Escribe tu primer paper de economía

Hoy hablaremos sobre la IA y el balance que hay entre todos los beneficios que trae y el riesgo muy real de que acabe eliminando a la humanidad como en Terminator.

En este deep dive, discutiremos un paper que usa un modelo matemático para discutir la forma en la que debemos evaluar el problema.

Es una maña de la economía poner nuestras discusiones en modelos de este tipo. Pero hacer este tipo de planteamientos tiene ventajas. La más importante es que todos los argumentos siguen una lógica matemática. Se supone que si alguien se encuentra con una función de utilidad como la que viene en el paper:

$$ U = N \int_0^\infty e^{-\rho t} u(c) dt = \frac{1}{\rho} N u(c) $$

debe ser capaz de entender la lógica que hay detrás de descontar la utilidad en el tiempo usando $e^{-\rho t}$, aunque no haya leído todo el bagaje de literatura neoclásica.

Pero al final del día es un argumento.

En otras palabras, la mayor parte de los argumentos que aquí se hacen no requieren en sí de los modelos matemáticos, pero el autor los hace de cualquier manera para demostrar la consistencia dentro del mapa de argumentos de la economía neoclásica.

El problema de la alineación

Volviendo al problema, el problema que se presenta con la inteligencia artificial (IA) es que tal vez las máquinas no tienen objetivos alineados con los nuestros.

El problema es algo que se ha discutido mucho en la academia, no nada más en la ciencia ficción. La idea es que nos podemos equivocar al programar una inteligencia artificial, con consecuencias nefastas. Por ejemplo, si le pedimos a una máquina que haga la mayor cantidad de clips como le sea posible, no es mucho problema si no es una máquina que aprende de su entorno. Pero una máquina con “inteligencia”, siempre está buscando nuevas soluciones “creativas” para lograr su resultado. En un caso muy extremo, nos robaría todo el hierro de la sangre para hacer más y más clips hasta que se acabe el mundo.

Algo parecido a Ultron en la película de los avengers, en la que determina que para lograr la paz, tendría que destruir a la humanidad (algo así es lo que me sale en los modelos microeconómicos cuando no hago el ajuste de las variables correctamente).

El problema es que, entre más usamos la IA, más peligrosa se vuelve

Hay muchas cosas positivas qué decir de la IA: nos está ayudando a ser más productivos y más innovadores.

Hay modelos de IA que nos están ayudando a encontrar las estructuras moleculares de antibióticos. Otros que están resolviendo problemas matemáticos que llevaban siglos sin poderse resolver y todos sabemos que cuando se resuelve un problema matemático, se vienen muchas innovaciones (estoy pensando en las criptomonedas).

Pero así como implica crecimiento y ganancias a corto y largo plazo, hay un peligro inminente de que la IA se vuelva contra nosotros y nos elimine de una (si no crees que sea posible, nada más acuérdate de lo que pasó cuando los archivos de Excel de los bancos en Estados Unidos dejaron de cuadrar en 2008).

En palabras del autor del paper (la traducción es mía):

La IA podría elevar los estándares de vida más que lo ha hecho la electricidad o el internet. Pero los riesgos que entraña exceden a los de las armas nucleares.

Tipo: “¿Quieres jugar ruleta rusa donde cada vez que no te caiga una bala te deposito un millón de dólares en la cuenta del banco?”

Los escenarios dependen de qué tanto es el riesgo y cuál es la ganancia

En la ruleta rusa, al revólver le caben 6 balas (creo).

Pero si le cupieran 1000 balas, tal vez más personas estarían dispuestas a jugársela. El paper lo que hace es básicamente jugar con esos parámetros. ¿Qué pasa si le aumentamos el número de balas que le caben a la pistola? ¿Cómo cambia nuestro comportamiento si le ponemos más valor al largo plazo?

Lo interesante es que si pensamos en los beneficios de la IA, no sólo son cosas que se reflejan en nuevos iPhones con un Siri que si sepa recibir órdenes interesantes. También la IA nos puede ayudar a encontrar innovaciones que curen enfermedades degenerativas y que extiendan la esperanza de vida de las personas.

En un modelo matemático, las extensiones en la esperanza de vida cancela la probabilidad de aniquilación.

Hay un punto en el que el modelo se siente un poco ridículo al respecto. Porque de acuerdo al modelo, si llegas a aumentar mucho la esperanza de vida de las personas, estas serían capaces de ignorar los riesgos de la IA de aniquilación dentro de 40 años. Es algo que tiene sentido en el modelo matemático y no lo podemos discutir desde ese punto de vista, pero sí me daría risa tener que presentar ese resultado en un auditorio.

Me temo que ese no es el problema.

El problema es que no le estás dando la prioridad que se requiere a escribir. Escribir investigación requiere que pienses fuerte en un problema, en todas las aristas alrededor del problema y en cómo se soluciona.

Requiere que uses datos y econometría y tengas una intuición sólida sobre cómo se conectan los datos con la resolución de tu problema.

Pero también requiere que aprendas a hacer tu trabajo de manera eficiente.

Yo fui afortunado porque cuando hice el doctorado, tenía el tiempo de trabajar en mis proyectos y era prácticamente lo único de lo que me tenía que preocupar.

Pero luego llegó la vida y me di cuenta de que realmente tener todo para enfocarnos en escribir es un privilegio.

Así que comencé a diseñar métodos para seguir escribiendo.

Aún con miles de proyectos, alumnos y procurando siempre estar ahí para mis hijos y para mi esposa. Todo eso sin caer en estrés y depresión. Tengo un método para hacer todo de manera sistemática y con el apoyo de la IA para tener todo un "laboratorio" de investigación económica en mi computadora.

Y te lo estoy compartiendo en este newsletter. 6 veces al mes.

Todos los meses estaré compartiendo 2 tutoriales de R y Python, 2 deep dives y 2 guías para escribir y publicar usando inteligencia artificial.

Lo bueno es que es un newsletter que sirve como una especie de recordatorio de que le hagas tiempo a escribir tu proyecto. Pero también me puedes contestar los correos y me puedes contar el problema que estás enfrentando actualmente. Eso me ayuda a entender mejor cómo puedo ayudarte a solucionar tu problema.

Lo mejor es que puedes apartar todo un año al mejor precio por Black Friday.

Esta oferta estará activa hasta el lunes 25 de Noviembre.

En México estamos en el buen fin, que es la versión mexicana del Black Friday.

El primer Black Friday se refería al pánico de 1869, que ocurrió cuando dos financieros querían acaparar el mercado del oro y el presidente Grant se dio cuenta. Liberó grandes reservas del metal, causando que los precios cayeran un 18%, arruinando las fortunas de muchos.

En la actualidad, Black Friday está relacionado con el Thanksgiving y marca el inicio del periodo de compras navideñas.

Lo empezó Roosevelt, cuando proclamó el día de acción de gracias el cuarto jueves de Noviembre, para extender el periodo de compras y estimular la economía después de la Gran Depresión. El nombre de Black Friday se adoptó después para las compras, pues al inicio era el viernes después de Thanksgiving, cuando todos los trabajadores faltaban al trabajo para hacer "puente largo" (no creas que sólo los Mexicanos la aplicamos).

Al final, se adoptó Black Friday con la idea en que los asientos de contabilidad pasaban de estar en rojo (negativo) a negro (positivo.

En México, el buen fin se adoptó en 2011 el fin de semana en el que hay el "puente" del aniversario de la revolución. De igual manera, aquí empieza la locura de las compras de buen fin.

Recientemente se habilitó a las IA para que les subas tu base de datos, le pidas que haga análisis y te regresen resultados.

Tu rol como econometrista ya no implica llevar toda la carga del análisis de datos desde el inicio. Ahora es posible delegar una parte significativa de ese trabajo a tu asistente, la inteligencia artificial. Con una base de datos y una orden, tienes resultados e interpretaciones en minutos.

El truco está en tener bien claras las capacidades y los límites de la IA

En esta edición veremos:

• Los límites de la IA en el análisis de datos.
• Nuestro rol colaborando con la IA.
• Y una guía (con prompts) para trabajar con datos con la IA como copiloto cuando no es posible pedirle que trabaje con tus datos directamente.

¿Y no puedo simplemente pedirle a chatGPT que haga todo mi análisis?

Por fortuna, no.

Si pudiéramos pedir a la IA que haga todo nuestro análisis, ahí si estaría en peligro nuestro trabajo. Pero la realidad es que ni chatGPT ni Claude ni ninguna otra IA tiene la creatividad para elegir proyectos que resuelvan problemas reales. Y si bien le puedes pedir que hagan una interpretación de una tabla de regresión, sus conclusiones son en el mejor de los casos “robóticas”.

Hay dos peligros de delegar el análisis de datos a la Inteligencia Artificial:

• Puede empezar a alucinar aspectos importantes de tus datos. Cuando una inteligencia artificial no sabe alguna respuesta, siempre está el peligro de que se invente la respuesta.
• Cuando los conjuntos de datos son demasiado grandes, el sistema no les permite cargar la información en memoria. En estos casos no hay mucho que se pueda hacer, pero en esta guía te daré una forma de avanzar de cualquier manera.

Quiero que pienses en chatGPT como tu becario.

Imagina que ponen a tu cargo a un becario muy inteligente, con mucho conocimiento y con mucha habilidad para manejar datos. El problema es que no conoce bien los objetivos que tú tienes con la investigación y tiene mala memoria, así que eso es algo que le tienes que explicar siempre que vas a trabajar con él.

Por naturaleza, los modelos de inteligencia son máquinas aleatorias. Cada vez que le haces una petición, te dará la respuesta que tiene mayor probabilidad de acuerdo a sus datos de entrenamiento. Cuando lo que necesitas hacer requiere precisión, necesitas tener esto en cuenta.

Tu rol es el de supervisor

Como supervisor, tu trabajo es tener siempre bien claro el objetivo y el problema que quieres resolver.

Es muy diferente el trabajo que le vas a pedir a tu becario, que es quien tiene el conocimiento técnico. Por ejemplo, si le das una base de datos sencilla, le puedes pedir que elabore por ti gráficos, estudios de correlación y análisis de regresión directamente.

Comencemos con el análisis.

Paso #0: Antes de comenzar

Estos pasos se pueden hacer con chatGPT en la versión 4o o con Claude 3.5. En ambos casos, tienes que ser capaz de subirle bases de datos y pedirle que haga el análisis por su cuenta.

El modelo de chatGPT trabaja con python. Es como si tuvieras del otro lado a un becario trabajando en google Colab que no puede descargarle ningún módulo nuevo aparte de los que ya tiene instalados. Tiene muchos de los módulos más importantes para trabajar con datos, pero si le pides algo más complejo, no lo podrá hacer.

Paso #1: Escribe toda la información sobre la base de datos con la que vas a trabajar

Entender la base sobre la que estás trabajando no es negociable.

Esta parte del proceso la puedes acelerar buscando el diccionario de datos o la descripción que hicieron los creadores de la base de datos. Si es una base de datos que descargaste de algún instituto de estadística, busca la descripción. Si tú eres el creador de los datos, documenta el proceso completo y descríbelo con tanto detalle como te sea posible.

Vamos a usar esta información para que chatGPT tenga el contexto necesario sobre la base de datos para darnos una buena perspectiva al respecto.

Paso #2: Asegúrate que los datos son claros, o agrega un diccionario de datos

Cuando le pases tus datos a chatGPT, si los nombres de tus columnas son claves (p. ej. P_13_1 para la pregunta 13.1), será difícil hacer análisis significativos. Será como ir con los ojos vendados.

La IA recordará el diccionario de datos al momento de sugerir análisis y ejecutarlos.

Incluso te servirá para hacer las etiquetas de los gráficos.

Si estás en este caso, un diccionario no es más que una lista con los nombres de las variables y una descripción. Entre más detallada sea la descripción, más útil es el diccionario.

Paso #3: ¿Cuáles son los tipos de análisis que podemos hacer con estos datos?

Usa el siguiente prompt

Observa la siguiente base de datos.

Considera el siguiente contexto sobre esta base de datos:

{COPIA Y PEGA AQUÍ EL CONTEXTO QUE RECOPILASTE EN EL PASO #1}

---

Dame una lista con los tipos de análisis que consideres más reveladores.

Modifica el prompt copiando y pegando el contexto del paso #1.

La IA usará la función data.head() en python para leer las primeras filas de tu base de datos. Si los nombres de las variables son claros, los análisis que te sugerirá serán muy útiles y por lo general se trata de cosas que sí puede hacer.

Paso #4: Pídele que haga el análisis

Aquí entra tu criterio sobre el tema y los objetivos que tengas de tu investigación.

Es muy probable que dentro de la lista que generó se encuentre algo cercano a lo que deseas hacer. Por ejemplo, le puedes pedir que hagas un análisis de distribución.

Hagamos la opción 1: análisis de distribución

O puedes simplemente dejarlo hasta el número dentro de la lista.

La IA tiende mucho a hacer análisis con fines de predicción y no tanto de inferencia, por eso te encontrarás casi siempre opciones como PCA o redes neuronales. No te recomiendo comenzar por ahí, pero puedes considerarlo para el futuro.

Si chatGPT no lo puede hacer, úsalo como asesor

Hay circunstancias en las que chatGPT no te podrá ayudar.

• Cuando los datos son demasiado grandes.
• Cuando estás usando modelos avanzados (p. ej. quieres hacer un análisis de diferencias en diferencias escalonado).
• Cuando quieres trabajar en cualquier lenguaje de programación que no sea python.

En estos casos, los pasos anteriores no te servirán.

Pero puedes usar a chatGPT como tu asesor que estará sobre tu hombro dándote direcciones para trabajar.

En este caso, lo que debes hacer es proporcionarle sólo una muestra de los datos para que conozca su estructura y los nombres de las variables y pedirle instrucciones paso a paso sobre los resultados que vas obteniendo.

Así te ahorras horas de trabajo.