La crisis mundial llevó a algunos a preguntarse: «¿de qué sirve la economía?», en referencia a la economía que la mayoría de los economistas había estudiado en la universidad. Nosotros añadiríamos: «¿de qué sirve la econometría… tal como se enseña, al menos?». La mayoría de los estudiantes universitarios que se especializan en economía cursan econometría. Este curso debería ser una de las experiencias más útiles que puede tener un estudiante. Durante décadas, los estudiantes de economía han encontrado empleo en sectores que hacen un uso intensivo de las competencias cuantitativas. A medida que los conjuntos de datos se han vuelto más grandes y complejos, la demanda de recién graduados con competencias de análisis de datos se ha acelerado rápidamente. Los cursos de econometría prometen dotar a nuestros estudiantes de las poderosas herramientas que usan los economistas para comprender las relaciones económicas ocultas en los datos. Por tanto, es notable y lamentable que las clases de econometría sigan transmitiendo un cuerpo abstracto de conocimientos en gran medida irrelevante para el análisis de políticas económicas, los problemas empresariales e incluso buena parte de la investigación econométrica que realizan los académicos.
Tras una breve exposición del ajuste de curvas, la primera edición del libro de Pindyck y Rubinfeld (1976) comenzaba con subsecciones tituladas «El modelo», «Propiedades estadísticas de los estimadores» y «Estimación lineal insesgada óptima». La segunda edición de Johnston (1972) también empezaba con modelos, supuestos y estimadores. Johnston describe los modelos de regresión multivariante como «ajustar el plano de regresión», una extensión técnica del modelo de dos variables que ajusta una recta. El canon de la econometría de grado ha evolucionado poco en las décadas transcurridas desde entonces. Becker y Greene (2001) hicieron un estudio de los textos y la enseñanza de econometría en el cambio de milenio y sostuvieron que «la econometría y la estadística suelen enseñarse como ramas de las matemáticas, incluso en las escuelas de negocios… el foco de los libros de texto y los materiales docentes está en presentar y explicar la teoría y los detalles técnicos, mientras que las aplicaciones reciben una atención secundaria y a menudo se inventan para adaptarse al procedimiento en cuestión… rara vez se basan las aplicaciones en hechos reseñados en periódicos financieros, revistas empresariales o revistas académicas de economía».
La desconexión entre la enseñanza y la práctica de la econometría
Fieles al índice de los textos tradicionales, los libros líderes del mercado actual siguen dando prioridad a los modelos y los supuestos a expensas de las aplicaciones empíricas. Las preguntas económicas fundamentales apenas se mencionan, si es que se mencionan, y los ejemplos empíricos siguen siendo en su mayoría artificiosos, como en Studenmund (2011), que presenta la regresión empírica con un análisis imaginario de la relación entre la estatura y el peso. La primera aplicación empírica de Hill, Griffiths y Lim (2011: 49) explora la correlación entre el gasto en alimentos y los ingresos. Esta relación potencialmente interesante se presenta sin indicar para qué ni por qué. En cambio, la exposición hace hincapié en que «suponemos que los datos… satisfacen los supuestos SR1-SR5». Un punto luminoso aislado es Stock y Watson (2011), que comienza con un capítulo sobre «Preguntas económicas y datos» y presenta la regresión con un análisis del efecto causal del tamaño de la clase en el rendimiento estudiantil. Por desgracia, Stock y Watson también vuelven repetidamente a una abstracción más tradicional basada en modelos.
La desconexión entre la enseñanza de la econometría y su práctica va más allá de cuestiones de tono e ilustración. La brecha más preocupante es conceptual. El auge de las cinco herramientas econométricas fundamentales —experimentos, métodos de emparejamiento y regresión, variables instrumentales, diferencias en diferencias y diseños de discontinuidad en la regresión— marca un cambio de paradigma en la economía empírica. En el pasado, la investigación empírica se centraba en estimar modelos, presentados como pruebas de teorías económicas o simplemente porque se pensaba que la econometría consistía en modelizar. La investigación aplicada contemporánea plantea preguntas concretas sobre las fuerzas económicas y las políticas económicas.
En consonancia con el énfasis actual en efectos causales específicos, nuestro propio libro, «Mastering ’Metrics» (Angrist y Pischke, 2015), presenta la regresión como una estrategia para responder a la pregunta de si vale la pena gastar más de $50,000 al año en la matrícula de una universidad privada, como hacen muchos estudiantes estadounidenses. Por supuesto, es probable que los estudiantes que asisten a centros privados relativamente selectivos tengan mayores ingresos por muchas razones; este es el sesgo de selección que afecta a la mayoría de las comparaciones ingenuas. La regresión es una estrategia de control que reduce este sesgo. Su valor depende exclusivamente de la idea fundamental de que las comparaciones controladas tienen más probabilidades que las no controladas de permitir una interpretación causal. En la práctica econométrica contemporánea, las herramientas más utilizadas están diseñadas para captar relaciones causales específicas, como el efecto de asistir a una escuela privada sobre los ingresos. Estas preguntas son fáciles de entender y sus respuestas tienen consecuencias reales para personas reales, incluidos, en muchos casos, nuestros estudiantes.
Pragmatismo
El énfasis sin complejos en las relaciones causales, característico de la econometría aplicada moderna, surgió gradualmente en la década de 1980 y desde entonces se ha acelerado.1 Las aplicaciones econométricas actuales recurren ampliamente a diseños de investigación cuasiexperimentales y ensayos aleatorizados del tipo que antes solo se veía en la investigación médica. De hecho, la idea de un experimento aleatorizado se ha convertido en un concepto unificador fundamental para la mayoría de la investigación econométrica aplicada. Incluso cuando la asignación aleatoria no es práctica, la idea del experimento que nos gustaría realizar guía nuestra elección de preguntas empíricas y disciplina el uso de herramientas y datos no experimentales.
El camino para comprender las herramientas econométricas comienza con preguntas causales motivadas por el razonamiento económico. Luego, estas preguntas se responden con datos y un análisis empírico enfocado y cuidadosamente ejecutado. ¿Cuál es el efecto del seguro médico en la salud? ¿Detener a los agresores reduce la violencia conyugal? ¿Influyen los pares en el rendimiento estudiantil? ¿La liquidez del banco central salva a los bancos durante una crisis bancaria? Cada uno de nuestros capítulos metodológicos comienza con preguntas como estas, planteadas en términos generales, pero respondidas de forma específica. Explicamos por qué son difíciles y por qué las estrategias empíricas sencillas para abordarlas pueden inducir a error. Nuestros métodos y herramientas econométricos son los que más se utilizan en la investigación económica aplicada moderna.
Nuestro enfoque en cinco herramientas econométricas fundamentales es una consecuencia natural de la práctica econométrica contemporánea, que debe poco a las formalidades del modelo clásico de regresión lineal, los arcanos supuestos estadísticos de mínimos cuadrados generalizados o el elaborado marco de ecuaciones simultáneas que ocupan tantos textos. Empezamos con los ensayos aleatorizados, que establecen nuestro estándar de validez de la investigación, y luego pasamos a un análisis detallado pero sin modelos de la regresión, la herramienta que más probablemente utilizarán los profesionales. Nuestra aplicación de la regresión —estimar los efectos de asistir a una universidad privada en los ingresos posteriores— demuestra el poder de la regresión para transformar la noche en día cuando se trata de conclusiones causales.
Aunque la regresión con variables instrumentales se inventó como solución al problema de estimar curvas de oferta y demanda, nuestro enfoque de las variables instrumentales corresponde a la forma en que más se utiliza hoy la regresión con variables instrumentales: como solución al problema del sesgo de selección. En cambio, Hill, Griffiths y Lim (2011) presentan la regresión con variables instrumentales en un capítulo de título intimidante: «Regresores aleatorios y estimación basada en momentos». Después del capítulo sobre regresión con variables instrumentales, estructurado en torno a tres usos interesantes de esta técnica para captar efectos causales, abordamos los diseños de discontinuidad en la regresión y los métodos de diferencias en diferencias. Una búsqueda en Econlit revela cientos de artículos publicados desde 1990 que utilizan ambos métodos. Sin embargo, Studenmund (2011) y Gujarati y Porter (2010) no les prestan atención, mientras que Hill, Griffiths y Lim (2011) y Wooldridge (2012) solo tratan brevemente las diferencias en diferencias.
No solo para modelos lineales
Además de ofrecer contenidos más actualizados, nuestro libro renueva el canon de la econometría al abandonar el literalismo infantil del enfoque tradicional de la enseñanza econométrica. En este espíritu, rechazamos la idea de que la regresión esté ligada a un modelo literalmente lineal. La regresión describe diferencias en promedios, tanto si estos se ajustan a una ecuación lineal como si no. Se trata de una propiedad universal —que se cumple de forma fiable— y no intimidamos a los lectores con descripciones de los castigos que se impondrían si no se cumplieran los supuestos clásicos. Nuestra exposición de la regresión comienza invitando a los lectores a preguntarse, primero, cuál es el efecto causal que se quiere estimar y, segundo, «¿cuál es la regresión que se quiere?». En otras palabras, ¿qué les gustaría mantener constante al intentar aislar un efecto causal promedio mediante una regresión? El sesgo por variables omitidas es la diferencia entre esta regresión ideal y la regresión que tienen a mano. En la misma línea, presentamos las variables instrumentales como método para resolver problemas de cumplimiento en un experimento natural aleatorizado. Esto conduce fácilmente a un análisis de mínimos cuadrados en dos etapas como método potente que aprovecha variaciones en los instrumentos procedentes de una amplia variedad de fuentes. Concluimos con una síntesis de investigaciones guiada por preguntas sobre el rendimiento económico de la educación, que muestra cómo distintos métodos revelan aspectos importantes de una única relación causal subyacente.
En nuestra experiencia, la mayoría de los docentes de econometría disfrutan trabajando con datos y esperan y confían en que sus estudiantes también lo hagan. Sin embargo, una triste consecuencia del canon econométrico heredado es su monotonía. Este es un problema real porque la econometría aplicada moderna es interesante, pertinente y, sí, ¡divertida! Los docentes que disfrutan tanto enseñando econometría como utilizándola en sus investigaciones pueden esperar transmitir ese entusiasmo a sus estudiantes. Esperamos compartir ese entusiasmo por los datos y sembrar las semillas de un análisis de datos útil en la próxima generación de académicos, responsables de formular políticas y ciudadanos con conocimientos de economía. La popularidad de la franquicia Freakonomics demuestra la promesa de nuestro enfoque, que también cobra vida en el nuevo libro de introducción a los principios de la economía de Acemoglu, Laibson y List (2015). Su enfoque de la economía antepone las preguntas y las pruebas a los modelos abstractos. Nos alegra unirnos a estos colegas en el esfuerzo por pulir y renovar el anticuado canon docente de nuestra profesión.
Referencias
Acemoglu, D, DI Laibson y JA List (2015), Economics, Pearson.
Angrist, JD y J-S Pischke (2015), Mastering Metrics: The Path from Cause to Effect, Princeton University Press.
Becker, WE y WH Greene (2001), «Enseñanza de estadística y econometría a estudiantes universitarios», Journal of Economic Perspectives, 169-182.
Gujarati, DN y DC Porter (2010), Essentials of Econometrics, McGraw-Hill.
Hamermesh, DS (2013), «Seis décadas de publicaciones económicas de primer nivel: ¿quién y cómo?», Journal of Economic Literature, 162-172.
Hill, RC, WE Griffiths y GC Lim (2011), Principles of Econometrics, Wiley.
Johnston, J (1972), Econometric Methods, McGraw-Hill.
Pindyck, RS y DL Rubinfeld (1976), Econometric Models and Economic Forecasts, McGraw-Hill.
Stock, JH y MW Watson (2011), Introduction to Econometrics, Addison-Wesley.
Studenmund, A H (2011), Using Econometrics: A Practical Guide, Addison-Wesley.
Wooldridge, JM (2012), Introductory Econometrics: A Modern Approach, South-Western Cengage Learning.
Notas finales
1 Véase, por ejemplo, la tabla 4 de Hamermesh (2013), que destaca el creciente análisis de datos generados por los usuarios, muchos de ellos procedentes de experimentos y diseños de investigación cuasiexperimentales.
Este artículo se publica en colaboración con VoxEU. La publicación no implica que el Foro Económico Mundial respalde las opiniones expresadas.
Para mantenerse al día con la Agenda, suscríbase a nuestro boletín semanal.
Autores: Josh Angrist es Ford Professor of Economics y codirector de la School Effectiveness and Inequality Initiative del MIT. Jörn-Steffen Pischke es Professor of Economics en la London School of Economics y Senior Research Associate en el Centre for Economic Performance.
Imagen: Un estudiante trabaja con una computadora en una biblioteca del Management Development Institute (MDI) en Gurgaon, a las afueras de Nueva Delhi, el 2 de mayo de 2012. REUTERS/Adnan Abidi.
