Escribe tu primer paper de economía

Uno de los errores más comunes que cometemos cuando queremos aprender a usar datos es comprar un curso más.

Pensamos que ese curso si nos va a dar las herramientas para hacer nuestro proyecto de investigación. Pero la realidad es que no nos vamos a dar el tiempo para consultarlo y lo vamos a dejar abandonado en algún punto cuando nos demos cuenta de que no era exactemente lo que necesitamos. Porque lo que necesitamos realmente es ponernos a trabajar con nuestro proyecto y cometer errores exactos.

Y lo digo yo, que tengo en mi página ya varios cursos publicados.

Y aunque agradezco mucho a quienes se suscriben a marionomics pro a través de la página de cursos, no quiero que lo hagan porque quieren ver un curso. Porque yo se que eso no los va a llevar a su objetivo: escribir y publicar.

Por qué seguimos comprando cursos que no necesitamos

Te lo voy a decir sin rodeos: cuando compramos un curso, estamos procrastinando.

Estamos delegando la responsabilidad a alguien más por lo que no queremos hacer. Preferimos tirar nuestro dinero a la basura y perder tiempo en un curso que no nos resuelve el problema antes que ponernos a trabajar.

¿Por qué? Porque así le podemos echar la culpa a los cursos que no sirvieron y al instructor que nos sabe explicar.

Pero tú y yo sabemos que esa base de datos en panel no se va a resolver por si sola.

4 pasos para resolverlo

En resumen, tienes que ponerte a trabajar.

En realidad ya sabes lo que tienes que hacer. No hay forma en que termines la tesis si no le dedicas un tiempo y te pones a trabajar.

1. Destina tus horas sagradas para trabajar. Le tienes que dedicar al menos una hora todos los días a actividades que te hagan avanzar en tus proyectos. Y tienes que ser muy claro poniendo límites en el resto de tus actividades. Esa hora es sagrada.
2. Escribe al menos el doble de lo que lees. Esta es una de las opiniones en las que seguro habrá más objeciones. Muchos piensan que tienes que leer más de lo que escribes. Pero lo dicen porque en realidad hay que incluir tiempo para leer entre las horas sagradas. Lee el doble de lo que hoy estás leyendo y escribe el doble de lo que lees.
3. Ensúciate las manos con código. Mucho del trabajo de datos requiere de tener tiempo para hacer prueba y error. Si no te equivocas, no vas a desarrollar la intuición.
4. Apóyate de tutoriales y guías. Lo que te acabo de decir no implica que tengas que hacer todo solo. Lo mejor es que vayas siguiendo tutoriales y que estés siempre con una guía que te respalde.

Un newsletter es un libro vivo

Yo aprendí mucho de tutoriales en YouTube y de libros.

El aprendizaje más grande fue de seguir tutoriales escritos. Siempre me resultaron más valiosos porque tenía que ir siguiendo paso a paso y cometiendo mis propios errores. Siempre fue más valor por el tiempo que le dediqué.

Lo único que le hacía falta era poder hablar con los tutoriales y los libros.

Me habría gustado poderle preguntar al autor sobre casos específicos o hacerle modificaciones en los ejemplos. Los libros ya se sienten muy fijos, pero si le puedes hacer preguntas al autor y que te conteste, se resuelven muchos problemas.

Este newsletter es una especie de libro vivo al que le puedes hacer preguntas y que puede profundizar sobre los temas que son relevantes.

• Tal vez lo quieras ver con datos específicos.
• Tal vez quieras que se profundice en pruebas o demostraciones particulares.
• O quizás sea importante ver las cosas desde otro marco teórico.

La buena noticia es que todo eso es lo que estamos haciendo ahora con marionomics Pro.

Los suscriptores Pro tienen prioridad en los temas que vamos a tratar en adelante. La oferta es sencilla:

• 1 tutorial al mes (día 5 de cada mes). Aquí vemos toda la parte de R, Python y datos. Con ejemplos con código que puedes copiar, pegar y modificar.
• 1 deep dive al mes (día 15 de cada mes). Nos metemos a fondo en un tema particular. Mi metodología es meterme a un paper particular, si hay datos lo trato de replicar y lo critico hasta lo más profundo. Es la mejor manera de aprender de una teoría.
• 1 guía de trabajo para escribir y publicar (día 25 de cada mes). No es sólo metodología y tips para escribir. Paso mucho tiempo encontrando maneras de encontrar mi productividad y conozco bien el sistema y la forma de publicar. Nada se queda como un secreto.

Contesta este correo y cuéntame:

¿Eres un tomador de precios o un creador de precios?

Ponerle precio a lo que vendes es una de las tareas más difíciles para los emprendedores.

Muchos lo ven como un detalle que se decide al final. Pero los precios son el centro de tu negocio: definen cuánto ganas y cómo te ven tus clientes. Por eso, entender bien tu estrategia de precios es clave para ganar más sin trabajar más.

Los precios no son solo números; son mensajes para tus clientes.

Un buen precio puede ayudarte a ganar más con menos esfuerzo.

Aprender a poner precios es una habilidad que todos los emprendedores pueden desarrollar.

No intentes competir bajando precios

Cualquier tonto puede bajar los precios. No cualquiera puede hacerlo bien.

Si eres un tomador de precios, significa que no puedes decidir cuánto cobrar.

Tu producto o servicio se parece mucho al de los demás, y los clientes tienen muchas opciones. Pero ser un creador de precios significa que lo que ofreces es único y especial. Para lograr esto, tienes que resolver un problema de forma diferente y para un tipo específico de cliente.

La clave está en diferenciar lo que ofreces de los demás.

• Hazlo diferente. Encuentra un problema que puedas solucionar de manera única para un grupo específico. Así, tu producto será especial y podrás cobrar más.
• Ofrece más valor. No intentes competir bajando tus precios, compite ofreciendo más. Agrega cosas que sean difíciles de copiar, como atención personalizada o beneficios extras.
• Cómo te ven los clientes. Si tus clientes sienten que tu producto resuelve un problema importante mejor que el de los demás, estarán dispuestos a pagar más.

Los precios dicen mucho sobre tu negocio

Poner precios no solo se trata de pensar en cuánto cuesta producir algo.

El precio que pones le dice a tus clientes cómo es tu producto. Si lo ofreces demasiado barato, podrías estar dando la impresión de que es de mala calidad. Incluso, podrían pensar que es falso o que hay algo malo con él. Usar los precios para comunicar calidad y confianza es vital para cualquier negocio.

El precio correcto puede hacer que tus clientes vean tu producto de otra forma.

• Precio y calidad. Un precio alto hace que la gente crea que tu producto es de mejor calidad. Piensa en cómo cuidas unos tenis de 300 pesos comparados con unos de 3000 pesos.
• La psicología del precio. Un precio alto hace que la gente vea tu producto como algo exclusivo. Esto puede ayudarte a atraer a clientes que están dispuestos a pagar más.
• Ajuste con el cliente. Si vendes algo caro a alguien que no puede pagarlo, ambos pierden. Asegúrate de que tu precio se ajuste al presupuesto de tu cliente ideal.

Cómo usar descuentos y comparar precios

Usar descuentos puede ser bueno, pero tienes que hacerlo con cuidado.

Siempre ofrece un descuento a cambio de algo que te beneficie, como una recomendación o un comentario positivo. Además, mostrar tus precios junto a otros más altos puede hacer que tus clientes sientan que el precio es más bajo. Estas tácticas te ayudan a vender más sin afectar tus ganancias.

Aplicar estas estrategias te ayudará a vender mejor sin bajar tus precios.

• Descuentos inteligentes. No des descuentos porque sí. Pide algo a cambio, como una recomendación o un comentario positivo.
• Comparar precios. Muestra tu precio junto a otros más caros para que parezca más bajo. En el caso de servicios, recuerda a tus clientes todos los beneficios que obtienen.
• Agrega valor antes de bajar el precio. Antes de ofrecer un descuento, asegúrate de que el cliente entienda todo lo que está recibiendo. Así, el descuento parecerá una mejor oferta.

Los precios no son solo números; son una herramienta para que tu negocio crezca.

Al poner precios, decides a quién quieres venderle y cuánto quieres ganar.

Ser un creador de precios requiere pensar bien en lo que ofreces y cómo lo haces. Lo importante es hacer que tu producto sea especial, mostrar su valor y usar técnicas como descuentos de forma inteligente.

Domina la estrategia de precios y verás cómo mejora tu negocio y tu vida.

La inteligencia artificial (IA) ha llegado para quedarse, y su impacto en la economía y el trabajo es innegable.

Durante décadas, los economistas han debatido los efectos de las nuevas tecnologías en el empleo y la producción. Desde la Revolución Industrial, se ha evidenciado que cada avance tecnológico genera tanto incertidumbre como oportunidades: la tecnología puede reemplazar trabajos existentes, pero también puede crear nuevos. La IA, al igual que sus predecesoras, está en el centro de esta dinámica, y sus efectos se perciben a lo largo de todos los sectores económicos.

Pero, ¿por qué es importante entender esto ahora?

El doble filo de la IA: creación y desplazamiento de empleo

Una de las principales preocupaciones sobre la IA es su capacidad para desplazar empleos.

Acemoglu y Restrepo (2018) son algunas de las voces más influyentes en este debate. Según sus investigaciones, la IA tiene un doble impacto: puede eliminar trabajos rutinarios y repetitivos, pero también puede crear nuevas tareas que requieren habilidades más sofisticadas. Lo que está en juego es el equilibrio entre la destrucción de empleo y la creación de nuevos roles. A medida que las empresas adoptan la IA, los trabajadores que realizan tareas fácilmente automatizables corren el riesgo de perder su empleo, pero aquellos con habilidades técnicas avanzadas y creatividad se beneficiarán de nuevas oportunidades.

El debate no es nuevo, pero las implicaciones actuales son mayores.

Tomemos el ejemplo de la industria manufacturera, donde la automatización ha sido más rápida. Las fábricas que antes empleaban a cientos de trabajadores para ensamblar productos ahora pueden funcionar con menos personal gracias a los robots y sistemas automatizados. Sin embargo, los nuevos empleos en mantenimiento de robots, programación y supervisión de estos sistemas han surgido para complementar las tareas que solo las máquinas no pueden realizar. Esto sugiere que, si bien la IA puede eliminar ciertos trabajos, también genera nuevos roles que exigen habilidades más especializadas.

Aquí es donde entra en juego la importancia de la educación y el reentrenamiento.

Sectores más vulnerables y más resilientes

No todos los sectores de la economía se verán afectados de la misma manera por la IA.

Frey y Osborne (2017) identificaron que los empleos que involucran tareas repetitivas y predecibles, como los trabajos en logística, transporte y contabilidad, son los más vulnerables. Sin embargo, ocupaciones que requieren habilidades humanas más complejas, como la creatividad, el juicio crítico o la empatía, serán más difíciles de automatizar. Esto significa que sectores como la salud, la educación y la gestión empresarial tienen una mayor resiliencia frente a la automatización. Además, trabajos que requieren interacciones sociales complejas, como aquellos en la atención al cliente, también podrían beneficiarse de la IA, donde esta complementa las habilidades humanas en lugar de reemplazarlas.

El problema es que la mayoría de los trabajos actuales aún dependen de tareas automatizables.

Según el World Economic Forum (2020), se prevé que la automatización desplazará 85 millones de empleos para 2025, pero también creará 97 millones de nuevos roles. La mayoría de estos nuevos empleos estarán relacionados con la tecnología, el análisis de datos y la gestión de IA. Esto refuerza la necesidad de formar a los trabajadores en nuevas habilidades, tanto técnicas como blandas, para poder aprovechar las oportunidades que se presenten. La transformación digital afectará principalmente a las economías avanzadas, pero los países en desarrollo, como México, también deben prepararse para estos cambios estructurales.

¿Estamos preparados para este cambio masivo?

La paradoja de la productividad: ¿dónde están los beneficios?

A pesar de los avances en IA, los beneficios en productividad no han sido tan inmediatos como se esperaba.

Brynjolfsson, Rock y Syverson (2019) acuñaron el término paradoja de la productividad para describir este fenómeno. A pesar de las promesas de la IA para revolucionar la producción y los servicios, no hemos visto un aumento masivo en la productividad. Esto se debe, en parte, a los activos intangibles necesarios para integrar correctamente la IA en las empresas: la capacitación, los cambios en la cultura organizacional y la implementación de nuevas infraestructuras tecnológicas son costosos y requieren tiempo. En otras palabras, aunque la tecnología está lista, las empresas y los trabajadores aún no lo están.

Esto plantea la pregunta: ¿cuándo veremos el verdadero impacto de la IA?

Una de las barreras para ver un impacto inmediato en la productividad es el tiempo que lleva adoptar completamente la IA en sectores más tradicionales. Por ejemplo, la industria de servicios ha empezado a usar herramientas de IA como chatbots, pero estas tecnologías aún no han reemplazado completamente a los trabajadores humanos ni han transformado los modelos de negocio de forma masiva. Sin embargo, a medida que las empresas inviertan más en la integración de la IA, es probable que en la próxima década veamos una aceleración en los aumentos de productividad. Para que esto suceda, tanto el sector privado como los gobiernos deben invertir en capital humano y en la adopción de tecnología de manera estratégica.

La clave será cómo se gestione esta transición.

La brecha entre países desarrollados y en desarrollo

La adopción de la IA está creando una nueva brecha entre los países desarrollados y los países en desarrollo.

La McKinsey Global Institute (2023) destacó que los países desarrollados, como Estados Unidos y Japón, están liderando la implementación de IA debido a su mayor capacidad para invertir en investigación, desarrollo e infraestructura tecnológica. En contraste, los países en desarrollo, como México, enfrentan barreras más grandes, como la falta de infraestructura digital y la escasez de talento especializado. Esta diferencia en la capacidad de adopción tecnológica puede ampliar las desigualdades económicas a nivel global si no se toman medidas para cerrar la brecha digital. Sin políticas públicas que fomenten la digitalización y protejan a los trabajadores en los sectores más vulnerables, los países en desarrollo corren el riesgo de quedarse atrás en la carrera tecnológica.

El reto es global, pero las soluciones deben ser locales.

La OCDE (2019) ha señalado que los países en desarrollo necesitan adaptar sus políticas a las particularidades de sus economías. No solo se trata de adoptar tecnologías avanzadas, sino de desarrollar el talento necesario para gestionarlas y asegurar que los beneficios se distribuyan de manera equitativa. En el caso de México, esto significa implementar políticas que fortalezcan la infraestructura digital y promuevan la inclusión educativa para preparar a la próxima generación de trabajadores para el mercado laboral del futuro. La IA puede ser una herramienta poderosa para el crecimiento económico, pero solo si se gestiona de manera adecuada.

Las decisiones que se tomen hoy definirán el futuro.

El futuro del trabajo y la educación: preparar a la fuerza laboral

La educación es la piedra angular para enfrentar el desafío de la IA.

No solo debemos centrarnos en la enseñanza de habilidades técnicas, sino también en el desarrollo de habilidades interpersonales y creativas. La IA puede hacer muchas cosas, pero aún no puede replicar la capacidad humana para la empatía, la creatividad y el pensamiento crítico. Estos aspectos deben ser integrados en los programas educativos para asegurar que los futuros trabajadores puedan colaborar con la IA en lugar de competir contra ella. El World Economic Forum (2020) enfatiza que las habilidades que más demandará el mercado laboral en el futuro incluyen la resolución de problemas complejos, la inteligencia emocional y el liderazgo.

La combinación de habilidades humanas y tecnológicas será crucial.

Las universidades tienen un papel fundamental en este proceso de transformación. Los programas educativos deberán evolucionar para formar a los estudiantes en áreas donde la IA no puede sustituir la intuición y el ingenio humanos. Esto implica que los programas de Economía, por ejemplo, no solo deben enseñar sobre los impactos de la IA en la macroeconomía, sino también preparar a los estudiantes para trabajos que requerirán una combinación de habilidades analíticas y creativas. Este enfoque debe empezar cuanto antes para evitar un desajuste en el mercado laboral en los próximos años.

La formación continua y el aprendizaje a lo largo de la vida serán esenciales.

¿Estamos listos para un futuro dominado por la IA?

La IA no es solo una tecnología más, es una fuerza transformadora.

Los efectos de la IA en la economía y el trabajo son inevitables, pero no tienen por qué ser destructivos si se gestionan adecuadamente. La clave está en equilibrar las políticas públicas, la educación y las inversiones en capital humano para asegurarnos de que todos puedan beneficiarse de los avances tecnológicos. A medida que los países y las empresas adopten la IA, habrá ganadores y perdedores, pero las decisiones que tomemos hoy pueden determinar si los beneficios se distribuyen de manera equitativa o si se amplían las desigualdades. En última instancia, la IA tiene el potencial de mejorar la vida de las personas, pero solo si se gestiona con visión de futuro.

Y tú, ¿cómo te prepararás para el cambio?

Referencias

Acemoglu, D., & Restrepo, P. (2018). Artificial Intelligence, Automation, and Work (NBER Working Paper No. 24196). National Bureau of Economic Research.

Acemoglu, D., & Restrepo, P. (2021). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 35(1), 3–30.

Acemoglu, D., & Johnson, S. (2023). Power and Progress: Our Thousand-Year Struggle Over Technology and Prosperity. Hachette Book Group.

Brynjolfsson, E., Rock, D

., & Syverson, C. (2019). Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics. In A. Agrawal, J. Gans, & A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 23–57). University of Chicago Press.

Frey, C. B., & Osborne, M. A. (2017). The Future of Employment: How Susceptible Are Jobs to Computerisation? Technological Forecasting and Social Change, 114, 254–280.

World Economic Forum. (2020). The Future of Jobs Report 2020. Geneva: World Economic Forum.

McKinsey Global Institute. (2023). Generative AI and the Future of Work in America. McKinsey & Company.

¿Te imaginas tener una fórmula mágica para maximizar tus ganancias en cualquier negocio?

Pues aunque no es exactamente mágica, el método Simplex es la herramienta más cercana que tenemos para lograrlo. Este método permite encontrar el óptimo en problemas de optimización, es decir, aquellos donde queremos maximizar o minimizar algo, como ganancias o costos. La mejor parte es que, aunque la matemática detrás de él puede parecer intimidante, hoy en día una computadora puede hacer el trabajo por ti en cuestión de segundos.

Pero no se trata solo de resolver ecuaciones; se trata de entender la intuición detrás de ellas.

¿Qué es el Método Simplex y por qué deberías entenderlo?

El método Simplex es una técnica matemática que resuelve problemas de optimización lineal. En términos más simples, busca la mejor solución dentro de un conjunto de soluciones posibles, moviéndose por los vértices de un espacio geométrico hasta encontrar el punto donde las ganancias sean máximas o los costos sean mínimos. Lo asombroso de este método es que, aunque el espacio de soluciones sea gigantesco, siempre se moverá por los vértices, encontrando el óptimo de manera eficiente.

¿Por qué es importante entender esto? Porque, aunque Excel puede hacer los cálculos por ti, lo que realmente te interesa es comprender por qué se llega a esa solución óptima. El método Simplex no solo es útil para problemas académicos; se aplica en la vida real, desde planear la producción en una empresa hasta optimizar la distribución de recursos en un proyecto.

La intuición detrás del Simplex

Imaginemos que tienes una pequeña granja. Tienes 3 toneladas de semillas de papa, 4 toneladas de semillas de zanahoria y 5 toneladas de fertilizante. Sabemos que cada kilo de fertilizante produce un kilo de verdura, y cada kilo de papa genera una ganancia de $1.2, mientras que cada kilo de zanahoria genera una ganancia de $1.7.

Queremos maximizar nuestras ganancias, pero estamos limitados por los recursos disponibles. Entonces, el problema se reduce a decidir cuántas papas y cuántas zanahorias sembrar para aprovechar al máximo el fertilizante y generar la mayor ganancia posible. El método Simplex nos ayudará a encontrar la combinación óptima.

El Simplex toma en cuenta las restricciones (como la cantidad limitada de fertilizante y semillas) y los coeficientes de las ganancias para determinar el mejor uso de los recursos.

Pasos para resolver el problema con Excel

Ahora que entendemos la intuición, veamos cómo resolver este problema en Excel.

1. Define las variables: En este caso, las variables son las toneladas de papas (X) y las toneladas de zanahorias (Y) que vamos a sembrar.
2. Especifica la función objetivo: Esta es la función que queremos maximizar, es decir, las ganancias. En este caso, sería:
   $$
   \text{Maximizar } Z = 1.2X + 1.7Y
   $$
3. Establece las restricciones: Estas son las limitaciones impuestas por los recursos disponibles. Para este problema, tenemos:
   • La cantidad de fertilizante disponible: ( \(X + Y \leq 5\) )
   • La cantidad de semillas de papas: ( \(X \leq 3\) )
   • La cantidad de semillas de zanahorias: ( \(Y \leq 4\) )
4. Introduce el problema en Excel:

• Ve a la pestaña de Datos y selecciona Solver.
• Introduce la función objetivo en una celda, utilizando las celdas para las variables X y Y.
• Define las restricciones en Solver, asegurándote de que Excel sepa que estás maximizando la función objetivo.
1. Ejecuta Solver: Deja que Excel haga su magia. Después de ejecutar Solver, te mostrará la solución óptima, que será la cantidad de papas y zanahorias que debes sembrar para maximizar tus ganancias.
2. Analiza los resultados: Lo más importante aquí no es solo encontrar la solución óptima, sino entender por qué esa solución es la mejor. Observa cómo el Simplex se mueve por los vértices de las restricciones hasta encontrar el punto de máxima ganancia.

La lógica del algoritmo Simplex

Ahora que sabes cómo usar el método Simplex en Excel, podrías pensar que es suficiente con dejar que la computadora haga el trabajo pesado. Pero entender el por qué detrás del algoritmo es lo que te hará destacar. El Simplex es una herramienta extremadamente poderosa, y su verdadero valor radica en que no solo te da una respuesta, sino que te muestra cómo navegar entre las diferentes opciones posibles para maximizar tus recursos.

En la vida real, este tipo de problemas se presentan constantemente. Ya sea que trabajes en una empresa que necesita optimizar su producción, o estés gestionando tus propios recursos en un proyecto, el método Simplex te ayuda a tomar decisiones informadas y estratégicas. Saber que el óptimo se encuentra en un vértice, y que el Simplex se mueve por estos puntos, te da una ventaja sobre quienes solo confían en los números sin entender lo que hay detrás de ellos.

Aplicaciones del Método Simplex en la vida real

Para que veas la utilidad del Simplex más allá de los libros de texto, aquí hay algunos ejemplos reales:

• Optimización de recursos en empresas: Imagina que una fábrica tiene recursos limitados para producir varios productos. El método Simplex les ayuda a determinar la cantidad óptima de cada producto que deben fabricar para maximizar las ganancias.
• Distribución de recursos en proyectos: Si estás gestionando un proyecto con presupuestos y plazos ajustados, el Simplex puede ayudarte a encontrar la mejor manera de distribuir los recursos para cumplir con los objetivos.
• Logística y transporte: Las empresas de logística usan el Simplex para optimizar las rutas de transporte, minimizando costos y tiempos de entrega.

¿Qué pasa cuando no entiendes el Simplex?

La mayoría de los estudiantes de economía se enfrentan a problemas como el Simplex y se sienten abrumados por los cálculos. Afortunadamente, hoy en día tenemos herramientas que nos ahorran ese trabajo, pero eso no significa que debamos ignorar la lógica detrás. Si no entiendes el método, puedes terminar confiando ciegamente en resultados que quizás no sean los mejores para tu situación específica.

Al comprender el proceso, puedes identificar cuándo un resultado no tiene sentido y ajustarlo para obtener una mejor solución.

Al final del día, se trata de entender, no solo de calcular.

Así que la próxima vez que te enfrentes a un problema de optimización, recuerda: lo más importante es entender por qué llegaste a esa solución, no solo qué solución obtuviste.

Probablemente conoces modelos con datos en panel que mezclan geografía y tiempo.

Los datos en esos casos se ven algo así:

Son fáciles de identificar porque:

• Se repiten los países a través de todos los años.
• Los países y el tiempo son variables por sí mismas que agrupan características no-observables.
• El análisis involucra cómo cambia una variable en un país dado, año tras año.

Esta es una regresión en R de un modelo de panel usando efectos fijos:

library(plm)
# Datos de ejemplo
datos <- data.frame(
  pais = rep(c("México", "Brasil", "Argentina"), each = 10),
  año = rep(2010:2019, times = 3),
  inversion_educacion = c(runif(10, 4, 6), runif(10, 5, 7), runif(10, 3, 5)),
  rendimiento_escolar = c(runif(10, 450, 500), runif(10, 470, 520), runif(10, 430, 480))
)
# Convertir a panel
datos_panel <- pdata.frame(datos, index = c("pais", "año"))

# Modelo de efectos fijos
modelo_ef <- plm(rendimiento_escolar ~ inversion_educacion, data = datos_panel, model = "within")
summary(modelo_ef)

Más adelante explicamos todos los elementos. Por el momento nota que estamos usando una sintaxis muy similar a la que usaríamos en una regresión lineal con lm().

Aplicar este código es muy fácil. El único detalle que queda es entenderlo para saber cuándo y cómo usarlo.

Cuándo y cómo usar efectos fijos

No sólo hay datos en panel de países o regiones geográficas.

Los datos en panel se volvieron una forma muy popular para presentar los datos. El banco mundial te permite descargar bases de datos y acomodarlos directamente en un arreglo en panel, por ejemplo. Pero esa es una solución a un problema más viejo.

Se trata de agrupar características inobservables.

México y Perú son países diferentes [cita requerida]. A pesar de tener muchas similitudes, hay muchas características que los distinguen y que no se pueden medir tan fácilmente. Su cultura, sus leyes y su disputa por el primer lugar en quién tiene la mejor comida del planeta son sólo algunas características que los distinguen.

Son características que no siempre se pueden medir en números, pero sabemos que nos distinguen.

Lo interesante es que estas distinciones no sólo se pueden observar en países. También podríamos hacer una base de datos en panel con observaciones en el tiempo por empresa, por cliente o por individuo. Aquí estamos conjuntando todas las características que no observamos en una sola.

Por eso el estándar es llamarle individuo a cada una de estas variables características.

4 errores que cometen los econometristas novatos al usar modelos de efectos fijos

Con mucha pena te voy a contar que he cometido todos estos errores.

Y si me permites decirte, no importa que quien te lo señale sea un árbitro anónimo. Me puse rojo de vergüenza cuando me lo hicieron notar y me di cuenta.

No los vayas a cometer:

1. Ignorar las variables invariantes en el tiempo. En ocasiones hay variables importantes para nuestro modelo, pero los datos disponibles no tienen mediciones en el tiempo. Si usamos un modelo de efectos fijos, todas esas variables que no varían en el tiempo se pierden cuando se hace la transformación within.
2. Especificación incorrecta del modelo sin una razón teórica. Hay un modelo muy famoso para determinar si debemos usar modelo de efectos fijos o efectos aleatorios: la prueba de Hausman. Sin embargo, por si misma esta prueba no determina el tipo de modelo que se debe usar sin una justificación teórica.
3. Sobreajuste con demasiados efectos fijos. Cuando te das cuenta de que incluir efectos fijos ayuda al ajuste del modelo, es fácil sentirnos tentados a incluir más, sin tener una justificación apropiada de los mismos.
4. No considerar relaciones dinámicas. Hay algunas variables que por su naturaleza actúan con diferencias en el tiempo. Son los indicadores adelantados o rezagados. Aplicar efectos fijos en variables que tienen este tipo de relación dinámica en el tiempo es un error porque los efectos fijos son estáticos por naturaleza.

Guía paso a paso para usar modelos de efectos fijos

Vamos a trabajar con un conjunto de datos en panel para entender cómo aplicar un modelo de efectos fijos.

Descarga la siguiente base de datos y ejecuta el código que te daré a continuación.

Imagina que estamos interesados en analizar cómo diferentes características laborales y personales impactan los salarios de los individuos a lo largo del tiempo. En este caso, nuestro conjunto de datos incluye variables como experiencia (exp), semanas trabajadas (wks), educación (ed), y otras más. Lo interesante es que estos datos están organizados de manera que seguimos a los mismos individuos durante varios periodos, lo que nos permite controlar por características inobservables que no cambian con el tiempo.

Aquí está cómo lo hacemos:

1. Preparar los datos

Primero, es necesario cargar y preparar los datos en un formato de panel:

library(plm)
# Cargar los datos
datos <- read.csv("ruta_a_tu_archivo/panel_wage.csv")

# Convertir los datos a un formato de panel
datos_panel <- pdata.frame(datos, index = c("id", "t"))

Observa que el índice se compone de dos partes: el identificador del individuo (id) y el tiempo (t).

2. Definir el modelo de efectos fijos

El siguiente paso es definir y estimar el modelo de efectos fijos:

# Modelo de efectos fijos
modelo_ef <- plm(wage ~ exp + wks + ed + union, data = datos_panel, model = "within")
summary(modelo_ef)

Aquí estamos modelando el salario (wage) en función de la experiencia, las semanas trabajadas, la educación, y si el individuo pertenece a un sindicato. El argumento model = "within" especifica que queremos un modelo de efectos fijos, que se enfoca en la variación dentro de cada individuo a lo largo del tiempo. Esto nos permite controlar por cualquier característica inobservable que no cambie con el tiempo, como la motivación intrínseca o habilidades innatas.

3. Interpretar los resultados

Ahora que tenemos los resultados del modelo de efectos fijos, vamos a interpretarlos en detalle.

El modelo que estimamos se denomina Oneway (individual) effect Within Model, lo que significa que estamos controlando por efectos fijos a nivel individual, es decir, estamos eliminando cualquier característica invariable en el tiempo para cada individuo. El resumen del modelo nos dice que tenemos un panel balanceado con 595 individuos, observados a lo largo de 7 periodos, lo que resulta en un total de 4165 observaciones. Veamos algunos resultados clave:

• exp (experiencia): El coeficiente es 0.0969, con un valor p altamente significativo (p < 2e-16), lo que indica que un año adicional de experiencia está asociado con un aumento del 9.69% en el salario (medido en logaritmos), manteniendo constantes las demás variables.
• wks (semanas trabajadas): El coeficiente es 0.0011, con un valor p de 0.06748, lo que sugiere un efecto positivo pero marginalmente significativo de las semanas trabajadas sobre el salario.
• union (pertenencia a un sindicato): El coeficiente es 0.0310, con un valor p de 0.03788, indicando que la pertenencia a un sindicato está asociada con un aumento del 3.1% en el salario.

La R-cuadrado ajustada de 0.59287 indica que aproximadamente el 59.3% de la variación en los salarios logaritmizados se explica por las variables incluidas en el modelo, después de ajustar por efectos fijos individuales.

4. Validar el modelo

Ahora que hemos estimado nuestro modelo de efectos fijos, es crucial validar su adecuación en comparación con un modelo de efectos aleatorios.

Para hacer esto, utilizamos la prueba de Hausman, que nos ayuda a determinar si las diferencias entre los coeficientes de los dos modelos son sistemáticas.

# Estimamos el modelo de efectos aleatorios
modelo_ea <- plm(lwage ~ exp + wks + ed + union, data = datos_panel, model = "random")

# Ahora realizamos la prueba de Hausman
phtest(modelo_ef, modelo_ea)

Los resultados de la prueba de Hausman para nuestro modelo son los siguientes:

• Chi-cuadrado (chisq): 8018.2
• Grados de libertad (df): 3
• Valor p: < 2.2e-16

Un valor p extremadamente bajo (menor a 2.2e-16) nos lleva a rechazar la hipótesis nula de que ambos modelos (fijos y aleatorios) son consistentes. Esto significa que el modelo de efectos aleatorios es inconsistente, y por lo tanto, el modelo de efectos fijos es el más adecuado para nuestros datos. En otras palabras, las características inobservables que son constantes en el tiempo están correlacionadas con nuestras variables explicativas, haciendo necesario el uso de efectos fijos para obtener estimaciones no sesgadas.

Con esta validación, podemos estar más seguros de que nuestro modelo de efectos fijos es el enfoque correcto para analizar los datos.

Preguntas Frecuentes

• ¿Qué pasa si mis datos no están balanceados, es decir, si algunos individuos tienen menos observaciones que otros?Esto no es un problema para el modelo de efectos fijos, ya que puede manejar paneles no balanceados. Sin embargo, debes ser consciente de que la falta de datos para ciertos individuos podría afectar la precisión de tus estimaciones.
• ¿Cómo interpreto los coeficientes si mis variables independientes también están en logaritmos?Si tanto la variable dependiente como la independiente están en logaritmos, los coeficientes se interpretan como elasticidades. Por ejemplo, un coeficiente de 0.1 implicaría que un aumento del 1% en la variable independiente está asociado con un aumento del 0.1% en la variable dependiente.
• ¿Qué hago si mi variable dependiente tiene una distribución no normal o presenta sesgo?Si la distribución de la variable dependiente no es normal, podrías considerar una transformación, como el logaritmo, para normalizarla. Si el sesgo persiste, podrías necesitar métodos más avanzados, como la regresión robusta o técnicas de mínimos cuadrados ponderados.
• ¿Puedo usar efectos fijos si tengo datos categóricos como variables independientes?Sí, puedes incluir variables categóricas como independientes. Sin embargo, ten cuidado con las variables que no varían con el tiempo dentro de cada individuo, ya que su efecto será absorbido por los efectos fijos y no podrán ser estimadas.
• ¿Cómo puedo saber si he especificado bien mi modelo?La especificación del modelo puede verificarse mediante pruebas de diagnóstico y validación, como la prueba de Hausman para decidir entre efectos fijos y aleatorios, y análisis de residuos para detectar problemas de especificación. Además, siempre es recomendable basar la especificación en una teoría sólida y en pruebas preliminares.

Los coches son una parte esencial de la vida moderna.

Sin embargo, pocos consideran el costo social oculto que estos vehículos generan en nuestras ciudades. No solo hablamos del evidente costo por contaminación, que afecta nuestra salud y contribuye al cambio climático, sino también del espacio que ocupan. Cada coche estacionado en la calle, cada avenida dedicada exclusivamente al tráfico vehicular, es un espacio que podría destinarse a vivienda, a caminos peatonales, o a carriles exclusivos para transporte público. El espacio que destinamos a los coches limita nuestras opciones de movilidad y reduce la calidad de vida en nuestras ciudades.

¿Estamos pagando lo suficiente por poseer un auto?

Nadie disfruta pagar impuestos, pero frente a la crisis de vivienda y los problemas de movilidad actuales, surge la pregunta: ¿Deberíamos estar pagando más por el lujo de poseer un automóvil? La realidad es que los impuestos que pagamos no reflejan el verdadero costo social y ambiental de los coches. Al no internalizar estos costos, perpetuamos un sistema que prioriza el automóvil sobre alternativas más sostenibles y equitativas. Es un problema que afecta tanto a nuestras ciudades como a nuestra salud mental, ya que el tráfico y la contaminación también tienen efectos negativos en nuestro bienestar emocional.

La resistencia al cambio es comprensible.

Uno de los argumentos más fuertes en contra de una política que favorezca la vida centrada en el peatón es el impacto en los empleos. La fabricación y mantenimiento de automóviles es una industria colosal que sostiene a miles de familias. La transición hacia un modelo de movilidad menos dependiente del automóvil no es sencilla, precisamente porque muchas vidas dependen de esta industria. Por eso, cuando pensamos en reducir nuestra huella de carbono, nos enfocamos en autos eléctricos en lugar de rediseñar nuestras ciudades para favorecer otras formas de movilidad.

Es como querer dejar de fumar pero solo cambiar de marca de cigarrillos.

A pesar de todo, el cambio es posible.

Lo complejo que es este cambio no debería detenernos.

De hecho, es precisamente por lo difícil que será hacer la transición que debemos comenzar desde hoy a imaginar un mundo con más opciones de movilidad. Un mundo donde caminar, andar en bicicleta, o usar transporte público sea tan o más conveniente que usar un coche. No le tengamos miedo al cambio: es un paso necesario para construir ciudades más saludables y sostenibles para todos.

El futuro de nuestras ciudades depende de las decisiones que tomemos hoy.

Y cada pequeño paso que demos nos acercará a un mañana con menos coches y más espacios para todos.