.

Sin embargo, descartar toda señal cohortal sería simétricamente
incorrecto. Pew Research Center (Lau & Kennedy, 2023) reanalizó casi
seis décadas de Current Population Survey y mostró que resultados
aparentemente generacionales pueden comportarse de manera distinta según
el fenómeno: la movilidad residencial perdió gran parte de la señal
atribuida a generaciones tras el ajuste, mientras que el matrimonio
conservó evidencia compatible con diferencias de cohorte. El reto, por
tanto, no es declarar que las generaciones explican o no explican, sino
construir una regla de admisión: ¿cuándo la cohorte aporta información
incremental, estable y útil después de representar mejor las
alternativas?

2. Proposición y criterio
falsacionista

La tesis sometida a prueba es que la cohorte —y, con mayor cautela,
una etiqueta generacional amplia— debe “ganarse” su entrada en un modelo
mediante valor incremental reproducible. En el escenario principal se
fija por construcción EFECTO_REAL_COHORTE = 0. Si una etiqueta
generacional mejora materialmente un modelo mal especificado pero deja
de hacerlo cuando edad, período y contexto están representados
adecuadamente, esa mejora no puede interpretarse como evidencia de una
esencia generacional: la verdad generadora es conocida y no contiene tal
efecto.

• H0 hostil: con efecto real de cohorte igual a cero, las etiquetas
  amplias no deben aportar mejora material y estable sobre
  M0_GOOD.

• Condición de desafío: si M1_GOOD mejora ≥1% de RMSE en al menos 9
  de 11 desplazamientos bajo el escenario nulo, la tesis queda desafiada y
  exige investigar fuga de información o insuficiencia del modelo
  base.

• Control positivo: introducir una señal cohortal suave conocida y
  comprobar que el procedimiento pueda detectarla; comparar etiquetas
  amplias con bins de nacimiento de cinco años.

Nota. La flecha discontinua representa una contribución cohortal
que sólo debe conservarse si agrega señal estable más allá de edad,
período y contexto.

3. Método

3.1 Prerregistro y
gobernanza del análisis

El protocolo se congeló antes de observar resultados en “RSH0022-C01
· PREREGISTRATION SNAPSHOT v1.0 · 2026-09-17”. Antes de la primera
ejecución material se añadió una enmienda v1.1 para fijar las fórmulas
exactas del proceso generador, transformaciones y serialización
analítica. El intento previo de ejecución había fallado antes de
producir dataset, métricas, tablas o gráficos; por tanto, la enmienda no
estuvo informada por resultados. Los parámetros analíticos posteriores
no fueron ajustados tras observar los resultados.

3.2 Proceso generador y
muestra sintética

Se generaron N = 120.000 observaciones con semilla global 20260917.
El período se distribuyó uniformemente entre 2000 y 2025 y la edad entre
18 y 80 años; el año de nacimiento se calculó como período − edad.
Educación, ingreso estandarizado, experiencia digital y condición urbana
se generaron reproduciblemente como funciones de edad, período y ruido
independiente. El outcome nulo combinó un efecto no lineal de edad, un
efecto de período, contexto y ruido gaussiano. No se incluyó ninguna
función de cohorte en y_null.

Para el control positivo se agregó una señal suave centrada
aproximadamente en el año de nacimiento 1988:
1,60·exp[−0,5·((birth_year−1988)/6)^2]. Esta señal fue diseñada para
comprobar sensibilidad del procedimiento, no para representar una
generación real.

Tabla 1. Procedencia y función de las fuentes de datos del
experimento.

Componente	Fuente/base	Universo	Función	Limitación
Synthetic DGP	RSH0022-C01 preregistration snapshot v1.0 + pre-execution amendment v1.1	120,000 synthetic observations; ages 18–80	Primary falsification experiment	Synthetic evidence; cannot establish real-population cohort effects
APC identity	age = period – birth_year	Same synthetic dataset	Demonstrate exact linear dependence	Illustrates identification structure; does not solve causal APC
Positive control	Injected smooth cohort signal centered at birth year 1988, sigma=6, amplitude=1.60	Same 120,000 observations	Sensitivity check	Known artificial signal, not empirical generational evidence

3.3 Modelos y evaluación

El split train/test fue fijo (70/30; random_state = 20260917) y se
reutilizó en todos los escenarios. M0_BAD incluyó edad lineal, período
lineal, educación e ingreso; M1_BAD añadió dummies de generación amplia.
M0_GOOD utilizó spline cúbico de edad (8 knots), período categórico,
educación, ingreso, experiencia digital y condición urbana; M1_GOOD
añadió las mismas dummies generacionales. Las etiquetas convencionales
se desplazaron conjuntamente entre −5 y +5 años. El control positivo
añadió, además, un modelo con bins quinquenales de año de
nacimiento.

Las métricas primarias fueron RMSE y R² fuera de muestra. El valor
incremental se definió como ΔRMSE = RMSE(M0) − RMSE(M1), con mejora
relativa ΔRMSE/RMSE(M0). El umbral preregistrado de materialidad fue
≥1,0% y la estabilidad exigió superar dicho umbral en al menos 9 de 11
desplazamientos. Este umbral es operacional para este experimento y no
se propone como regla universal.

3.4
Robustez secundaria registrada después del análisis primario

La revisión adversarial posterior al resultado primario identificó
dos objeciones evitables antes de una eventual promoción editorial:
dependencia potencial de un único split y ausencia de incertidumbre del
lift. Antes de ejecutar análisis adicionales se registró RB01 como
SECONDARY_POST_PRIMARY_REGISTERED_ROBUSTNESS. RB01 no se presenta como
preregistro primario y no modificó el DGP, outcomes, etiquetas, umbral
ni interpretación confirmatoria.

RB01-A aplicó KFold de cinco particiones con shuffle=True y
random_state=20260918, ajustando transformaciones exclusivamente dentro
de cada train fold. RB01-B ejecutó 2.000 remuestreos bootstrap pareados
del test original con seed 20260918 para obtener intervalos percentiles
del 95% de la mejora relativa de RMSE. RB01-C varió únicamente la
flexibilidad del spline de edad (6, 8, 10 y 12 knots) sobre el split
original. Los tres análisis fueron registrados antes de observar sus
resultados y se reportan completos, incluidos resultados nulos o
adversos.

Tabla 2. Descriptivos principales del dataset
sintético.

Variable	Media	DE	Mín.	Mediana	Máx.
age	49.089	18.235	18.000	49.000	80.000
period	2012.471	7.506	2000.000	2012.000	2025.000
birth_year	1963.382	19.681	1920.000	1963.000	2007.000
education	11.473	2.137	5.000	11.000	20.000
income_std	1.176	1.001	-3.894	1.201	5.143
digital_experience	0.217	0.199	0.002	0.148	0.960
urban	0.531	0.499	0.000	1.000	1.000
y_null	50.152	1.340	44.305	50.151	55.889
cohort_signal	0.285	0.497	0.000	0.000	1.600
y_positive	50.438	1.350	44.580	50.432	56.458

3.5 Validación validación con microdatos reales con
microdatos reales

La validación externa utilizó IPUMS CPS/ASEC versión 13.0 para
1962–2021, excluyendo 1963 por ausencia completa de EDUC en la
preparación documentada. El extracto inmutable contenía 9.544.949
registros; tras AGE≥18, YEAR≠1963, EDUC≠999 y ASECWT>0 quedaron
6.762.644 observaciones elegibles. La muestra primaria reprodujo el
procedimiento PPS ponderado con set.seed(20220617), 1.000 personas por
año y 59.000 registros, preservando YEAR×SERIAL como unidad de hogar
para impedir fuga entre folds. La capa R7-A ejecutó el benchmark exacto
en R/rstanarm y la robustez de matrimonio antes de abrir la extensión
propia R7-B.

R7-B comparó dos modelos logísticos jerárquicos por outcome. M0_H
incluyó edad cuadrática, ADULTS, sexo, raza colapsada, educación y un
intercepto aleatorio de período (YEAR); M1_H añadió un intercepto
aleatorio de generación. Los modelos se ajustaron sin ponderación para
mantener continuidad con la muestra benchmark, mientras la evaluación
held-out se ponderó por ASECWT. La métrica primaria fue log-loss
ponderado; Brier, AUC y calibración fueron secundarios. La incertidumbre
primaria se estimó con bootstrap pareado estratificado por YEAR y
cluster de hogar (B=1.000). La robustez se congeló antes de ejecución:
fronteras generacionales desplazadas ±5 años, BIRTH5, spline de edad,
exclusión de 1995 para movilidad, muestra de 2.000/año, spline de
período y cinco bloques temporales contiguos. Ninguna de estas
sensibilidades se utilizó para introducir umbrales post hoc ni para
identificar un efecto causal APC.

4. Resultados

4.1 Dependencia APC

La matriz [edad, período, año de nacimiento] presentó rango 2 frente
a rango completo esperado 3. El menor valor singular fue 3.193e-11, con
error máximo de la identidad edad = período − año_de_nacimiento igual a
0.0. Este resultado no estima efectos causales; demuestra la dependencia
lineal exacta que impide tratar los tres componentes temporales como
predictores independientes sin restricciones adicionales.

Tabla 3. Diagnóstico algebraico-computacional
APC.

N	Rango	Rango completo	σ mínima	σ máx.	σmin/σmax	Error identidad
120,000	2	3	3.193e-11	9.741e+05	3.278e-17	0.0

4.2
Una señal generacional aparente puede surgir con cohorte real igual a
cero

En el escenario nulo, M0_BAD obtuvo RMSE = 1,2712 y R² = 0,0932.
Añadir generación amplia en las fronteras convencionales redujo el RMSE
a 1,2554, una mejora relativa de 1,241%, y elevó R² a 0,1156. Bajo los
11 desplazamientos de frontera, la mejora permaneció entre 1,129% y
1,253% y superó el umbral del 1% en 11 de 11 casos. Este resultado sería
tentador de interpretar como “valor generacional” si se desconociera el
DGP; sin embargo, el efecto real de cohorte fue exactamente cero.

Cuando la especificación base representó mejor la edad no lineal, el
período y el contexto, M0_GOOD alcanzó RMSE = 1,2044 y R² = 0,1860.
M1_GOOD con generación amplia produjo RMSE = 1,2044 y una mejora
relativa de −0,0013% en k=0. En los 11 desplazamientos, la mejora osciló
únicamente entre −0,0031% y 0,0022%; no alcanzó 1% en ningún caso. La
señal aparente desapareció cuando se corrigió la especificación
relevante.

Nota. Las medias difieren entre etiquetas pese a que el proceso
generador no contiene un efecto de cohorte. Este gráfico es descriptivo
y no debe interpretarse causalmente.

Tabla 4. Comparación preregistrada de modelos fuera de
muestra.

Modelo	Escenario	RMSE	R²	ΔRMSE	Mejora rel.
M0_BAD	null_effect	1.271215	0.093198
M1_BAD+broad(k=0)	null_effect	1.255437	0.115568	0.015778	1.241%
M0_GOOD	null_effect	1.204407	0.186006
M1_GOOD+broad(k=0)	null_effect	1.204423	0.185985	-0.000016	-0.001%
M0_GOOD	positive_control	1.247689	0.143342
M1_GOOD+broad(k=0)	positive_control	1.214773	0.187946	0.032916	2.638%
M1_GOOD+birth5	positive_control	1.208113	0.196826	0.039576	3.172%

4.3 Control
positivo: señal real y granularidad

Al introducir una señal cohortal real conocida, M0_GOOD obtuvo RMSE =
1,2477. La etiqueta generacional amplia mejoró entre 0,895% y 2,646%
según el desplazamiento y superó el 1% en 10 de 11 configuraciones. En
k=0, la mejora fue 2,638%. La representación quinquenal de año de
nacimiento alcanzó 3,172%, superior a la etiqueta amplia. El
procedimiento, por tanto, no está ciego a una señal cohortal: puede
recuperarla, pero una agrupación convencional amplia puede capturarla de
manera menos eficiente y más sensible a la posición de sus
fronteras.

Tabla 5. Sensibilidad del valor incremental a fronteras
generacionales.

Escenario	Mín.	Mediana	Máx.	≥1%
Nulo · M1_BAD	1.129%	1.203%	1.253%	11/11
Nulo · M1_GOOD	-0.003%	-0.000%	0.002%	0/11
Control positivo · M1_GOOD amplia	0.895%	2.090%	2.646%	10/11
Control positivo · bins 5 años	3.172%	3.172%	3.172%	N/A

Nota. En el escenario nulo, la mejora de M1_BAD permanece por
encima del umbral pese a que cohorte=0, mientras M1_GOOD se mantiene
esencialmente en cero. El control positivo demuestra sensibilidad y
revela pérdida de información por fronteras amplias.

4.4
Robustez secundaria: validación cruzada, bootstrap y sensibilidad del
spline

La validación cruzada de cinco folds reprodujo la separación
principal. En null_effect, M1_BAD obtuvo una mejora relativa media de
1,2458% (rango 1,1233%–1,3100%) y superó el umbral del 1% en 5/5 folds.
M1_GOOD produjo una mejora media de −0,0018% (rango −0,0039%–0,0010%) y
no superó el umbral en ningún fold. En el control positivo, la etiqueta
amplia alcanzó 2,6390% de mejora media y los bins quinquenales 3,1272%,
ambos materiales en 5/5 folds.

El bootstrap pareado (B=2.000) del test primario situó la mejora de
null_BAD_broad en 1,2412%, con IC95% 1,0874%–1,4036% y 99,95% de
réplicas por encima del umbral de 1%. En null_GOOD_broad, la estimación
fue −0,0013%, con IC95% −0,0066%–0,0037% y ninguna réplica ≥1%. Para el
control positivo, los IC95% fueron 2,3964%–2,8720% con etiqueta amplia y
2,9156%–3,4175% con bins quinquenales.

La sensibilidad de la spline no alteró la conclusión: con 6, 8, 10 y
12 knots, añadir generación amplia bajo el escenario nulo produjo
mejoras entre −0,00137% y −0,00085%, sin alcanzar materialidad en
ninguna especificación. Estas pruebas reducen la plausibilidad de que el
hallazgo primario dependa de un split accidental o de una única
parametrización de edad, aunque no sustituyen validación con datos
reales.

Tabla 6. Robustez secundaria registrada
post-primary.

Comparación	CV media	Folds ≥1%	IC95% bootstrap inf.	IC95% bootstrap sup.
Nulo · BAD + generación	1.246%	5/5	1.087%	1.404%
Nulo · GOOD + generación	-0.002%	0/5	-0.007%	0.004%
Control positivo · generación amplia	2.639%	5/5	2.396%	2.872%
Control positivo · bins 5 años	3.127%	5/5	2.916%	3.417%

Sensibilidad del spline (6–12 knots): mejora relativa al añadir
generación amplia bajo cohorte real cero = -0.001369% a -0.000848%; 0/4
especificaciones alcanzaron el umbral de 1%.

4.5 Validación validación con microdatos reales con
CPS/ASEC

4.5.1 Resultado primario por
outcome

En matrimonio, M1_H redujo el log-loss held-out frente a M0_H en
+0,0055833, con IC95% bootstrap pareado de +0,0045532 a +0,0065423 y
dirección favorable en los cinco folds. En movilidad, la mejora media
fue mucho menor (+0,0002216); aunque los cinco folds tuvieron dirección
positiva, el IC95% bootstrap (−0,0000311 a +0,0004740) cruzó cero. Bajo
los criterios congelados, matrimonio satisfizo (a)–(c) y movilidad falló
el criterio de incertidumbre (b).

Tabla 7. Síntesis de evidencia R7-B por outcome.

Outcome	Δ log-loss primario	IC95% bootstrap	Folds favorables	Fronteras robustas	BIRTH5 vs BROAD	Veredicto
MARRIED	+0,005583	[+0,004553; +0,006542]	5/5	11/11	+0,003480 · 5/5	PASS con heterogeneidad temporal
MOVED1YR	+0,000222	[−0,000031; +0,000474]	5/5	7/11	+0,000079 · 2/5	NO PASS

Nota. Δ log-loss positivo indica mejor desempeño de M1 frente a M0.
BIRTH5 vs BROAD es una sensibilidad de representación, no una nueva
taxonomía causal. Los veredictos se rigen por los criterios
preregistrados CP10–CP14, no por inspección post hoc.

4.5.2 Fronteras y resolución
de cohorte

La sensibilidad de fronteras separó con claridad los outcomes.
Matrimonio conservó media Δlog-loss positiva y cinco de cinco folds
favorables en las once definiciones obtenidas al desplazar conjuntamente
los cortes entre −5 y +5 años. Movilidad sólo cumplió el criterio
direccional en siete de once definiciones; k=−1, +3, +4 y +5 no fueron
robustos, y los tres últimos desplazamientos produjeron medias
negativas. Al reemplazar la etiqueta amplia por bins de nacimiento de
cinco años, matrimonio mejoró adicionalmente el log-loss en +0,003480
con 5/5 folds favorables; en movilidad la diferencia fue +0,000079 y
sólo 2/5 folds favorecieron BIRTH5. Una partición generacional amplia,
por tanto, puede descartar información incluso cuando existe señal
cohortal residual, pero una partición más fina tampoco garantiza
estabilidad.

Nota. Valores positivos favorecen M1. Matrimonio permanece positivo
en los 11 desplazamientos; movilidad pierde robustez y cambia de signo
en varios cortes.

4.5.3
Sensibilidades de especificación y transporte histórico

Las sensibilidades CP13 reforzaron una conclusión outcome-specific.
Matrimonio mantuvo Δlog-loss positiva con spline de edad (+0,006989;
5/5), spline de período (+0,005560; 5/5) y en los tres folds
técnicamente válidos de la muestra ampliada (+0,005405; 3/3 válidos).
Dos ajustes M1 de esa muestra ampliada fallaron la adjudicación técnica
Richardson/restart y se conservaron como no evaluables, sin retuning. En
bloques temporales, matrimonio fue favorable en tres de cinco períodos,
con TB2 y TB3 negativos: la señal es reproducible, pero no temporalmente
universal. Para movilidad, S1, S3 y S6 produjeron mejoras pequeñas, pero
excluir 1995 invirtió la dirección (−0,000503; 0/5 favorables) y el
transporte temporal sólo fue favorable en 3/5 bloques. Estas pruebas no
modifican el criterio primario; delimitan dónde la señal es estable y
dónde depende del período o de decisiones de representación.

Nota. Las barras resumen Δ log-loss medio de cada sensibilidad. S2
aplica sólo a MOVED1YR. En S3 MARRIED la media usa únicamente los 3
folds técnicamente válidos; los 2 fallidos no se imputaron.

Tabla 8. Matriz resumida de sensibilidad validación con microdatos reales.

Sensibilidad	MARRIED	MOVED1YR	Lectura gobernada
S1 · edad spline	+0,006989 · 5/5	+0,000128 · 5/5	Forma de edad no explica por sí sola el contraste.
S2 · excluir 1995	—	−0,000503 · 0/5	Movilidad es sensible al período anómalo.
S3 · 2.000/año	+0,005405 · 3/3 válidos	+0,000130 · 5/5	Matrimonio consistente en folds válidos; 2 folds M1 no evaluables.
S6 · período spline	+0,005560 · 5/5	+0,000283 · 5/5	Alternativa de período conserva el patrón de magnitud.
Bloques temporales	+0,020882 · 3/5	+0,000365 · 3/5	Ambos outcomes muestran heterogeneidad histórica.

5. Discusión

El experimento satisface su prueba falsacionista principal. Cuando el
modelo base omitió estructura relevante, una etiqueta generacional
amplia produjo una mejora predictiva material y estable aunque el efecto
cohortal verdadero fuera cero. El resultado no significa que las
etiquetas “creen causalidad”; significa que pueden actuar como proxies
de estructura temporal y contextual omitida. Si el analista desconoce la
verdad generadora, una ganancia fuera de muestra puede ser confundida
con evidencia de una propiedad generacional.

La segunda parte es igualmente importante: una representación
adecuada de edad, período y contexto eliminó prácticamente toda mejora
de la etiqueta en el escenario nulo. La diferencia entre M1_BAD y
M1_GOOD aporta una demostración controlada del criterio de valor
incremental: antes de convertir “Generación X”, “Millennial” o “Z” en
una explicación, conviene preguntar qué mecanismo omitido está siendo
absorbido por esa partición.

El control positivo evita una conclusión ideológica o simétricamente
simplista. Cuando se introdujo una señal real por año de nacimiento, el
procedimiento la recuperó. Sin embargo, los bins quinquenales capturaron
más señal que las fronteras generacionales convencionales, y la utilidad
de la etiqueta amplia cambió al desplazar los puntos de corte. Esto
apoya una práctica más precisa: cuando exista una hipótesis de
exposición histórica, tecnológica o institucional, modelar directamente
dicha exposición o usar cohortes más próximas al mecanismo puede ser
preferible a categorías amplias heredadas del discurso popular.

La revisión adversarial cuestionó explícitamente que un único split
hubiera favorecido el patrón y que el spline de M0_GOOD funcionara como
una especificación privilegiada. RB01 respondió esas objeciones sin
cambiar el análisis primario: el lift espurio de M1_BAD se reprodujo en
los cinco folds y mantuvo un IC95% bootstrap completamente por encima de
1%, mientras M1_GOOD permaneció alrededor de cero en validación cruzada,
bootstrap y cuatro flexibilidades del spline. Esta robustez aumenta la
confianza interna en el mecanismo sintético, pero no transforma la
simulación en evidencia empírica sobre poblaciones reales.

La validación validación con microdatos reales cambia el alcance del argumento sin cambiar su
lógica. En datos humanos reales, la cohorte no se comportó como una
variable universal: matrimonio conservó valor predictivo incremental
bajo incertidumbre, desplazamiento de fronteras, resolución BIRTH5 y
varias especificaciones, mientras movilidad no alcanzó estabilidad
comparable. La heterogeneidad por bloques temporales impide convertir
incluso el resultado de matrimonio en una esencia generacional
persistente. La lectura más parsimoniosa es que el año o grupo de
nacimiento puede resumir exposiciones históricas no observadas para
algunos fenómenos y períodos, pero su utilidad debe demostrarse outcome
por outcome y frente a variables más próximas al mecanismo.

6. Implicaciones aplicadas

El aporte aplicable no es una prohibición de utilizar cohortes, sino
un protocolo de admisión. En Workforce, CX, UX, marketing, educación o
servicios financieros, una segmentación generacional debería compararse
con modelos basados en etapa vital, experiencia digital, ingreso,
trayectoria profesional, urgencia, complejidad, canal, confianza,
responsabilidades de cuidado u otras variables cercanas al
comportamiento. La cohorte se conserva sólo cuando añade valor fuera de
muestra, es estable ante especificaciones razonables y produce una
mejora decisional que justifique su uso.

• Workforce: no inferir necesidades de formación, retención o
  beneficios desde la etiqueta generacional sin comparar variables de
  carrera, antigüedad, habilidades, condiciones y
  responsabilidades.

• CX/Contact Center: no asumir preferencia de canal por generación;
  contrastar dominio digital, urgencia, complejidad, historial de
  autoservicio y necesidad de confianza humana.

• Producto/UX: priorizar contexto de uso, accesibilidad, carga
  cognitiva, experiencia tecnológica y expectativas de respuesta antes que
  “diseño para Gen Z”.

• Marketing/consumo: tratar la cohorte como una posible señal
  residual, no como personalidad colectiva; exigir lift incremental y
  estabilidad antes de convertirla en segmento operacional.

7. Límites

La evidencia combina una simulación con verdad generadora conocida y
una validación validación con microdatos reales sobre CPS/ASEC real. La simulación permite
demostrar falsa atribución bajo mala especificación; los microdatos
reales permiten evaluar reproducibilidad predictiva, pero no resuelven
el problema causal APC. La identidad edad = período − cohorte impide
identificar una descomposición causal única sin supuestos adicionales.
Los resultados CPS corresponden a Estados Unidos y al período 1962–2021;
no deben trasladarse automáticamente a Colombia, a otros países ni a
outcomes distintos. La muestra primaria mantiene continuidad
metodológica con el benchmark, y dos fits M1 de la sensibilidad S3 de
matrimonio no superaron la adjudicación técnica estricta, por lo que se
reportan como no evaluables. El resultado de bloques temporales muestra
además que la transportabilidad histórica es incompleta.

Una extensión futura en Colombia puede evaluar transportabilidad
contextual con instrumentos y universos comparables, pero no es
bloqueante para este artículo CPS. También serán útiles diseños que
midan exposiciones históricas más próximas al mecanismo —instituciones,
tecnología, mercado laboral, normas familiares o territorio— en lugar de
depender de la cohorte como proxy. Esas extensiones deben registrarse
como estudios posteriores y no incorporarse post hoc para modificar los
criterios ya cerrados de C01.

8. Conclusión

Una diferencia entre generaciones no es, por sí sola, una explicación
generacional. En este experimento preregistrado, etiquetas amplias
produjeron una mejora predictiva superior al umbral en 11 de 11
definiciones cuando el modelo base estaba incompleto, aun cuando el
efecto real de cohorte era exactamente cero. La misma etiqueta dejó de
aportar valor cuando edad, período y contexto fueron mejor
representados. Cuando sí se introdujo una señal cohortal real, el
procedimiento la detectó y una representación más estrecha del año de
nacimiento recuperó más información que las etiquetas amplias.

La robustez sintética separó mala especificación de señal cohortal
real; la validación validación con microdatos reales mostró después que el criterio también
discrimina entre outcomes humanos. Matrimonio conservó información
predictiva incremental de cohorte bajo el protocolo congelado, aunque
con heterogeneidad temporal, mientras movilidad no alcanzó estabilidad
reproducible. La implicación metodológica es falsable y operativa: la
cohorte debe ganarse el derecho a entrar en una explicación o decisión
demostrando valor incremental, robustez frente a fronteras, resolución y
períodos, y utilidad sobre variables más próximas al mecanismo. Este
criterio no elimina el estudio de las generaciones; lo vuelve menos
estereotípico y más útil para comprender cómo los mundos históricos
dejan huellas sin convertir esas huellas en destinos individuales.

9. Reproducibilidad y
evidencia

La ejecución produjo dataset sintético comprimido, script ejecutable,
tablas, figuras, frozen_spec, RESULTS_SUMMARY, manifest de versiones y
checksums SHA-256. Una corrección pos-ejecución exclusivamente de
serialización fijó mtime=0 en gzip para garantizar hash binario estable;
otra corrección cambió la etiqueta textual “null” por “null_effect” para
evitar que lectores CSV la interpretaran como valor faltante. Ninguna
corrección modificó DGP, split, modelos, métricas, umbrales ni
resultados. Una re-ejecución completa posterior produjo hashes estables
para dataset, tablas y figuras.

Entorno registrado: Python 3.13.5, NumPy 2.3.5, pandas 2.2.3,
scikit-learn 1.8.0 y Matplotlib 3.10.8. El paquete de evidencia simulación reproducible se
preserva bajo la carpeta canónica del programa RSH0022. RB01 se registró
en el documento 1NLiZiqxDQXhVfEUUjIK9TaHqwjO9MOfP8wwympHm_Jk y se
ejecutó con script preservado por separado. El ZIP de evidencia
actualizado incorpora resultados CV, bootstrap, sensibilidad del spline,
manifest y checksums de la extensión.

La capa validación con microdatos reales preserva, además, el extracto raw mediante SHA-256, la
muestra primaria mediante hash de claves, runners exactos, métricas por
fold, bootstrap, matrices de frontera, comparación BROAD/BIRTH5,
diagnósticos de convergencia y sensibilidades S1/S2/S3/S6/temporal en
artefactos no divulgativos. Los microdatos a nivel persona no forman
parte del paquete publicable. El paquete consolidado CP15–CP17 contiene
únicamente tablas agregadas, mapa claim/evidence y el veredicto final
validación con microdatos reales.

10. Estado de validación y reproducibilidad

La validación con microdatos reales y la extensión predictiva están cerradas bajo el protocolo registrado. El manuscrito integra la simulación falsacionista, la reproducción del benchmark, la extensión fuera de muestra, las sensibilidades de fronteras, representación y transporte temporal, con límites explícitos entre predicción y causalidad.

Referencias

Fosse, E., & Winship, C. (2019). Analyzing age-period-cohort
data: A review and critique. Annual Review of Sociology, 45, 467–492.
https://doi.org/10.1146/annurev-soc-073018-022616

Lau, A., & Kennedy, C. (2023, May 22). Assessing the effects of
generation using age-period-cohort analysis. Pew Research Center.
https://www.pewresearch.org/decoded/2023/05/22/assessing-the-effects-of-generation-using-age-period-cohort-analysis/

National Academies of Sciences, Engineering, and Medicine. (2020).
Are generational categories meaningful distinctions for workforce
management? The National Academies Press.
https://doi.org/10.17226/25796

Ravid, D. M., Costanza, D. P., & Romero, M. R. (2025).
Generational differences at work? A meta-analysis and qualitative
investigation. Journal of Organizational Behavior, 46(1), 43–65.
https://doi.org/10.1002/job.2827

Rohrer, J. M. (2025). Thinking clearly about age, period, and cohort
effects. Advances in Methods and Practices in Psychological Science,
8(2), 1–20. https://doi.org/10.1177/25152459251342750

Schröder, M. (2024). Work motivation is not generational but depends
on age and period. Journal of Business and Psychology, 39, 897–908.
https://doi.org/10.1007/s10869-023-09921-8

IPUMS CPS. (n.d.). Current Population Survey, Version 13.0 [dataset].
https://doi.org/10.18128/D030.V13.0

validación con microdatos reales / CP10–CP14 — métricas primarias, bootstrap, fronteras, BIRTH5,
sensibilidad de especificación y bloques temporales; artefactos
agregados no divulgativos.

RSH0022_C01_validación con microdatos reales_CP15_CP17_CLOSE_20260918.zip — consolidación final
validación con microdatos reales: tablas outcome/master, robustez, claim/evidence map y
veredicto.

Material suplementario

• rsh0022_c01_synthetic_dataset.csv.gz — dataset sintético
  reproducible.

• run_rsh0022_c01.py — código exacto de generación, modelado y
  visualización.

• table_1_source_provenance.csv — procedencia y función de
  fuentes.

• table_2_descriptives.csv y table_2b_generation_counts.csv —
  descriptivos y composición.

• table_3_model_comparison.csv — comparación M0/M1.

• table_4_boundary_sensitivity.csv — 33 filas de sensibilidad por
  frontera y escenario.

• table_apc_rank.csv — diagnóstico algebraico APC.

• graph_1_observed_generation_pattern_null.png y
  graph_2_incremental_value_boundary_sensitivity.png — gráficos de
  resultados.

• image_conceptual_incremental_cohort_value.png — imagen
  explicativa.

• execution_manifest.json, frozen_spec.json, RESULTS_SUMMARY.json,
  SHA256SUMS.txt — trazabilidad, versiones y checksums.

• RB01/rb01_a_5fold_cv.csv y rb01_a_5fold_cv_summary.csv —
  validación cruzada registrada post-primary.

• RB01/rb01_b_paired_bootstrap_summary.csv y
  rb01_b_paired_bootstrap_values.csv.gz — incertidumbre bootstrap pareada
  (B=2.000).

• RB01/rb01_c_spline_sensitivity.csv — sensibilidad del spline de
  edad (6–12 knots).

• run_rsh0022_c01_rb01.py y RB01/RB01_execution_manifest.json —
  código y manifest de robustez secundaria.

{“@context”:”https://schema.org”,”@type”:”ScholarlyArticle”,”@id”:”https://www.nanohexalia.com/press/2026/09/cuando-una-diferencia-es-realmente-generacional/#article”,”headline”:”¿Cuándo una diferencia es realmente generacional?”,”alternativeHeadline”:”Un marco falsacionista para estimar el valor incremental de cohorte”,”description”:”Un marco falsacionista prueba cuándo la cohorte añade valor predictivo: señal robusta en matrimonio, inestable en movilidad, con CPS/ASEC 1962–2021.”,”url”:”https://www.nanohexalia.com/press/2026/09/cuando-una-diferencia-es-realmente-generacional/”,”inLanguage”:”es-CO”,”isPartOf”:{“@type”:”WebSite”,”@id”:”https://www.nanohexalia.com/#website”,”name”:”nanoHexalia”,”url”:”https://www.nanohexalia.com/”},”publisher”:{“@type”:”Organization”,”@id”:”https://www.nanohexalia.com/#organization”,”name”:”nanoHexalia”},”author”:{“@type”:”Person”,”name”:”nanoHexalia”,”identifier”:”https://orcid.org/0000-0003-2666-203X”,”sameAs”:”https://orcid.org/0000-0003-2666-203X”,”affiliation”:{“@type”:”Organization”,”name”:”nanoHexalia Research”}},”datePublished”:”2026-09-18T23:21:51+00:00″,”dateModified”:”2026-09-18T23:21:51+00:00″,”image”:”https://www.nanohexalia.com/wp-content/uploads/2026/09/grafico-3-sensibilidad-fronteras-cps-asec.png”,”keywords”:[“edad-período-cohorte”,”generaciones”,”cohortes”,”falsación”,”IPUMS CPS”,”predicción fuera de muestra”,”movilidad residencial”,”matrimonio”,”reproducibilidad”],”about”:[“age-period-cohort analysis”,”cohort effects”,”generational labels”,”predictive validation”,”IPUMS CPS”],”mainEntityOfPage”:{“@id”:”https://www.nanohexalia.com/press/2026/09/cuando-una-diferencia-es-realmente-generacional/#webpage”}}