Tu proyecto con Econometría

Guías de 5 minutos para resolver tus proyectos de econometría. Escribe un paper, una tesis o simplemente has estudios internos para tu empresa.

Economía (pero con datos)

[minicurso] Descarga e instala R y RStudio

Recientemente tuve que formatear mi computadora y con ella se me fueron todos los programas que había estado usando frecuentemente.

Incluídos R y RStudio.

Así que decidí aprovechar y hacer un pequeño tutorial para descargarlo e instalarlo. Son sólo 2 minutos y 3, respectivamente.

Espero que te sean de utilidad.

Leer el artículo completo

Registrarse ahora para leer el artículo completo y acceder a todos los artículos por solo suscriptores.

Suscribirse
¿Ya tienes una cuenta? Iniciar sesión

La revolución dentro de la revolución

La revolución dentro de la revolución

¡Hola!

Esta es la última parte de esta serie sobre la revolución de la credibilidad.

En cierto modo, con esto terminaría el primer capítulo de mi segundo libro. Es la parte en la que más batallé, porque es la que conecta el capítulo 1 con el resto del libro.

La idea es esta: No hay un libro de Diferencias en Diferencias en español porque es un área que está avanzando muy rápido en los últimos años, pero es algo en lo que yo creo que no nos podemos quedar atrás en otras partes del mundo. Es demasiado importante: es la forma en la que estamos evaluando nuestros programas y debemos poder hacerlo bien.

Así que esta es mi forma de avanzar en ese frente 10x más rápido. En lugar de que empecemos a ver libros al respecto en 10 años, estamos viendo los avances por partes HOY. Con tu apoyo, claro está.

Anyway... Me tardé un poco más de lo esperado en esta parte porque no lograba llegar al punto. Pero si algo te puedo decir es que esta es la mejor explicación en español o en inglés que he visto sobre los avances de DD. Es el atajo para estar en la línea junto con los econometristas más avanzados DEL MUNDO. No estoy exagerando: realmente lo creo.

Disfruta.


Los métodos de Diferencias en Diferencias han cambiado mucho desde los tiempos del estudio de David Card en Miami.

El problema surgió porque investigadores en el área de econometría se han dedicado a hacerle ingeniería inversa a los estimadores y han encontrado complejidades adicionales a algo que parecía muy sencillo e intuitivo. El modelo 2x2 que discutimos anteriormente es uno de los más populares para hacer investigación aplicada. Casi una tercera parte de los artículos de economía aplicada en el NBER de los últimos años usaron Diferencias en Diferencias (Goldsmith-Pinkham, 2024).

Pues resulta que Diferencias en Diferencias ni es simple, ni es intuitivo, ni es tan fácil de entender como al inicio parece.

Sumado a esto, la profesión de economista ha pasado de ser sólo teoría a una disciplina empírica (Hamermesh, 2013), por lo que las herramientas para la evaluación econométrica creíble sigue y seguirá creciendo.

Pero lo más importante: los datos no siempre se ajustan al modelo canónico. Por eso es necesario adaptar los modelos para que se puedan aplicar a la realidad.

Roth, et al. (2023) identifican tres diferentes formas en las que se relajan los supuestos estándar del modelo de Diferencias en Diferencias:

  • Múltiples periodos y variación en el periodo de tratamiento.
  • Posibles violaciones al supuesto de las tendencias paralelas.
  • Se separan del supuesto de observar a una muestra de muchos clusters independiente que se toman de una super-población.

Son estas las desviaciones que han hecho que la discusión se haya enriquecido tan fuertemente en los últimos años —y que entrar en el mundo de las diferencias en diferencias se convierta en una confusión. Rápidamente dejamos atrás el mundo en el que hacer DD era un proceso sencillo que sólo se trataba de encontrar un buen experimento natural y aplicar un modelo de efectos fijos de dos vías.

Esto es bueno y malo.

Bueno, porque ahora podemos usar DD para situaciones más complejas con múltiples periodos y relajando los supuestos canónicos de tendencias paralelas. Malo porque tenemos que ser más cuidadosos al momento de estimar nuestros errores estándar.

Este es un newsletter que trata de ciencia económica. En particular: econometría.

La econometría no es lo mismo que la ciencia de datos: es un área especial especializada en los datos económicos. Yo soy de la idea de que si eres economista, vale mucho la pena que aprendas a fondo la econometría y que te posiciones como econometrista, no como data scientist.

En los últimos años la econometría ha evolucionado y dejó de ser las recetas de cocina de los libros de texto de los 80s y se convirtió en un área completa de estudio con sus técnicas de inferencia causal propias. La diferencia está en el enfoque, que plantea pensar en experimentos y de ahí crear la estrategia de identificación.

En esta serie estaremos hablando de esta revolución de la credibilidad, incluyendo cómo evitar el sesgo de selección y cómo encontrar experimentos naturales. Es la primera serie que nos llevará a profundizar en el modelo de diferencias en diferencias, que es uno de los modelos de más crecimiento en los últimos años.

Su popularidad ha crecido mucho porque permite tener estudios con mucho valor y muchas credibilidad (sin todo el presupuesto que requiere hacer experimentos).

Así que, si es de tu interés aprender esta técnica, te veo en el resto de las publicaciones de esta serie.

¿Qué hay debajo del paywall? En esta edición:

  • La mejor explicación que jamás has visto sobre cómo funciona DD moderno (lo sé porque yo mismo jamás lo había entendido hasta ahora).
  • Todas las referencias que estoy usando.
  • Y este es el post que conecta toda la serie y que le da razón de ser a mi segundo libro de econometría sobre Diferencias en Diferencias.

Además, con tu acceso se abre el acceso a todas mis publicaciones de pago. Pasadas y futuras.

PS: Te dejé un periodo de prueba de 7 días para que puedas verlas.

Obtener mi prueba gratis

Múltiples periodos y variación en el tiempo de tratamiento

Para hacer un modelo de DD 2x2 solamente necesitas un antes y un después.

Pero la realidad es más sucia.

Las políticas no se implementan para todos al mismo tiempo. Un estado adopta una ley en 2010, otro en 2012, y un tercero en 2015. Esto se conoce como tratamiento escalonado (staggered adoption).

La reacción natural de cualquier economista fue decir: "¡Más datos! ¡Mejor!". Y aplicar el mismo modelo de siempre: una regresión con efectos fijos de dos vías (TWFE, por sus siglas en inglés). Parecía lógico. Controlas por unidades (estados) y por tiempo (años) y dejas que la variable de tratamiento te dé la respuesta.

ERROR.

Aquí es donde la "revolución" explotó. Investigadores como Goodman-Bacon (2018) y de Chaisemartin & D'Haultfoeuille (2019) metieron las manos en el motor del TWFE y descubrieron algo espantoso.

Mi viaje a Rusia: Una visión de economista en 2025

Mi viaje a Rusia: Una visión de economista en 2025

Hace ya seis años que no viajo a Rusia.

Fui en 2015, 2016, 2018 y 2019. Luego llegó la pandemia y luego las sanciones: ya no hay vuelos directos ni podemos usar el dinero como antes.

Así que tendremos que:

  • Volar a Estonia y subirnos a un camión a la frontera.
  • En la frontera pasar caminando para continuar nuestro camino a San Petersburgo.
  • Nuestras tarjetas no funcionan en Rusia, las redes de bancos están cortadas.

Y quién sabe qué otras sorpresas tendremos que sortear.

No es un viaje normal.

En este texto quiero documentar algunos detalles que me llaman la atención. Me tocó ver Rusia durante una época con mercados completamente abiertos y una economía bastante sólida. Me da mucha curiosidad cómo han logrado librar los cambios debido a las sanciones de Estados Unidos.

En particular me interesa saber:

  • ¿Cómo se ve una economía cuando la cortan de la red de bancos?
  • ¿De dónde sacan chocolates? (En Rusia los chocolates son muy importantes y no se si las marcas que normalmente estaban ahí sigan).

Mi visión es meramente económica. No tengo el contexto suficiente de la política internacional para emitir una opinión al respecto. Aparte de que ya hay mucho escrito al respecto y no quiero aportar a la división en internet sobre temas y personas que no conozco.

Así que… si estamos listos para Hablar de economía, comencemos

Este post es parte de las publicaciones de paga.

Si nunca te has suscrito a un newsletter de paga, lo que obtienes al suscribirte no es únicamente el acceso a esta publicación sino a todas las que tengo marcadas como Pro hasta el momento.

Y eso es sólo de manera inmediata.

Un newsletter de pago es como un libro que nunca se acaba con los temas que más te gustan.

  • Aquí tengo mini-cursos de econometría.
  • Durante este año seguiré hablando de econometría moderna. En particular de Diferencias en Diferencias (estoy escribiendo mi segundo libro).
  • Y de vez en cuando escribo cosas que son interesantes desde la perspectiva económica.

Por ejemplo este post. Aquí profundicé un poco sobre la red de bancos y las restricciones de Rusia. ¿Por qué? Porque estaré tomando nota de lo que observe al respecto.

Es una mini-serie que creo que dice mucho del estado actual del mundo y que creo que te llamará la atención.

Si tienes curiosidad, tienes un periodo de prueba de 7 días para que lo pruebes y me dices que te parece. Cero riesgo.

Sigue leyendo.

Convertirme en Pro

La situación actual en Rusia: la segunda cortina de hierro

La ecuación mas bella del mundo

La ecuación mas bella del mundo

La realidad: los símbolos matemáticos se ven increíbles en nuestro cuerpo como tatuajes.

La única razón por la que no los usamos más seguido es porque ¡qué pena tatuarnos algo que no sea correcto! Es como cuando el tatuaje en Chino resulta en palabras que no nos tatuaríamos en nuestro idioma. De ese caso, ejemplos abundan.

En agosto me hice una cita para hacerme un retoque en mi tatuaje, y platicando con mi tatuador, le mencioné un poco sobre lo que hago y vi cómo se le iluminaron los ojos de inspiración. Guardó esto como nota de lo que hará: Números binarios - representaciones matemáticas.

De inmediato pensé dos cosas:

  1. Qué bien que entendió lo que quiero para mi tatuaje.
  2. Pero… ¿él qué entiende por “representaciones matemáticas”?

Y como una gran parte de las personas en el mundo sienten ñáñaras cuando les hablas de matemáticas, me temo que simplemente irá a Pinterest y me arriesgo a acabar con el equivalente matemático a tatuarme “caldo de pollo” en chino por todo mi pecho.

Esta es una guía para ayudar a los tatuadores no-matemáticos a hacer tatuajes inspirados en las matemáticas y para personas que desean hacerse un tatuaje inspirado en las matemáticas y no quieren terminar haciendo el ridículo en las pool party de los congresos de matemáticas.

Las matemáticas son extremadamente bellas por si mismas. Apreciar la belleza matemática activa las mismas regiones en el cerebro que apreciar un gran arte o una pieza musical (Zeki, 2014). Estoy seguro de que son muchas más personas las que desean plasmar esa belleza en el cuerpo en la forma de un tatuaje.

En las siguientes secciones presentaré algunas de las representaciones que a mi parecer se prestan de manera natural para una representación en forma de tatuaje, ya sea porque son símbolos que por sí mismos se ven atractivos y estéticos o porque lo que representan es muy profundo.

Lo más común es que se cumplan esas dos características.


La ecuación mas bella del mundo

Hay dos razones para tatuarse algo matemático: por el significado y el efecto visual.

Hay expresiones que cargan mucho significado, pero que no se ven en esencia complejas. Por ejemplo:

$$e^{\pi i} + 1 = 0$$

Es considerada una de las ecuaciones más bellas que existen. Se llama la identidad de Euler, en honor a uno de los matemáticos más brillantes que han existido en este planeta. Se considera bella porque unifica cinco símbolos matemáticos fundamentales en una sola ecuación (Geiger, 2013).

  • Los números 1 y 0 son la base de todos los números. Son la base del sistema binario y son la identidad de la multiplicación y la suma, respectivamente.
  • El número pi. Tal vez lo conoces porque te obligaron a aprender que es 3.141592... se trata de la relación entre la circunferencia de un círculo y su diámetro. En palabras sencillas, si tomas el diámetro de una rueda con un hilo, ese hilo tendrá que pasar poco más de 3 veces para rodear esa misma rueda, sin importar su tamaño. Es una proporción muy bella e interesante. También es interesante por ser de esos números que se conocen como irracionales y tiene otras propiedades muy interesantes.
  • El número e, también conocido como el número Euler (si estás en matemáticas más de dos minutos, vas a escuchar ese nombre muy seguido), es la base de los logaritmos naturales. Formalmente, $e$ es el límite expresado como $$\lim_{n\to\infty}\left( 1 + \frac{1}{n}\right)^n$$, que es la expresión que surge al calcular el interés compuesto. Una de las propiedades más interesantes de $e$ y la que lo define es que es su propia derivada. Es decir, $$\frac{d}{dt}e^t = e^t$$ nos dice que entre más grande sea $e^t$, mayor será su tasa de crecimiento. Es ahí cuando se le llama a algo crecimiento exponencial.
  • El número $i$, conocido como el número imaginario y a los números que incluyen $i$ se les conoce como números complejos.[1] Normalmente no deberíamos ser capaces de sacar la raíz cuadrada a un número negativo. Pero los matemáticos son muy creativos y simplemente le agregaron una dimensión al plano de tal modo que ya no tenemos una línea de números, sino un plano cartesiano con arriba, abajo, izquierda y derecha. Cuando hacemos esto, ya no estamos en el plano real, sino en el plano complejo. Veremos un poco más de esto en la sección de representaciones geométricas.

De todos estos símbolos se han escrito libros enteros. No exagero.

La belleza de la ecuación anterior está en que, en el momento en el que agregamos $i$ en esta relación, estamos creando un campo vectorial que hace rotar la velocidad en 90 grados para cada posición en la que nos coloquemos en el plano.

Como vimos, $$\frac{d}{dt}e^t = e^t$$, es decir, la tasa de crecimiento de $e^t$ es la misma que su magnitud.

Entonces,

$$\frac{d}{dt}e^{it} = i\cdot e^{it}$$

Considerando que $$e^{i \cdot 0} = 1$$,

Para cada posición de e^it, su derivada incluye una rotació

Solo hay una trayectoria comenzando en la posición (1,0) en la que la velocidad siempre coincide con el vector a una rotación de 90º: un círculo de radio 1 que va a una velocidad de una unidad por segundo. ¿Cuál es la distancia que has recorrido en el círculo después de pi segundos?

Después de una rotación por la mitad del círculo, se ha recorrido una distancia de $\pi$, terminando en la posición $(-1,0)$ del plano

La figura anterior muestra cómo después de una rotación por la mitad del círculo, hemos recorrido pi y caemos en la posición (-1,0) de nuestro plano cartesiano. Es decir, $$e^{i\cdot \pi} = -1$$.

Pasar ese -1 del lado izquierdo de la ecuación es más un tema de estética, para asegurarnos de que los números 0 y 1 aparezcan.

Esta identidad resulta fascinante y establece el estándar de belleza para todo en las matemáticas. Y la ecuación junto con la figura harían un gran tatuaje.

  1. El nombre es un poco engañoso. Ya sea que digamos que en realidad, todos los números son imaginarios o que realmente son números que sí existen y que tienen muchísimas aplicaciones en el mundo físico. ↩︎

Este texto es parte de una guía más larga que escribí en un documento PDF para realmente compartir a mi tatuador.

En esta guía vemos muchos aspectos visuales de las matemáticas que pueden usarse en los tatuajes:

  • Secuencias de fibonacci y la proporción áurea
  • Conjuntos de Mandelbrot y su relación con la teoría del caos.
  • Muchas ecuaciones que se verían geniales en un tatuaje
  • Y todas las explicaciones para que tu tatuador nunca se confunda y te acabe tatuando "caldo de pollo" en el brazo.

Está detrás de este muro de pago. Afortunadamente, tienes un periodo de prueba para que lo descargues totalmente gratis.

Y si decides continuar, tendrás

  • Acceso a todas las publicaciones futuras mientras mantengas tu suscripción.
  • Podrás pedirme que escriba sobre los temas que te interesan (ya lo puedes hacer, pero doy preferencia a los suscriptores Pro).
  • Y acceso a todas las publicaciones de paga que he escrito en el newsletter. Todas se desbloquean al instante.

Lo peor que puede pasar es que entres, descargues el PDF, veas las publicaciones y decidas que no es el momento de continuar tu suscripción.

Así que no hay razón de dudar.

Conviértete en Pro

El estimador de Diferencias en Diferencias

¡Hola!

En esta entrega comenzamos con la parte técnica de nuestra serie sobre la revolución de la credibilidad.

(Lo que quiere decir: este post se ve mejor en la página porque tiene ecuaciones).

En realidad, cuando Leamer (1983) hacía una crítica a la estafa dentro de la econometría, no estaba acusando a nadie personalmente. Simplemente hacía una observación de que, si deseamos hacer que nuestros estudios sean más creíbles, necesitamos adoptar una metodología que se acerque más al método experimental.

En este post veremos:

  • Un diseño clásico de un modelo de Diferecias en Diferencias de 2x2
  • Notación y cómo el uso de Diferencias en Diferencias (DD) elimina el sesgo de selección.
  • Y el supuesto de tendencias paralelas: la base para que el modelo DD funcione.

¿Listos?

Sigamos.

El diseño clásico de un modelo DD

Comenzaremos con un diseño clásico de 2x2:

  • El tratamiento es una variable binaria. El grupo seleccionado podría haber recibido tratamiento ($D=1$) o no recibió tratamiento ($D=0$).
  • El tratamiento es absorbente. Una vez que una unidad recibe el “tratamiento”, no se puede regresar a ser “no tratada”. El estado de ser tratada lo “absorbe”.
  • No hay variación en el tiempo de tratamiento. Todos los grupos de tratamiento son tratados al mismo tiempo. Cuando este elemento se rompe, la complejidad del diseño aumenta muy rápido.

Ahora incluyamos un poco de notación: sea el par $(g,t)$ un grupo en un periodo particular. En el ejemplo más básico de un modelo de DD, nos interesan únicamente el grupo de control ($g_0$) y el grupo de tratamiento ($g_1$) en dos periodos ($t=1,2$). En el grupo de control, las unidades permanecen sin tratamiento durante ambos periodos, y en el grupo de tratamiento, estas pasan de no-tratadas en el periodo 1 a tratadas en el periodo 2.

Por lo tanto, tenemos 4 pares

$$ (g_1,1), (g_1,2),(g_0,1),(g_0,2) $$

Resultados Potenciales vs. Resultados Observados

Para $g\in\{g_0,g_1\}$ y $t\in\{1,2\}$, definimos $Y_{g,t}(0)$ y $Y_{g,t}(1)$ como los resultados potenciales en el grupo $g$ para el periodo $t$ con y sin tratamiento, respectivamente (cf. Plawa-Neyman, Dabrowska & Speed, 1990; Rubin, 1972). Es decir, independientemente de si es el grupo de tratamiento o control, suponemos la existencia de un contrafactual. Decimos que un resultado es contrafactual cuando el grupo al que pertenece no coincide con el resultado observado. Por ejemplo, $Y_{g_1,2}(0)$ es un contrafactual.

Si el par $(g,t)$ tiene a todas sus unidades sin tratamiento, entonces

$$ Y_{g,t} = Y_{g,t}(0) $$

Sea $D_{g,t}$ un indicador dummy que toma como valor 1 si el par $(g,t)$ recibió tratamiento, y 0 en caso contrario. Entonces podemos encontrar que

$$ Y_{g,t} = (1-D_{g,t})Y_{g,t}(0) + D_{g,t}Y_{g,t}(1) $$

Que es lo mismo que decir que $Y_{g,t} = Y_{g,t}(0)$ cuando $D_{g,t} =0$ y $Y_{g,t} = Y_{g,t}(1)$ cuando $D_{g,t} =1$.

El estimador DD y el sesgo de selección

Nos interesa estimar el efecto de tratamiento promedio en las unidades tratadas (ATT):

$$E(Y_{g_1,2}(1)-Y_{g_1,2}(0))$$

💡
En inglés, el efecto de tratamiento promedio en las unidades tratadas se conoce como average treatment effect on the treater, y se suele resumir como ATT.

El problema es que $Y_{g_1,2}(0)$ es un contrafactual, no es el dato que realmente observamos. Podríamos intentar usar conjuntos de datos que si observamos.

  • Por ejemplo, podríamos usar la diferencia entre grupos con y sin tratamiento en el segundo periodo $Y_{g_1,2}-Y_{g_0,2}$, sin embargo, el grupo de tratamiento no se determinó de manera aleatoria. Esa condición sólo se logra cuando se hace un ensayo aleatorio y se determinan los grupos aleatoriamente para evitar sesgo de selección.
  • Alternativamente, podríamos usar una comparación de antes y después ($Y_{g_1,2}-Y_{g_1,1}$), pero este enfoque no nos garantiza que los cambios que observamos se hubieran dado aún sin el tratamiento.

Por lo tanto, usamos el estimador

$$ DD := Y_{g_1,2}-Y_{g_1,1}-(Y_{g_0,2},Y_{g_0,1}) $$

A este estimador se le conoce como el estimador de Diferencias en Diferencias. Su nombre lo recibe porque aplica al mismo tiempo la diferencia entre grupos y la diferencia en el tiempo. Nota que este estimador nos genera un efecto similar al de la ecuación del ATT, sin la necesidad de asignar los grupos de manera aleatoria.

Esto es lo que hace tan popular esta técnica. No es necesario hacer un ensayo aleatorio para obtener resultados similares a los de uno. Solo necesitas aplicar las diferencias entre grupos antes y después y que se cumplan algunos supuestos.

Este es un newsletter que trata de ciencia económica. En particular: econometría.

La econometría no es lo mismo que la ciencia de datos: es un área especial especializada en los datos económicos. Yo soy de la idea de que si eres economista, vale mucho la pena que aprendas a fondo la econometría y que te posiciones como econometrista, no como data scientist.

En los últimos años la econometría ha evolucionado y dejó de ser las recetas de cocina de los libros de texto de los 80s y se convirtió en un área completa de estudio con sus técnicas de inferencia causal propias. La diferencia está en el enfoque, que plantea pensar en experimentos y de ahí crear la estrategia de identificación.

En esta serie estaremos hablando de esta revolución de la credibilidad, incluyendo cómo evitar el sesgo de selección y cómo encontrar experimentos naturales. Es la primera serie que nos llevará a profundizar en el modelo de diferencias en diferencias, que es uno de los modelos de más crecimiento en los últimos años.

Su popularidad ha crecido mucho porque permite tener estudios con mucho valor y muchas credibilidad (sin todo el presupuesto que requiere hacer experimentos).

Así que, si es de tu interés aprender esta técnica, te veo en el resto de las publicaciones de esta serie.

¿Qué hay debajo del paywall? En esta edición:

  • Una visualización gráfica de las tendencias paralelas
  • Una demostración al teorema de las tendencias paralelas (por qué DD sirve tanto como un experimento)

Además, con tu acceso se abre el acceso a todas mis publicaciones de pago. Todas.

PS: Algunas de estas publicaciones estarán detrás de un muro de apago, pero te dejé un periodo de prueba de 7 días para que puedas verlas.

Quiero mi prueba gratis

Para que DD sea un estimador confiable se requiere el supuesto de tendencias paralelas

Este es el supuesto más crítico del modelo de DD.

El supuesto de tendencias paralelas indica que, en ausencia de un tratamiento, la diferencia entre las tendencias del resultado en los grupos de tratamiento y control deberían permanecer constantes en el tiempo.

La econometría era una estafa

La econometría era una estafa
Tres econometristas salieron de cacería y se encontraron con un venado. El primero disparó, pero el tiro falló por un metro a la derecha. El segundo econometrista disparó, pero falló por un metro a la izquierda. El tercer econometrista no disparó, pero gritó triunfante: “¡Le dimos! ¡Le dimos!” (Chiste famoso de economistas de autor anónimo)

¡Hola!

Te doy la bienvenida al segundo post de esta serie sobre la revolución de la credibilidad. Es una serie que se encadena con varias relacionadas al método de Diferencias en Diferencias (DD).

Hoy hablaremos de la revolución de la credibilidad.

Los economistas recibimos por muchos años una muy mala fama. Hay un viejo chiste que dice que los economistas pasamos la mitad del año haciendo predicciones de lo que pasará y la otra mitad explicando por qué no pasó lo que dijimos. Pero en los años 90 y 2000s se presentó una revolución en la forma en que hacemos econometría.

La profesión cambió a los economistas de ser adivinos esotéricos a algo más parecido a la ciencia.

- ¿La macroeconomía es una ciencia? - Pues, es una ciencia social, así que no es realmente predictiva como la química. - ¿Y cómo hacen todas esas predicciones? - Tenemos que recurrir a técnicas más heurísticas ANTES: - Ojo de Salamandra y pata de araño. ¿Cuál será el PIB del siguiente año?

El éxodo de Cuba, los modelos micro de oferta y demanda de trabajo y el experimento natural de migración más grande del mundo

El 20 de abril de 1980, Fidel Castro, el entonces presidente de Cuba, anunció que abriría el puerto de Mariel para que se fueran de la isla todos aquellos que desearan irse con lo que pudieran cargar consigo.

Desde 1958, los Estados Unidos tienen un embargo contra Cuba que no permite a los negocios estadounidenses hacer ningún tipo de negocios con la isla. La economía de Cuba ha permanecido notablemente estancada por ya muchos años y muchas personas buscaban una oportunidad de hacerse de una mejor vida. En ese entonces el presidente era Fidel Castro, y no le gustó ni un poco.

De la noche a la mañana, la fuerza de trabajo de Miami creció un 7%.

Y estoy contando la fuerza total de trabajo. La mayoría de los que migraron de Cuba a Miami en ese barco llegaron a ocupar trabajos que no requieren educación superior, por lo que ese mercado de trabajo en particular creció mucho más.

De acuerdo al modelo que nos enseñaron en microeconomía, en el mercado laboral la oferta son los trabajadores y la demanda son las empresas buscando quién les provea del trabajo que necesitan para sus actividades. En este modelo, un aumento de la oferta de trabajadores implicaría que el “precio de equilibrio” del modelo (los salarios) tendrían que bajar. Y eso es justamente lo que los investigadores de la época pensaban que debería pasar (e.g. Borjas, 1986).

Pero el caso del éxodo de Mariel fue un experimento natural que David Card (1990) supo aprovechar.

  • El shock en el mercado laboral del Miami fue exógeno. Entre Mayo y Septiembre de 1980 llegaron unos 125,000 cubanos de manera inesperada. Cuando hay shock externo y que no es generado por la misma dinámica de la región, se dice que es exógeno.
  • El impacto fue mayormente local en Miami. Lo que permitió hacer una comparación clara con otras regiones cercanas con características similares.

Lo que encontraron fue que ese gran flujo de migrantes básicamente no tuvo ningún efecto en los salarios o en las tasas de desempleo de los trabajadores similares, incluyendo a los migrantes cubanos que habían llegado antes.

Hay dos razones de que no se haya encontrado ningún efecto:

  • Al mismo tiempo de que se incrementó la oferta de trabajadores, se aumenta la demanda de trabajo. Los migrantes también son consumidores. Desde el primer momento en el que llegan a una región, comienzan a comer, a cortarse el pelo y a requerir medicinas y cuidados.
  • Ya existía una comunidad cubana en Miami a la que los migrantes pudieron acudir y que les facilitaron el acceso al mercado. Desde dos décadas antes, Miami había estado recibiendo migración cubana, que le permitió a ese flujo a adaptarse rápidamente al mercado.
SPONSORED

Este es un newsletter que trata de ciencia económica. En particular: econometría.

La econometría no es lo mismo que la ciencia de datos: es un área especial especializada en los datos económicos. Yo soy de la idea de que si eres economista, vale mucho la pena que aprendas a fondo la econometría y que te posiciones como econometrista, no como data scientist.

En los últimos años la econometría ha evolucionado y dejó de ser las recetas de cocina de los libros de texto de los 80s y se convirtió en un área completa de estudio con sus técnicas de inferencia causal propias. La diferencia está en el enfoque, que plantea pensar en experimentos y de ahí crear la estrategia de identificación.

En esta serie estaremos hablando de esta revolución de la credibilidad, incluyendo cómo evitar el sesgo de selección y cómo encontrar experimentos naturales. Es la primera serie que nos llevará a profundizar en el modelo de diferencias en diferencias, que es uno de los modelos de más crecimiento en los últimos años.

Su popularidad ha crecido mucho porque permite tener estudios con mucho valor y muchas credibilidad (sin tanto presupuesto).

Así que, si es de tu interés aprender esta técnica, te veo en el resto de las publicaciones de esta serie.

PS: Algunas de estas publicaciones estarán detrás de un muro de apago, pero te dejé un periodo de prueba de 7 días para que puedas verlas.

Quiero ser pro

El día que la econometría dejó de ser una estafa

El estudio de David Card sobre el flujo migratorio de Miami fue un parteaguas en la forma de ver el mercado laboral, pero también en la forma de usar los experimentos naturales para identificar causas y efectos.

Leer el artículo completo

Registrarse ahora para leer el artículo completo y acceder a todos los artículos por solo suscriptores.

Suscribirse
¿Ya tienes una cuenta? Iniciar sesión

El efecto económico de ser veterano

El efecto económico de ser veterano

¡Hola!

Te doy la bienvenida a la primera entrega de esta serie sobre La revolución de la credibilidad y los principios de la causalidad en el modelo de Diferencias en Diferencias. Esta es la primera de 6 series que haré sobre el modelo de Diferencias en Diferencias, donde iremos cada vez más profundo en esta técnica de econometría.

En esta primera serie vamos a dar una introducción a los principios de la causalidad y presentamos un manual para identificar experimentos naturales para incorporarlos en nuestro estudio de Diferencias en Diferencias.

Pero antes de comenzar a adentrarnos a todo eso…

Esta entrega es una historia. La historia que se convertiría en la semilla de toda una revolución en la forma en que vemos la econometría y por ende la economía.

Hubo un antes y un después en la forma de ver a los economistas.

Y el que lo comenzó todo se llama Joshua Angrist.

Esta es su historia.

El efecto económico de ser un veterano de guerra en Estados Unidos

It ain’t me, it ain’t me
I ain’t no millionaire’s son, no, no.
- Creedence Clearwater Revival

¿Es verdad que los veteranos de guerra en Estados Unidos ganan menos que las personas de su edad que no fueron a la guerra?

Como parte de los beneficios por haber servido en la guerra suelen tener apoyos en vivienda y muchos servicios adicionales porque se asume que tienen menores ingresos. El problema es que es muy difícil determinar si ser veterano causa tener menores ingresos. ¿Por qué? Porque las personas que se enlistan en la milicia podrían tener características que los hace diferentes al resto de las personas.

¿Puedes imaginar qué tipo de características?

  • Podrían ser más atléticos.
  • Pero también podría ser que las personas que entran al ejército son personas que consideran que de entrada no tendrán mucha oportunidad en el mercado laboral.

Por ejemplo, un joven podría ver que no se le da el Excel y se decide enlistar porque es una de las mejores maneras de buscarse un buen ingreso. Es decir, las personas que están condenadas a tener menores ingresos se auto-seleccionan al ejército.

¿Será esto cierto?

Joshua Angrist escribió durante su doctorado un artículo (Angrist, 1990) en el que encontró que los veteranos blancos ganaban en promedio un 15% menos que sus contrapartes que no se enlistaron. El truco era que no hizo una comparación simple entre los veteranos y las personas que no estuvieron en el ejército.

Se aprovechó de un experimento natural.

Durante la guerra de Vietnam hubieron loterías que unían personas al ejército de manera aleatoria. Al elegir las personas de manera aleatoria es como si se hubiera hecho un experimento que eliminaba todos los posibles sesgos que hacían que las personas se auto-seleccionaran para entrar en el ejército.

Este es un newsletter que trata de ciencia económica. En particular: econometría.

La econometría no es lo mismo que la ciencia de datos: es un área especial especializada en los datos económicos. Yo soy de la idea de que si eres economista, vale mucho la pena que aprendas a fondo la econometría y que te posiciones como econometrista, no como data scientist.

En los últimos años la econometría ha evolucionado y dejó de ser las recetas de cocina de los libros de texto de los 80s y se convirtió en un área completa de estudio con sus técnicas de inferencia causal propias. La diferencia está en el enfoque, que plantea pensar en experimentos y de ahí crear la estrategia de identificación.

En esta serie estaremos hablando de esta revolución de la credibilidad, incluyendo cómo evitar el sesgo de selección y cómo encontrar experimentos naturales. Es la primera serie que nos llevará a profundizar en el modelo de diferencias en diferencias, que es uno de los modelos de más crecimiento en los últimos años.

Su popularidad ha crecido mucho porque permite tener estudios con mucho valor y muchas credibilidad (sin tanto presupuesto).

Así que, si es de tu interés aprender esta técnica, te veo en el resto de las publicaciones de esta serie.

PS: Algunas de estas publicaciones estarán detrás de un muro de apago, pero te dejé un periodo de prueba de 7 días para que puedas verlas.

Quiero ser Pro

Al entrar al ejército, se pierde experiencia en el mercado laboral

Al reclutador en la empresa le puede parecer muy loable que el candidato enfrente de él haya defendido con su vida a su país, pero al final del día, su vacante requiere a alguien que sepa manejar excel.

Y es un poco difícil hacer experiencia laboral mientras se está blandiendo armas en otro país.

Además de eso, hay códigos de conducta y señales sutiles en el mercado laboral que podrían impedir que estén ascendiendo en sus puestos. Algo así pasó en la gran recesión (Rothstein, 2020), cuando los millenials salimos al mercado laboral y nos encontramos con un mercado colapsado y ahora somos incontratables porque no sabemos participar en la tanda.

En el artículo no lo considera, pero las personas que van a la guerra también podrían volver heridos o con daños psicológicos que los hacen más difícil aún de contratar y retener.

La fuente de datos es simple, pero mucho se compensa por ser un experimento natural

En el estudio no se consideran convariables.

La razón de esto es que la fuente de datos no los tiene. Es parte de la razón de que no permite explorar las causas de esta diferencia entre los ingresos.

Pero lo más importante de este estudio es su aportación:

  • El uso de un experimento natural permite determinar con mayor claridad que es la participación en el ejército la que causó la baja en los ingresos.
  • Y comenzó una de las revoluciones más importantes en la historia de la economía: La revolución de la credibilidad.

En el siguiente post, veremos a fondo:

  • Qué es la revolución de la credibilidad.
  • Por qué la econometría de antes estaba ya dejando en ridículo a los economistas
  • Y cómo la revolución de la credibilidad ha logrado hacer que la economía se acerque más a ser una ciencia.

Nos vemos en la próxima.

Referencias

Angrist, J. D. (1990). Lifetime Earnings and the Vietnam Era Draft Lottery: Evidence from Social Security Administrative Records. American Economic Review80(3), 313–336.

Rothstein, J. (2020). The Lost Generation? Labor Market Outcomes for Post Great Recession Entrants (NBER Working Paper No. 27516). National Bureau of Economic Research. https://www.nber.org/system/files/working_papers/w27516/w27516.pdf

3 hacks para escribir un libro en 3 meses

3 hacks para escribir un libro en 3 meses

Estoy empezando a maquetar mi segundo libro.

Todavía no acabo de publicar el primero, pero poco a poco acabo de entender el valor que tiene lo que estoy escribiendo. Es gracias a ustedes mis lectores que he encontrado cómo hacer lo que hago mas rápido y más valioso. Lo que eso implica son un par de cambios en este newsletter:

  • He dejado de prometer días específicos de publicación. En su lugar, estaré escribiendo al menos una publicación a la semana, pero tratando de que sean más.
  • Estaré haciendo publicaciones seriadas. La última serie fue la del mini-curso para aprender a crear la sección de referencias.
  • Esas publicaciones seriadas se convertirán en capítulos que al final se hilan en un libro completo.

Todo esto es parte de la metodología que aprendí con Nicolas Cole en sus cursos de digital writer (particularmente el de Category Newsletter, combinado con el de Ghostwriter + Ship 30).

Aquí te dejo la metodología completa:

Cómo hacer títulos que obliguen al lector a seguir leyendo

Para muchos, el título no es más que un adorno, un moño que ponerle al producto final.

David Ogilvy (el llamado “padre de la publicidad”) , dijo que “cuando escribes tu encabezado, ya gastaste 80 centavos de tu dólar”. El título no es sólo algo en lo que debes pensar al final como un adorno de tu texto. Es tu promesa. Y la promesa es lo más importante que va a guiar al lector a tu texto.

Estas son las claves que uso para crear los títulos de mis textos.

  • Títulos claros, no ingeniosos. Esta es la trampa más común en la que caen los escritores. Hacer textos misteriosos, graciosos o que demuestren lo ingenioso que son. Nada de eso es importante para el lector.
  • Lo que importa es ¿cuál es el problema que me está resolviendo? Cuando un texto promete resolverle algo al lector que le ahorre tiempo o dinero, ahí es cuando él se detendrá y pondrá atención a lo que hay dentro, no antes.
  • La fórmula: Para quién y para qué es el libro. El título debe resolver esas dos preguntas: quién debe de leerlo y lo que va a lograr con ello. Entre más claro y preciso sea el título, mejor. No importa que el título salga un poco largo, mientras sea relevante, el lector lo leerá y terminará abriendo el texto.

Outline y outline del outline

El primer paso que siempre le digo a mis alumnos antes de comenzar a escribir su tesis: escribe el esquema completo.

No me refiero a un esquema general de la tesis. Yo quiero bullet points dentro de mis bullet points. En cada capítulo, quiero saber lo que se va a abordar y dentro de cada tema que se aborda, se puede escribir un esquema de bullet points sobre el orden lógico de las ideas. Al final, cada bullet point debe acabar siendo un párrafo.

Es mucho trabajo al inicio, pero hace que escribir el trabajo final sea mucho más fácil.

Esta es mi fórmula:

  • El contenido en redes sociales son esquemas de escritura escondidos. Todos los días escribo en LinkedIn algo sobre econometría. Este libro será sobre Diferencias en Diferencias, así que estaré publicando más sobre ese tema.
  • Las reacciones y comentarios son mi indicador sobre el libro. Una gran ventaja de publicar tus ideas en línea es que puedes identificar lo que resuena, lo que se vuelve viral e incluso si cometes algún error es mejor que te lo indiquen en tiempo real, en lugar de esperar a que lo vean en un libro. Y es más barato que pagar un editor especializado.
  • Cada publicación es una parte de una serie y cada serie es un capítulo. Aquí está el secreto más importante de esta fórmula: estaré escribiendo en este newsletter las versiones extensas de las ideas que van a formar los capítulos del libro. Las publicaciones se hilan en series, que acaban completando los capítulos de mi siguiente libro. Y los suscriptores pro tienen la primicia.

Estructuras visuales de párrafos predeterminadas

Antes pensaba que tener planeada desde un inicio la estructura de los párrafos haría el texto muy aburrido.

Todo lo contrario.

Vale mucho la pena conocer antes de empezar el ritmo que tendrá el texto. El lector no nota cuando hay un ritmo predecible en el texto, pero cuando este cambia a cada párrafo, se siente que algo está mal. Cuando un texto sigue un mismo ritmo los ojos se deslizan sin esfuerzo por la páginas.

Esto solo lo logras cuando el texto es visual.

¿Qué significa hacer el texto “visual”?

  • Listas y bullet points por todas partes. Todos los textos ya son lineares por naturaleza. Solo hay que aceptarlo y usar listas y viñetas siempre que sea posible. Eso hace el texto mucho más fácil de leer.
  • La estructura 1/3/1. Otra de las joyas que tomé de Nicolas Cole fue crear una sentencia introductoria seguida de un párrafo de 3 sentencias que profundiza y una sentencia final. Es visualmente más atractivo y hace más fácil la lectura.

Y listo.

Me verás escribir mi segundo libro en tiempo real en este newsletter

Esta es la metodología que seguiré para escribir mi segundo libro:

Diferencias en Diferencias: una guía para hacer econometría con la validez de un experimento.

Mi plan: seis series con 5 entregas cada uno en este newsletter.

Estas son las series que verás a continuación:

  • La revolución de la credibilidad
  • El lenguaje de la causalidad
  • El modelo básico 2x2
  • Covariables en el modelo 2x2
  • Diseños con múltiples periodos de tiempo
  • Control Sintético

Es todo lo que necesitas para diseñar tus propios estudios con el método de Diferencias en Diferencias.

El primero es la revolución de la credibilidad, que comienza con la historia que nos trae hasta el punto en el que estamos y explica por qué Diferencias en Diferencias ha sido una técnica que ha crecido tanto en popularidad y que cada vez se usa más para la evaluación de políticas, entre otras cosas. Y sobre todo, ahí es donde explicamos nuevamente los problemas experimentos naturales.

Estoy muy emocionado por comenzar con esta serie, y espero que a tí también te parezca interesante.

Nos leemos pronto.

¡Genial! Te has registrado exitosamente.

¡Bienvenido de vuelta! Has iniciado sesión correctamente.

Te has suscrito correctamente a Economía (pero con datos).

¡Éxito! Revisa tu correo electrónico para obtener el enlace mágico para iniciar sesión.

¡Éxito! Se ha actualizado la información de facturación.

No se actualizó tu información de facturación.