Guías de 5 minutos para economistas ocupados para escribir (y publicar) su primer paper de economía apoyados en IA. Cada publicación contiene un prompt de IA que te ayudará a acelerar tu trabajo y publicar (al menos) 2 papers al año.
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.
Los semiconductores son piezas pequeñas de silicio que forman el "cerebro" de los aparatos tecnológicos.
También se les llama circuitos integrados o chips y están detrás de todo lo que hacemos. Una tostadora tiene semiconductores, al igual que los smartphones y los servidores que ejecutan los modelos de inteligencia artificial. Son de mucho interés para los países porque están íntimamente ligados con la producción, el empleo y la seguridad nacional.
Se trata de un mercado muy particular y que no se puede comparar fácilmente con otros, principalmente por su proceso de fabricación.
Hoy vamos a entrar de lleno en el mundo de los semiconductores y la política industrial.
Estos son los puntos más importantes que veremos:
Los gobiernos están tomando medidas para controlar la producción de semiconductores.
La concentración de fábricas en ciertas regiones puede ser arriesgada.
La cadena de suministro global de chips es compleja y frágil.
¿Estamos listos? Entremos en materia.
¿Por qué los semiconductores son tan importantes?
Los semiconductores son esenciales para el funcionamiento de casi todos los dispositivos electrónicos que usamos a diario.
Desde tu teléfono móvil hasta tu refrigerador, estos pequeños componentes hacen posible que la tecnología funcione. Sin ellos, gran parte de nuestra vida moderna se detendría. Incluso los objetos que no contienen microchips están hechos por máquinas con chips.
Así de fundamental es ese mercado.
Aquí hay algunos puntos clave:
Son el núcleo de la innovación tecnológica. Sin chips avanzados, no podríamos tener inteligencia artificial, coches autónomos o incluso servicios de internet confiables.
Impactan la economía global. La producción y venta de semiconductores es un negocio de miles de millones de dólares que afecta a múltiples industrias.
Son estratégicos para la seguridad nacional. Los países necesitan acceso a estos componentes para sistemas de defensa, comunicaciones y energía.
La carrera global por controlar la producción de chips
Leer el artículo completo
Registrarse
ahora para leer el artículo completo y acceder a todos los artículos por
solo suscriptores pagos.
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.
💡
El peor escenario al que te enfrentas es en el que las columnas tienen nombres que no son descriptivos y no tienes un diccionario. En ese caso tendrás que hacer el diccionario por tu cuenta.
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.
La mejor forma de mostrar la dinámica de una población es con un gráfico de pirámide.
Se le llama así porque por años esa es la forma que ha tomado, cuando ponemos dos gráficos de barras contiguos. Cada barra es la suma de todas las personas en un rango de edades.
En este tutorial:
Te daré el código para hacer tus pirámides de población en R y Python.
Luego veremos un ejemplo real descargando datos del INEGI
Y finamente personalizaremos el gráfico.
Comencemos.
¿Para qué se usan las pirámides de población?
Es la forma más sencilla de entender la dinámica de la población de un lugar.
Es un vistazo al presente y al futuro de la población. Los jóvenes de ahora son los adultos del mañana, que a su vez serán los adultos mayores después. Entender esto de un vistazo te ayuda a proyectar la fuerza laboral, el estado de las pensiones y el futuro de las finanzas públicas.
Entre muchas otras cosas.
Este es el código para hacer una pirámide de población
Esta vez comenzaremos con el código.
Los scripts que te daré te harán el gráfico que buscas en python y R. Sólo tienes que modificar las cifras y los rangos, si es necesario.
Copia este código y úsalo en un script de python. También puedes usarlo en Google Colab.
El único módulo que necesitamos es matplotlib.
# Importamos las librerías necesarias
import matplotlib.pyplot as plt
# Definimos los datos manualmente
rangos_edades = ['0 - 5', '6 - 10', '11 - 15', '16 - 20', '21 - 25', '26 - 30', '31 - 35', '36 - 40', '41 - 45', '46 - 50', '51 - 55', '56 - 60', '61 - 65', '66 - 70', '71 - 75', '76 - 80', '81+']
hombres = [-30320, -24326, -20658, -19694, -16580, -13560, -10634, -8900, -7386, -6094, -4984, -4084, -3284, -2504, -1824, -1284, -896]
mujeres = [29144, 22493, 19878, 21686, 16947, 14374, 12220, 10800, 9634, 8056, 6804, 5634, 4512, 3500, 2642, 1904, 1208]
# Creamos la figura y los ejes
plt.figure(figsize=(10, 8))
# Graficamos la población masculina (lado izquierdo) y femenina (lado derecho)
plt.barh(rangos_edades, hombres, label='Hombres', color="#154957")
plt.barh(rangos_edades, mujeres, label='Mujeres', color="#05cd86")
# Añadimos etiquetas y título en español
plt.xlabel('Población')
plt.ylabel('Rango de Edad')
plt.title('Pirámide Poblacional para el año 1900')
plt.legend(loc='upper right')
# Mostramos el gráfico
plt.show()
Para hacer lo mismo en R, usamos este código. Nota que, como le estamos dando las cifras directamente en el código, no es necesario cargar ninguna base de datos (eso lo haremos más adelante con los datos del INEGI).
# Instalamos (si es necesario) y cargamos la librería ggplot2
if (!require(ggplot2)) install.packages("ggplot2")
library(ggplot2)
# Definimos los datos manualmente
rangos_edades <- c("0 - 5", "6 - 10", "11 - 15", "16 - 20", "21 - 25",
"26 - 30", "31 - 35", "36 - 40", "41 - 45", "46 - 50",
"51 - 55", "56 - 60", "61 - 65", "66 - 70", "71 - 75",
"76 - 80", "81+")
hombres <- c(-30320, -24326, -20658, -19694, -16580, -13560, -10634, -8900, -7386,
-6094, -4984, -4084, -3284, -2504, -1824, -1284, -896)
mujeres <- c(29144, 22493, 19878, 21686, 16947, 14374, 12220, 10800, 9634,
8056, 6804, 5634, 4512, 3500, 2642, 1904, 1208)
# Creamos un data frame con los datos
datos <- data.frame(
RangoEdad = factor(rangos_edades, levels = rev(rangos_edades)), # Invertimos los niveles
Hombres = hombres,
Mujeres = mujeres
)
# Transformamos los datos a un formato largo para ggplot
datos_largo <- reshape2::melt(datos, id.vars = "RangoEdad", variable.name = "Genero", value.name = "Poblacion")
# Creamos la pirámide poblacional
ggplot(datos_largo, aes(x = Poblacion, y = RangoEdad, fill = Genero)) +
geom_bar(stat = "identity", width = 0.8) +
scale_x_continuous(labels = abs, name = "Población") + # Etiquetas del eje x como valores absolutos
labs(y = "Rango de Edad", title = "Pirámide Poblacional para el año 1900") +
scale_fill_manual(values = c("Hombres" = "#154957", "Mujeres" = "#05cd86")) + # Colores para cada género
theme_minimal() +
theme(legend.position = "top") +
guides(fill = guide_legend(title = "Género"))
Debes de obtener como resultado un gráfico como este:
El truco en ambos casos es proporcionar los datos de un género en positivo y los otros en negativo.
Si ya tienes los datos y ya organizaste las sumas, basta con que cambies los números en el código y ya tienes el gráfico listo para usar.
Pero ¿qué hacer con los datos como vienen en el censo?
Hagámoslo.
Tutorial para hacer una pirámide de población con los datos del INEGI en R y Python
Normalmente no nos vamos a encontrar los datos listos para hacer nuestra gráfica.
Generalmente es necesario ordenar los datos y limpiarlos antes de comenzar a hacer los gráficos. Afortunadamente, tanto R como Python tienen funciones que facilitan mucho el trabajo. El código que te voy a pasar funciona sin cambios para el censo 2020 de México en Inegi. Si deseas usarlo en otras bases de datos, lo puedes hacer con cambios ligeros.
No te preocupes, te guiaré en el camino.
Si ya estás listo, comienza por aquí.
Paso #1: Descarga la base de datos
Para este ejemplo usaremos el censo 2020 de Inegi.
Entra el la siguiente página y descarga los tabulados del cuestionario básico de población.
La hoja 03 contiene los datos que buscamos. Los únicos detalles son que hay que filtrar el estado que queremos que nos muestre y que nos arroja todas las edades. Para hacer una pirámide que sea fácil de leer, necesitamos dividir estos datos en rangos.
Así se ve la pantalla de los datos en Excel.
💡
En esa misma página puedes encontrar una pirámide poblacional ya hecha por INEGI en formato PDF. Puedes usarla para comparar tus resultados.
Paso #2: Carga la base de datos en Python/R
Ahora que tienes el archivo descargado, es momento de cargarlo en tu entorno de trabajo. Te mostraré cómo hacerlo tanto en Python como en R, y te explicaré cada paso para que entiendas lo que estamos haciendo y cómo puedes adaptar el código a tus necesidades.
Cargando los datos en Python
Primero, asegúrate de tener instaladas las librerías necesarias. En este caso, usaremos pandas para manejar los datos y matplotlib para las gráficas.
# Importamos las librerías necesarias
import pandas as pd
import matplotlib.pyplot as plt
Ahora, especifica la ruta al archivo que descargaste y el nombre de la hoja que contiene los datos que necesitamos (en este caso, la hoja "03").
# Especifica la ruta al archivo y el nombre de la hoja
file_path = 'ruta/a/tu/archivo.xlsx' # Reemplaza con la ruta real de tu archivo
sheet_name = '03' # Nombre de la hoja que contiene los datos
Leemos los datos del archivo Excel, omitiendo las primeras filas que contienen metadatos y no nos sirven para el análisis.
# Leemos la hoja de Excel, omitiendo las primeras 5 filas de metadatos
data = pd.read_excel(file_path, sheet_name=sheet_name, skiprows=5)
Renombramos las columnas para facilitar su manejo.
# Renombramos las columnas para mayor claridad
data.columns = ["Entidad", "Edad", "Poblacion_Total", "Hombres", "Mujeres", "Relacion_H_M"]
Cargando los datos en R
En R, utilizaremos el paquete readxl para leer archivos Excel y ggplot2 para las gráficas. Asegúrate de tenerlos instalados.
# Instalamos y cargamos los paquetes necesarios
if (!require("readxl")) install.packages("readxl")
if (!require("ggplot2")) install.packages("ggplot2")
library(readxl)
library(ggplot2)
Especifica la ruta al archivo y el nombre de la hoja.
# Especifica la ruta al archivo y el nombre de la hoja
file_path <- "ruta/a/tu/archivo.xlsx" # Reemplaza con la ruta real de tu archivo
sheet_name <- "03" # Nombre de la hoja que contiene los datos
Leemos los datos, omitiendo las primeras filas innecesarias.
# Leemos la hoja de Excel, omitiendo las primeras 5 filas de metadatos
data <- read_excel(file_path, sheet = sheet_name, skip = 5)
Renombramos las columnas.
# Renombramos las columnas para mayor claridad
colnames(data) <- c("Entidad", "Edad", "Poblacion_Total", "Hombres", "Mujeres", "Relacion_H_M")
Paso #3: Filtra y limpia los datos
Los datos que hemos cargado incluyen información de todas las entidades federativas y edades individuales. Para nuestra pirámide poblacional, vamos a enfocarnos en el nivel nacional. Pero si deseas analizar un estado específico, como Durango, te mostraré cómo hacerlo.
Filtrando los datos en Python
Primero, filtramos los datos para quedarnos solo con la entidad que nos interesa. Para el nivel nacional, la entidad se llama "Estados Unidos Mexicanos".
Leer el artículo completo
Registrarse
ahora para leer el artículo completo y acceder a todos los artículos por
solo suscriptores pagos.
Los videojuegos, las películas, el software que utilizamos. Todo lo quieren poner como suscripción. Incluso este newsletter tiene su modelo de suscripción.
¿Cómo es que caímos en esta trampa tan macabra?
Hay muchas cosas que no solemos clasificar como “suscripción”, pero se comportan igual. Los seguros, las hipotecas, la colegiatura de la escuela, por ejemplo. Del lado de la empresa, son modelos de negocio que se ven muy bien en las hojas de balance. Son ingresos muy estables que permiten planear a largo plazo.
Y a los inversionistas les gusta mucho eso.
El problema es que los usuarios nos olvidamos de cancelar las suscripciones
Hace un par de meses pagué la colegiatura de los niños, todo el año de un solo golpe.
El resultado fue que mis tarjetas se quedaron vacías justo en las fechas que tenía que renovar la anualidad de varios servicios. Entre ellos estaba la anualidad de HBO Max y… ¿la mensualidad de HBO Max en Prime?
¡Estaba pagando doble!
Cancelé el más caro y me puse a revisar qué otras cosas estaba pagando de más (saludos a mi coach financiero).
Esta es la razón por la que odiamos a veces las suscripciones. Pensamos (con justa razón) que no nos vamos a acordar de los pagos.
Las trampas para atraparte en la suscripción
Las empresas también tienen gran peso de la culpa.
Tal vez te hayas topado con prácticas poco éticas para hacer imposible cancelar. Hay prácticas sutiles, como hacer los menús de cancelación menos llamativos, pero también hay trampas sucias y trucos legales que hacen imposible que alguien se salga. Hay casos de tiempos compartidos que incluso “heredan” la suscripción a los hijos y nietos de sus clientes.
Una verdadera pesadilla.
Sin suscripciones, hay negocios que no sobrevivirían
Los negocios de suscripción tienen incentivos diferentes a los negocios tradicionales.
Si tú vendes comedores, por ejemplo, el único indicador que te importa es el número de comedores que vendiste en el año. Pero si tienes un modelo de suscripción, también es importante el número de personas que cancelan. Es un indicador conocido como la tasa de “churn”.
Los negocios de suscripción están obsesionados con el churn.
En situaciones regulares, el afán de reducir las cancelaciones debería hacer que las empresas ofrezcan más valor a sus clientes.
Claro que las suscripciones tienen ventajas
Es fácil enfocarnos en lo negativo de las suscripciones, pero hay una razón por las que nos anotamos a un año en el gimnasio en enero aún cuando sabemos que posiblemente no cumpliremos con el sueño.
Porque una suscripción es una promesa a ti mismo del futuro al que aspiramos.
Es una promesa de que tendremos el mismo temple en dos meses para seguir asistiendo al gimnasio, trabajando en nuestros diseños o escribiendo investigación.
En Junio de 1947, un granjero en Nuevo México, descubrió pedazos de un globo de la fuerza aérea en su rancho.
El incidente sería el inicio de una serie de teorías de la conspiración. En un reporte de 1990, las fuerzas armadas declararon que el globo se estrelló durante un proyecto que tenía la intención de detectar pruebas nucleares de la unión soviética (recuerda que era la guerra fría). En otras palabras, el gobierno si estaba ocultando algo, pero no eran aliens.
Lo que escucharon muchos: “el gobierno está ocultando aliens”.
Durante los años siguientes, las teorías de la conspiración se volvieron una industria imparable que genera millones de dólares. Una industria en la que la atención es más importante que la verdad.
Un mundo nos vigila
En 1991 se publicó un libro que conectaba el asesinato de Kennedy, un gobierno mundial secreto y los Illuminati
Milton William Cooper fue el pionero de la ufología cuando comenzó a decir que había sido testigo de una nave de metal “más grande que un estadio de fútbol” y que había recibido instrucciones de nunca hablar del incidente. Acusó al presidente Eisenhower de negociar un tratado con los extraterrestres en 1954 que le permitían a los aliens “abducir humanos” a cambio de asistencia tecnológica. También decía que Kennedy fue asesinado porque estaba a punto de revelar que los extraterrestres estaban a punto de tomar control de la tierra y que el VIH fue creado por el ser humano para atacar a personas de raza negra, hispanos y homosexuales.
Era toda una personalidad. Su programa de radio era extremadamente popular.
En México nosotros tenemos a nuestro Cooper muy bien ubicado. Todavía el año pasado Jaime Maussan intentó engañaral mundo mostrando un supuesto alien de 1,000 años en el congreso. Lo hizo pegando pedazos de huesos de humanos y de animales, formando una figura parecida a ET, de Steven Spielberg.
Y es que el negocio de la conspiración era demasiado jugoso para quedarse atrás.
En este mapa se muestra la distribución de avistamientos ovni en el mundo. Los avistamientos prácticamente comenzaron en 1947 y se han mantenido en aumento en Estados Unidos, con un poco en Europa y menos en otras regiones del mundo.
Revelador.
¿Por qué seguimos cayendo en fraudes y teorías de la conspiración?
La desconfianza en el gobierno coincide con incidentes como el Watergate o la guerra de Vietnam.
Son eventos en los que los ciudadanos en Estados Unidos se enfrentaron por primera vez a la realidad de que su gobierno les estaba mintiendo y ocultando cosas. En este contexto se hace razonable pensar “¿en qué más nos han mentido?”.
Y las teorías de la conspiración son un negocio muy lucrativo.
Después de Cooper llegó Alex Jones, que llevó al extremo el negocio de las fake News. Jones fue el primero en decir que el ataque a las torres gemelas tenía un “98 por ciento de probabilidad de haber sido un bombardeo controlado orquestado por el gobierno. Lo hizo el mismo día del ataque, desde su casa en Austin, Texas a 2,800 kilómetros de distancia y sin ninguna evidencia.
Su voz ha promovido conspiraciones muy locas desde entonces y hasta la fecha.
Su modelo de negocio es simple: las teorías de la conspiración atraen mucho la atención. Su trabajo es mantener la atención de sus oyentes y entre una idea loca y otra promueve los productos de sus patrocinadores. En su programa se promueven todo tipo de suplementos alimenticios (que supuestamente curaban COVID) y productos milagro.
Como decimos en México, en todas partes se cuecen habas.
La realidad no importa
Podríamos pensar que se trata de loquitos con sombreros de aluminio y que no nos afecta a nosotros.
Donald Trump ascendió a la presidencia gracias a su amistad con Alex Jones. Jones presentaba como verdad todas las teorías que Trump decía, por muy locas que fueran. Las teorías de la conspiración tienen también el poder de mover la política del mundo.
El costo: vidas humanas.
La pandemia de COVID-19 hizo patente lo frágil que es la verdad. Las teorías antivacunas y la falta de restricciones en los estados republicanos tuvo consecuencias reales. Miles de personas fallecieron víctimas de las noticias falsas.
El colmo es que es posible que el virus si haya nacido en un laboratorio, como decían las teorías de conspiración iniciales.
Alina Chan es una bióloga molecular en Harvard y notó algo extraño. Se dio cuenta de que el virus estaba mutando demasiado lento, casi como si ya estuviera adaptado al ser humano. Nuevamente, la verdad había sido ocultada.
No es la mejor forma de construir confianza en las instituciones.
¿Cómo evitar caer en teorías de la conspiración?
No eres inmune a creer en teorías de la conspiración.
Hay mucha evidencia de que las personas inteligentes también caen en estas teorías. Peor, al ser inteligentes, su mente genera más razones para creer en cosas raras y se justifican.
Es más difícil hacer que cambien de opinión.
Y más en un mundo con redes sociales, deep fakes y muchos incentivos donde los views y los likes valen más que la verdad. Sería irreal que te pidiera que revises todas las fuentes y hagas un análisis profundo antes de tomar cualquier decisión.
Lo mejor que puedes hacer es:
Cuestiona tus propias creencias. ¿A quién le funciona que creas lo que crees? Siempre hay alguien.
Aprende a escuchar. Suena fácil, pero muy pocas personas realmente saben cómo escuchar a la otra persona. Casi todos queremos siempre hablar y poner nuestros puntos de vista.
Habla con personas diferentes a tu círculo habitual. Si siempre hablas con las mismas personas, nunca saldrás de tu burbuja.
No te puedo prometer que nunca caerás en una teoría de la conspiración, pero seguro te ayudará.
Después de todo, estamos llenos de intereses que quieren que creas.
Algunas políticas económicas parecen estar malditas.
Como espectros, persisten mucho después de su utilidad, frenando el desarrollo y causando estragos. En Zombie Economics, John Quiggin muestra cómo ideas obsoletas continúan acechando las economías. Para avanzar, los países deben exorcizar estas políticas y liberarse de su influencia.
Hoy exploraremos tres exorcismos económicos que transformaron naciones enteras:
La estanflación en el mundo. Cómo medidas drásticas rompieron el ciclo de inflación y estancamiento.
La apertura de China. El giro radical hacia un mercado global que levantó a millones de la pobreza.
La reforma fiscal en Perú. Un sistema simplificado que eliminó el caos tributario y atrajo inversión extranjera.
Veamos cómo estas naciones lograron expulsar a sus demonios económicos.
La estanflación de los años 70: Desafiando la lógica económica
La década de 1970 rompió con la lógica económica establecida.
Hasta ese momento, se creía que la inflación y el desempleo tenían una relación inversa. La estanflación combinó ambos fenómenos de manera inesperada, creando un desafío sin precedentes. Los economistas se vieron forzados a replantear sus teorías y estrategias para enfrentar esta crisis.
Este periodo transformó la manera de entender la política económica.
El “exorcismo” de la estanflación llegó con medidas drásticas de política monetaria.
Aumento de tasas de interés. Paul Volcker, presidente de la Reserva Federal, elevó las tasas de interés a más del 21%, frenando el crecimiento de la oferta monetaria y reduciendo la inflación.
Control de la oferta monetaria. La Fed dejó de centrarse en las tasas de interés y se enfocó en limitar la cantidad de dinero en circulación, controlando así la inflación a largo plazo.
Disciplina fiscal y ajustes estructurales. El gobierno redujo el déficit fiscal, conteniendo el gasto público y permitiendo una recuperación económica más sostenible.
Estas políticas, aunque dolorosas, restauraron la estabilidad y sentaron las bases para el crecimiento económico en las décadas siguientes.
La apertura económica de China: Expulsando al fantasma de Mao
En 1978, China enfrentaba una crisis económica tras décadas de control absoluto del Estado.
La economía, centrada en la producción agrícola y la industria pesada, estaba estancada. La pobreza extrema era generalizada y la infraestructura productiva estaba obsoleta. El país necesitaba urgentemente una reforma para salir del aislamiento económico y la miseria.
La solución fue una apertura al mundo sin precedentes.
El “exorcismo” del estancamiento chino comenzó con reformas de mercado.
Descolectivización agrícola. Los campesinos recuperaron el control sobre su producción, lo que aumentó la eficiencia agrícola y redujo drásticamente la pobreza rural.
Zonas Económicas Especiales. Ciudades como Shenzhen se convirtieron en centros de inversión y experimentación, atrayendo capital extranjero y promoviendo el desarrollo industrial.
Fomento a la iniciativa privada. Se permitió la creación de empresas privadas, lo que impulsó el crecimiento de sectores como el comercio y la manufactura, diversificando la economía.
Estas reformas no solo exorcizaron al país del estancamiento, sino que lo transformaron en una potencia económica mundial.
La reforma fiscal en Perú: Eliminando el caos tributario
En la década de 1990, Perú enfrentaba un sistema fiscal caótico y plagado de corrupción.
La complejidad del código tributario dificultaba el cumplimiento y fomentaba la evasión. Las altas tasas impositivas ahuyentaban la inversión extranjera, y la recaudación era insuficiente para financiar el desarrollo. El país necesitaba una reforma profunda para salir de este ciclo de ineficiencia.
La solución fue una simplificación radical del sistema tributario.
El “exorcismo” del caos fiscal se logró con reformas que transformaron la economía.
Simplificación del código tributario. Se eliminaron impuestos redundantes y se unificaron tasas, facilitando el cumplimiento para empresas y ciudadanos.
Reducción de tasas impositivas. Bajaron los impuestos para atraer inversión y fomentar la formalidad, aumentando la base de contribuyentes y la recaudación fiscal.
Fortalecimiento de la administración tributaria. Se modernizó la SUNAT con tecnología y procesos eficientes, mejorando el control y reduciendo la evasión fiscal.
Estas reformas revitalizaron la economía peruana, atrajeron inversión y sentaron las bases para un crecimiento sostenible.
Exorcizar políticas “malditas” requiere escuchar a los economistas, aunque no siempre sea lo más popular
La historia económica está llena de políticas que parecen imposibles de erradicar.
La estanflación afectó a economías en todo el mundo, revelando que las soluciones tradicionales ya no funcionaban. China dejó atrás décadas de aislamiento con reformas orientadas al mercado, a pesar de la resistencia ideológica. Perú modernizó su sistema fiscal, simplificando estructuras complejas para atraer inversión y reducir la evasión.
En todos estos casos, la clave fue escuchar a los economistas.
La política y la economía no siempre van de la mano, pero seguir el consejo de los expertos es crucial para el progreso.
Medidas impopulares pero necesarias. Elevadas tasas de interés, aperturas económicas y reformas fiscales son a menudo medidas dolorosas, pero necesarias para estabilizar y hacer crecer una economía.
Pensar a largo plazo. Los economistas entienden que los beneficios de las reformas se ven con el tiempo. Aunque puedan ser impopulares en el corto plazo, evitan crisis mayores en el futuro.
El valor de la razón. Las decisiones basadas en evidencia y análisis económico, aunque difíciles, permiten a los países enfrentar crisis complejas y emerger más fuertes y preparados.
La lección es clara: escuchar a los economistas y confiar en sus recomendaciones, aunque impopulares, es esencial para superar las políticas “malditas” y preparar a las naciones para un futuro más próspero y estable.
Esta es la situación: te piden ser revisor para una investigación.
Tienes conocimiento sobre el tema, puedes dar una gran retroalimentación al investigador sobre su trabajo y te gusta el tema. El único problema: no tienes tanto tiempo para hacer esa revisión.
No se tú, pero para mi es demasiado hacer la revisión al documento, poner observaciones los documentos y aparte tener que adaptarme al formato.
Y peor si el formato me lo cambian cada revisión.
Lo importante como investigador es hacer eficiencias y reducir tiempos en todas las actividades repetitivas. Así te puedes concentrar en lo importante: hacer ciencia.
Pero espera, ¿Es ético usar IA para la revisión de un paper?
No te estoy diciendo que le des copy paste a lo que te dice la IA en su veredicto.
Se trata de que uses a la IA como un asistente de investigación. Imagina que chatGPT o Claude es tu becario. Llegas con tu becario y le dices: “Acabo de hacer esta revisión, ya le puse mis comentarios, por favor llena el formato con mi veredicto y mándalo al editor”.
Es probable que ya estés haciendo algo similar.
Se trata únicamente de ahorrar tiempo en una de las fricciones que te hacen una barrera para ser un investigador productivo: llenar formatos.
Y este no es el lugar para quejarnos de los formatos. Los editores necesitan los formatos para tener una forma estandarizada de tomar una decisión compleja.
Tu tarea como revisor es:
Para el editor: ayudarle a tomar una decisión sobre la pertinencia de la publicación. Tu ojo experto le dará la guía de si la metodología es apropiada, los resultados son pertinentes y el artículo está bien escrito.
Para el autor: Tu tarea más importante es para el autor. Como autores, tenemos ceguera de taller y no siempre podemos notar errores que cometemos. Necesitamos que un experto nos guíe de manera objetiva sobre lo que podemos mejorar.
Para ti mismo(a): Ser revisor es un regalo. Te da la oportunidad de revisar lo más nuevo de tu campo, antes de que sea publicado. Es una gran forma de aprender nuevos enfoques y mantenerte actualizado.
Preparativos
El resto de este artículo es un tutorial donde te guío para hacer la revisión del artículo usando a la IA como asistente.
Lo que vas a necesitar:
El artículo de revisión (naturalmente).
El formato de revisión.
Acceso a chatGPT o Claude en sus versiones más avanzadas que tengas a tu disposición.
En términos generales, este tutorial tiene la intención de que la mayor parte de tu tiempo de revisión la pases leyendo el paper y haciendo las observaciones y cambios que consideres pertinentes, dejando en tus observaciones tu criterio de experto en el área. Lo que estamos automatizando es la parte de rellenar formatos.
Comencemos.
Paso #1: Realiza los comentarios en el paper
Este tutorial está hecho para trabajar con Word, aunque los principios son similares si trabajas en LaTeX u otro editor de texto.
Antes de comenzar, es necesario que te asegures de que tus comentarios permanecerán como los de un usuario anónimo. Aquí te dejo un tutorial para hacer ese cambio, si necesitas hacerlo.
Una vez que cumplas con esto, puedes agregar comentarios a lo largo del documento. Por lo general, la ruta sería:
💡
Insertar > Comentario
Tu comentario se verá al lado derecho del documento y se ve algo así.
💡
Pro tip: En esta etapa, asegúrate de escribir tus comentarios de la manera más detallada posible. Por dos razones: el autor podrá entender mejor las razones de tu dictamen y las acciones que debe tomar al respecto (sobre todo si es negativo), y servirá más adelante para darle información a la IA sobre cómo redactar los elementos de tu dictamen.
Adicionalmente, puedes activar el control de cambios para hacerle modificaciones al texto. Asegúrate de que si requieres cambios generales en el estilo, proporcionar ejemplos concretos.
Entre más clara sea tu retroalimentación, mejor será tu dictamen y más claridad tendrá el autor sobre los siguientes pasos que tiene que tomar.
Paso #2: Guarda el documento como página web
Este es un truco para extraer todos los comentarios que le hiciste al artículo.
Lo necesitamos para no tener que copiar y pegar los comentarios de manera individual cuando le demos la instrucción a la Inteligencia Artificial.
Comienza en Archivo > Guardar como:
En “Formato del archivo”, busca guardarlo como Página web o archivo html.
Y lo abres usando tu navegador. Yo lo abrí con Google Chrome, pero debe funcionar perfectamente con cualquier navegador.
Tus comentarios están al final de la página.
Toda la página ahora la puedes copiar y pegar en el prompt que veremos a continuación.
Paso #3: Alimenta a la Inteligencia Artificial con tus observaciones
Comencemos a trabajar con la inteligencia artificial.
Necesitamos tener una versión que tenga una ventana de contexto amplia (para que pueda leer y recordar el artículo completo).
Lo que necesitamos para comenzar:
Abre chatGPT o Claude.
Abre el formato de evaluación. Estoy asumiendo que es un archivo de Word o un formato en línea.
Generalmente los formatos de evaluación contienen dos tipos de elementos:
Calificaciones numéricas. Por ejemplo, pueden preguntar sobre características generales como la pertinencia y originalidad. En algunos casos, el editor puede asignar un puntaje a las preguntas para determinar la factibilidad de publicación del artículo de forma “objetiva”.
Preguntas abiertas que invitan al evaluador a proporcionar su opinión. En estas preguntas, el evaluador tiene que dar los argumentos sobre su decisión.
Atenderemos ambas.
Leer el artículo completo
Registrarse
ahora para leer el artículo completo y acceder a todos los artículos por
solo suscriptores pagos.
![[Deep dive] Semiconductores y la nueva política industrial](/content/images/size/w30/2024/11/ACE9825A-165A-409A-A404-D8AA9F06B021.png)
![[guía] chatGPT para el análisis de datos](/content/images/size/w30/2024/11/DALL-E-2024-11-10-14.53.31---A-modern-minimalist-black-and-white-unfinished-ink-sketch-of-a-pilot-and-a-robot-co-pilot-working-together-on-data-science.-The-pilot-is-seated--conce.webp)
![[Tutorial] Hacer una pirámide de población en R y Python](/content/images/size/w30/2024/11/DALL-E-2024-11-04-18.01.13---A-minimalist-black-and-white-lineart-sketch-of-a-short-robot-carrying-blocks-to-build-a-pyramid.-The-robot-is-compact-and-sturdy--with-simple-geometri.webp)
![[Guía] Dictaminar un paper con Inteligencia Artificial](/content/images/size/w30/2024/10/DALL-E-2024-10-20-15.47.53---A-modern-minimalist-black-and-white-ink-sketch-of-a-person-doing-home-office-in-their-pajamas.-The-scene-shows-a-simplified-desk-setup-with-a-laptop--.webp)
