Escribe tu primer paper de economía

El curso introductorio de la economía es muy diferente a los cursos introductorios de otras disciplinas. Si se desea enseñar las bases, por ejemplo, de química o de biología, la elección de los temas se puede hacer pensando en cómo optimizar el aprendizaje del tema. Si pueden cambiar las prioridades, pero las bases suelen ser las mismas.

La economía, por otro lado, ha cambiado profundamente la forma en la que se enseña en el primer semestre al menos tres veces en los últimos cien años.

Esto es en parte porque la enseñanza de la economía se da en diferentes áreas de estudio. Por ejemplo, mi clase de Microeconomía II la doy a alumnos de Administración y Contabilidad, pero también esta clase podría bien ser aprovechada por estudiantes de otras ciencias sociales y otras ciencias naturales.

En realidad, todos deberían tomar al menos una clase de economía en su vida. Existen conceptos como la inflación o el desempleo que son importantes para todos nosotros, y cada vez se vuelve más urgente que como sociedad comprendamos el sistema capitalista en el que vivimos. Pero este planteamiento implica un serio problema: ¿Cuáles temas debería de tocar un curso introductorio de economía que está hecho para todos?

Cómo elegir los temas del nuevo Eco 1

Hay dos elementos importantes a considerar para elegir los temas que un nuevo plan de estudios de economía debe tener: los problemas que debe atenter o resolver la disciplina y las herramientas disponibles para poder atender estos problemas.

¿Qué problema deben atender los economistas?

Respecto a los temas, Bowles y Carlin (2020) organizaron una pregunta a 4,442 alumnos de veinticinco universidades en doce países ¿Cuál es el problema más urgente que los economistas deberían estar atendiendo?.

Si bien el desempleo es un tema que permanece estable entre los temas prioritarios de la economía desde el libro introductorio a la economía de Paul Samuelson (1948), la desigualdad fue el tema que más destacó en importancia. Seguido de este, se encuentran cuatro diferentes términos relacionados al manejo de la crisis climática desde la economía con una tendencia a la preocupación cada vez mayor.

Entre otros términos de interés destacados se encuentran el desempleo, el futuro del trabajo debido a la digitalización y al avance de la inteligencia artificial, la globalización, la migración la inestabilidad financiera y problemas políticos como la corrupción o la guerra.

Estos problemas tienen su propio enfoque a nivel regional. Los efectos del cambio climático afectan de manera desproporcionada a los países en desarrollo, por lo que este es un tema que también se vuelve prioritario enseñar desde el inicio en las escuelas latinoamericanas.

Adicionalmente, la crisis de COVID-19 ha incrementado la urgencia de poner en la mesa la desigualdad, particularmente en las mujeres. La crisis de COVID echó abajo el avance de una generación de la participación de las mujeres en la fuerza laboral. Esto es en parte debido al incremento en la carga de cuidados que afecta mayormente a mujeres, sostenido por roles de género. Naturalmente, México y los países de Latinoamérica no están exentos de este problema y podría ser aún más grave que en los países en desarrollo.

¿Con qué herramientas?

Una de las características que definen a la economía como profesión es el uso de herramientas como el análisis marginalista, la teoría de juegos y la econometría para entender problemas sociales complejos. Estas herramientas siguien siendo elementales para atender los problemas antes mencionados.

A estas herramientas se debe incluir tópicos centrados en la innovación, teoría de juegos y economía conductual (Bowles y Carlin, 2020), que ayuden a comprender gran parte de los fenómenos microeconómicos y macroeconomómicos.

Naturalmente, las herramientas de estática comparativa siguen teniendo un peso importante en la enseñanza de modelos fundamentales de la economía y la enseñanza de fenómenos de mercado y financieros bajo la perspectiva de la teoría de juegos permitirá tener un conocimiento sólido de la naturaleza de los fenómenos económicos detrás de los problemas mencionados con anterioridad, pero esto debe complementarse con un riguroso análisis histórico y el uso de evidencia y métodos de medición causal.

Respecto al uso de métodos causales, hemos sido testigos de los avances en econometría de los últimos años, con un gran crecimiento de las técnicas cuasi-experimentales como Diferencias en Diferencias. De 2015 a 2019, 26 de los 100 artículos más citados en el American Economic Review usaron alguna técnica de regresión lineal con efectos fijos de periodo y grupo y la literatura sobre los usos, pruebas y limitaciones de esta técnica crece rápidamente al momento de la escritura de estas líneas (de Chaisemartin y D'Haultfœuille, 2021).

Cómo implementarlo

En el semestre de otoño de 2018, el Departamento de Economía del Hamilton College implementó un nuevo currículum para los alumnos especializados en economía (Owen y Hadstrom, 2020). Esencialmente, lo que hicieron fue cambiar de dos cursos separados de microeconomía y macroeconomía a un curso semestral combinado y se incluyó un curso nuevo introductorio posterior que es un híbrido entre principios económicos y estadística con un tema de desigualdad. También incrementaron la covertura de econometría en los cursos requeridos para obtener el grado de economista.

El uso de laboratorios prácticos en el centro de la enseñanza es una filosofía que en lo personal he adoptado como central. La propuesta de Owen y Hadstrom (2020) incluye el uso de laboratorios para aprender sobre desigualdad y métodos econométricos a la par. Uno de los laboratorios es el artículo ya clásico de Bertrand y Mullainathan (2004) en el que muestran evidencia de discriminación en el mercado laboral con un experimento ingenioso. Este laboratorio lo he incluído personalmente en mis clases y el resultado es generalmente favorable.

Diversidad en la profesión

Uno de los problemas importantes de la profesión es la falta de diversidad de los graduados de la misma en el mundo. La falta de diversidad en las profesiones y en los lugares de trabajo no sólo pesa al individuo discriminado, sino también tiene un costo de oportunidad para la sociedad y las empresas (García-Meza, 2021).

Relacionado a esto está la necesidad de incrementar el pluralismo en la economía, dando apertura a escuelas de pensamiento económico que contrasten con la visión hegemónica de la disciplina (Chang, 2014. cap. 4), pero también realizando acciones afirmativas para aceptar perfiles diferentes a los que ya existen en la profesión.

Las acciones afirmativas deben de tener suficiente fuerza para que el mensaje logre penetrar en la sociedad. Usar métodos de persuación como nudges tiene limitaciones frente a las otras fuerzas sociales que limitan que más mujeres, por ejemplo, entren a la carrera de economía (Pugatch y Schroeder, 2020).

Si de verdad quieres aprender a hacer economía, econometría o ciencia de datos, es importante que aprendas a ver más allá de las fórmulas. Esto implica entender que detrás de una ecuación o fórmula matemática hay una historia que debemos de entender antes de usarlas.

Al contrario de lo que podrías imaginar, comprender más allá de la aplicación de una fórmula es más sencillo de lo que parece. De hecho, es más sencillo para nuestro cerebro entender la estadística a profundidad que pretender aprender o memorizar fórmulas sin entender su significado por completo.

Por ejemplo, el álgebra lineal es muchas veces más interesante cuando nos enfocamos en la intuición detrás de las transformaciones lineales que cuando pasamos horas y horas aprendiendo a hacer operaciones que una computadora hace mejor que nosotros en segundos.

El cálculo de un tamaño de muestra es otro ejemplo en el que la realidad requiere de mucho sentido común y de entendimiento de la realidad, pero muchas personas sólo usan una fórmula porque no entienden la historia que las ecuaciones están contando, dejando de lado lo que es realmente importante.

Esto nos genera una pregunta importante. ¿No sería mejor enseñar desde el inicio las matemáticas bien para no tener estos problemas?

¿Por qué no se enseñan así las matemáticas?

En México y en América Latina, la enseñanza de las matemáticas sufre una gran crisis. Cada tres años se hace una prueba entre chicos de 15 años en 79 países sobre ciencias, lectura, matemáticas para realizar una medición con respecto a sus pares. Uno de los resultados más impactantes vienen de Latinoamérica: todos los países latinoamericanos participantes tuvieron un resultado menor a la media.

Peor. El área que presenta más complicaciones para los estudiantes son precisamente las matemáticas. De acuerdo a Näslund-Hadley, Varela y Hepworth (2014), la razón principal de esto se debe a la forma en que estas materias se enseñan en el salón de clase.

Sin duda esto tiene que cambiar. Parte de este cambio requiere de mucha empatía con los alumnos y con los maestros que están dando estas clases: es muy complicado hacer un programa ambicioso en el que se avance con tiempo en el aprendizaje y el dominio de los temas que se requieren si los programas son inflexibles y los sueldos de los docentes no suben.

Sin duda es un problema mucho más complejo que sólo incrementar salarios, pero dentro de la gran complejidad de factores, creo yo que es la más urgente. Soy creyente de que los maestros quieren lo mejor para sus alumnos: sólamente necesitan de más apoyo.

Este espacio está hecho con la intención de contribuir en la misión de mejorar las posibilidades de maestros y alumnos en áreas económicas y en estadística. Si esto es algo que para ti es importante, puedes apoyar al proyecto de tres formas:

• Suscríbete al boletín. Existe una versión gratuita y una versión premium. En ambas versiones tendrás en tu bandeja de entrada una historia y un resumen de las nuevas publicaciones a las que tienes acceso todas las semanas.
• Comparte estas publicaciones en tus redes sociales. Si usas Facebook, Twitter o cualquier otra red, una publicación de estos temas muestran que te importa y puedes hacerlo llegar a alguien más que también podría estar interesada/o.
• Cuéntame sobre que tema te gustaría que habláramos en este blog.

Si tu tienes tu blog alojado en Ghost como este que estás viendo, tal vez desees incluir bloques de matemáticas como éste:

\[ e^{i \pi} +1 = 0\]

Si tu tienes la configuración completa, puedes instalar los plugins necesarios con Node JS. Pero hay una manera mucho más sencilla. Lo único que tienes que hacer es incluir code injection en el post que vas a publicar.

Ve a la sección de configuración del post y buscas al final code injection. En el bloque de header vas a pegar el siguiente código

<link rel="stylesheet" href="https://cdn.jsdelivr.net/npm/katex@0.10.1/dist/katex.css" crossorigin="anonymous">
<script defer src="https://cdn.jsdelivr.net/npm/katex@0.10.1/dist/katex.js" crossorigin="anonymous"></script>
<script defer src="https://cdn.jsdelivr.net/npm/katex@0.10.1/dist/contrib/auto-render.min.js" crossorigin="anonymous" onload="renderMathInElement(document.body);"></script>

Y listo.

Ahora, dentro del texto usarás \( para abrir un bloque de ecuación dentro de un párrafo y \) para cerrarlo. Por ejemplo \(e = mc^2\) mostrará como resultado \(e =mc^2\) en el post.

Para crear un bloque resaltado con ecuación, sólo debes abrirlo con \[ y cerrarlo con \]. Por ejemplo \[e^{i\pi} + 1 = 0\] da como resultado la ecuación que viste allá arriba.

¡Felicidades! Has decidido entrar en el mundo de los datos. Seguramente estás muy emocionada(o) y con muchas ganas de aprender. Pero probablemente en ocasiones también te sientas abrumada(o) al ver tantas opciones de lenguajes de programación y entornos de trabajo. Lo sé, así me he sentido antes.

Este post es tu guía de entornos de trabajo, independientemente del lenguaje de programación que elijas, que sobre ese tema hablamos un poco más adelante.

Navegador vs Local

La primera decisión que debes de tomar es si vas a trabajar en un entorno local o vas a usar tu navegador con algún servicio que te ayude a correr el código en la nube.

Si estás empezando, entonces la respuesta es sencilla: comienza en un entorno desde el navegador. Yo personalmente te recomiendo Google Colab, donde puedes usar un notebook en la nube que corre Python.

Una gran ventaja que tiene esta opción es que no necesitas abrumarte en un inicio con conocer cómo funcionan los módulos o en entender sobre entornos virtuales ni nada de eso. Simplemente comienzas a escribir y cómo magia empiezas a ver los resultados. Últimamente he estado utilizando mucho esta opción para enseñar estos temas, con muy buenos resultados.

Por otro lado, si ya tienes un poco más de experiencia, puedes comenzar a probar descargar el lenguaje en tu computadora y trabajar en un entorno local. Si trabajas en R, generalmente es buena idea usar RStudio para complementar el ambiente de desarrollo, pues este permite trabajar de una manera muy dinámica y experimentar con los resultados de un script conforme lo vas creando. Como veremos más adelante, esto es algo que es muy deseable en un ambiente de experimentación.

¿Qué sistema operativo necesito?

En realidad, cualquier sistema operativo es bueno para trabajar en ciencia de datos, pero si tu quieres llegar a un nivel profesional, los ambientes preferidos son los ambientes basados en Unix: Linux o Mac.

La razón principal de esto es la terminal, que es el mismo sistema en ambos casos. Antes esto era un problema para quienes usaban Windows, problema que encontró solución con WSL, que permite usar la consola de manera natural.

La consola es importante porque muchos paquetes, lenguajes y sub-sistemas operan desde esta. Si quieres llegar a un nivel alto en tu camino como científica o científico de datos, es necesario que aprendas a usar la terminal. Esto lo veremos en posts futuros.

¿Por donde empiezo?

Ahora que hemos identificado los sistemas operativos y algunos entornos, hablemos sobre cómo comenzar. En esta sección hablaremos de los lenguajes de programación, pero también este tema lo tocaremos con más profundidad en publicaciones posteriores

¿Qué lenguage de programación es mejor?

Nuevamente, te tengo que decepcionar y no te podré dar una única respuesta definitiva. En cambio, te daré algunas opciones que podrían ser útiles para ti según tu perfil y objetivos a largo plazo.

• R. Uno de los mejores lenguajes para trabajar ciencia de datos es R. R fue creado especialmente para trabajar con estadística y trabaja muy bien con bases de datos. También tiene acceso a librerías especializadas en el área que permiten aplicar los modelos más nuevos inmediatamente. Si alguna librería no está en el CRAN (el catálogo oficial de librerías para R) puedes descargarlas de algún repositorio de GitHub sin problemas. Otra de las ventajas que tiene R son sus paqueterías para visualización nativas, que en mi opinión son muy superiores a las disponibles en casi todos los lenguajes. Una desventaja de R es que no es muy escalable ni se integra de una manera sencilla con procesos automatizados de análisis.
• Python. Este es sin duda uno de los lenguajes de mayor crecimiento en los últimos años. Al igual que R, Python es open source y tiene librerías fantásticas especializadas en el análisis y visualización de datos. Una de las mayores ventajas de Python es que es un lenguaje general con el que se puede hacer muchas cosas además de ciencia de datos. Por ejemplo, es posible hacer una API con Flask o Django que se integre con el análisis de datos.
• SQL. Independientemente de los lenguajes anteriores, siempre es buena idea tener bases sólidas de las estructuras de bases de datos. Esto incluye el uso de bases de datos relacionales como SQL. Si tus proyectos son más grandes y requieren de uso de Big Data, probablemente ahí se tenga que llegar a bases de datos en grafos o NoSQL.

Notebooks

En 2001, Fernando Pérez, un físico, programador y promotor del software libre sacó al público una innovación que cambiaría la forma de trabajar datos para siempre.

Uno de los problemas de los scripts de código es que el análisis de datos requiere de mucha experimentación. Los scripts generalmente se suelen correr completos, pero en ocasiones sólo necesitas correr pequeños bloques de código.

Para esto IPython y las notebooks son una solución que permiten correr bloques del lenguaje de manera interactiva. El proyecto ha evolucionado a libretas de Jupyter, que permiten hacer justamente eso en un ciclo REPL (Read Evaluate Print Loop).

Comienza tu camino en la ciencia de datos

Has aprendido las bases y ahora tienes las herramientas para comenzar a trabajar en tu entorno de ciencia de datos. Comienza hoy mismo a realizar tu primer proyecto de ciencia de datos y cuéntame cómo te fue.

En mayo de 2021 comenzó el brote de una nueva variante del virus Sars-Cov-2. El nombre de la variante Delta penetró tanto en nuestras mentes que la aerolínea con el mismo nombre evitaba a toda costa usar ese nombre para evitar asociaciones con su marca.

La variante Delta desplazó de inmediato al resto de variantes del virus, dominando por completo la pandemia. Se consideraba un evento de baja probabilidad que otra sepa tomara el control en adelante, por lo eficiente que era Delta. Pero en eso llega la variante Omicron.

¿Que es la variante Omicron?

La variante Ómicron es la quinta variante de preocupación que la Organización Mundial de la Salud (OMS) designa. Las variantes de preocupación se designan ya sea porque tienen mayor capacidad de contagio o porque resultan en síntomas más severos.

En el caso de ómicron, se considera de preocupación por presentar mutaciones que jamás habían sido observadas con anterioridad, con más de 30 solamente en la espícula (La proteína pico que ayuda al virus a volverse contagioso).

¿Que significa todo esto?

Profundicemos un poco para poder pensar en las posibles implicaciones de esta nueva variante. Hay muy pocas certezas hasta el momento, pero sabemos que esta variante fue encontrada en Sudáfrica, que es muy diferente a las demás y que se puede aún detectar con las pruebas PCR disponibles en la actualidad para detectar las otras variantes del coronavirus.

No sabemos aún si las vacunas serán efectivas contra esta nueva variante. Sudáfrica tiene una tasa muy baja de vacunación, por lo que la distribución de esta variante en este país podría deberse a esto. En cualquier caso, la vacunación se vuelve aún más un asunto de urgencia en el mundo.

Efectos en los mercados

Hubo una fuerte caída en todas las bolsas de valores en el mundo debido a las noticias relacionadas a esta nueva variante. Los sectores de energía, las empresas y los FTEs, entre tantos, tuvieron un Black Friday de rebajas catastróficas. Incluso las criptomonedas sufrieron una fuerte caída hoy. Aún es muy pronto para determinar si estos efectos son a largo plazo o si el mercado se recuperará. Todo depende de la información que surja respecto a esta nueva variante y sus posibles efectos a nivel de contagio o de severidad.

Mientras tanto, las empresas que si se espera que sigan subiendo serían las encargadas de la producción de vacunas. Moderna, Pfizer y todas las empresas que están involucradas en los procesos de vacuna presentaron un alza importante y seguirán creciendo mientras se mantenga la incertidumbre.

¿Por qué se llama Omicron?

Oficialmente, la variante se llama B.1.1.529, pero les fueron designadas conforme al alfabeto griego para permitir que se pueda comunicar y discutir por medios y perfiles no-técnicos. Muchos suponían que esta nueva variante sería nombrada Nu ($\nu$), sin embargo, la OMS decidió nombrar a la variante “Omicron” ($\omicron$) saltándose la letra nu y xi ($\xi$). Algunos especulan que esta decisión es para evitar confusión con la palabra New (nueva en inglés) y Xi podría ser para evitar una relación con el nombre del presidente Chino Xi Jinpin.