Tu proyecto con Econometría

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

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

Pero, ¿por qué es importante entender esto ahora?

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

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

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

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

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

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

Sectores más vulnerables y más resilientes

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

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

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

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

¿Estamos preparados para este cambio masivo?

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

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

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

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

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

La clave será cómo se gestione esta transición.

La brecha entre países desarrollados y en desarrollo

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

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

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

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

Las decisiones que se tomen hoy definirán el futuro.

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

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

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

La combinación de habilidades humanas y tecnológicas será crucial.

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

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

¿Estamos listos para un futuro dominado por la IA?

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

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

Y tú, ¿cómo te prepararás para el cambio?

Referencias

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

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

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

Brynjolfsson, E., Rock, D

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

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

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

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

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

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

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

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

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

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

La intuición detrás del Simplex

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

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

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

Pasos para resolver el problema con Excel

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

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

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

La lógica del algoritmo Simplex

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

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

Aplicaciones del Método Simplex en la vida real

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

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

¿Qué pasa cuando no entiendes el Simplex?

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

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

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

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

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

Los datos en esos casos se ven algo así:

Son fáciles de identificar porque:

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

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

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

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

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

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

Cuándo y cómo usar efectos fijos

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

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

Se trata de agrupar características inobservables.

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

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

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

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

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

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

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

No los vayas a cometer:

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

Guía paso a paso para usar modelos de efectos fijos

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

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

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

Aquí está cómo lo hacemos:

1. Preparar los datos

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

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

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

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

2. Definir el modelo de efectos fijos

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

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

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

3. Interpretar los resultados

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

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

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

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

4. Validar el modelo

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

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

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

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

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

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

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

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

Preguntas Frecuentes

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

Los coches son una parte esencial de la vida moderna.

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

¿Estamos pagando lo suficiente por poseer un auto?

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

La resistencia al cambio es comprensible.

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

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

A pesar de todo, el cambio es posible.

Lo complejo que es este cambio no debería detenernos.

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

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

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

Se acabó la era del súper-peso.

Apenas se hizo clara la aplastante victoria de Morena en las elecciones, el valor del peso cayó 10%. La reacción no fue en sí por Sheinbaum, sino por el temor de los mercados a una sobrerrepresentación de su partido en el congreso. El poder sin límites se ve con recelo en las bolsas de valores.

Pero el peso es el menor de nuestros problemas.

2024 fue un año de mucho gasto público. Sin un aumento en los ingresos, tuvimos un endeudamiento histórico del 5.4% del Producto Interno Bruto (PIB). El reto más grande al que se enfrenta la presidenta electa es el de sanear las finanzas públicas y demostrar desde el inicio que quiere y puede hacerlo.

Nada fácil.

México en riesgo de perder el grado de inversión

Si no se atienden las finanzas públicas con seriedad, los bonos mexicanos serán grado basura.

Al menos eso es lo que han advertido los expertos. Y podría pasar en los primeros dos años del sexenio. Las calificadoras no han hecho por lo pronto movimientos, pero están muy atentas a las señales de lo que hará la presidenta electa antes de hacer cambios.

La urgencia de la reforma fiscal se está haciendo cada vez más evidente.

El gasto público se sigue elevando mientras que los ingresos presupuestarios no aumentan. Sheinbaum hereda un gobierno con un margen de maniobra financiera muy estrecho. No hay austeridad republicana que alcance.

¿Cuales son las consecuencias de un mal manejo de las finanzas públicas?

• Las calificadoras quitan a los bonos nacionales el grado de inversión. Con esto indican que el gobierno de México podría no pagar sus deudas a los inversionistas.
• Será más caro para el gobierno pedir deuda. Es un mal augurio, pues podemos caer en una espiral descendiente.
• El valor del peso podría caer. Si los inversionistas deciden dejar de invertir en instrumentos en pesos, el valor de la moneda cae.

Es un escenario catastrófico que no debemos dejar que pase.

Hay acciones que puede tomar el gobierno de forma proactiva desde ahora para evitar llegar aquí:

• Acción proactiva #1: Demostrar a los mercados una intención clara y determinante de subsanar las finanzas públicas. Más allá de medidas cosméticas o populares, los mercados quieren ver una ruta clara.
• Acción proactiva #2: Un compromiso con el aumento de los ingresos y el manejo de la deuda. La deuda pública no es mala por si misma. El objetivo debe ser dirigir la deuda a proyectos que traerán ingresos a las arcas y no sólo para gasto corriente.

En finanzas no sólo se trata de ser bueno, también hay que mostrar que se tienen las intenciones de mantener un buen balance.

Antes de que sea de vida o muerte de un proyecto político.

Te tengo malas noticias: si es posible que la IA se robe tu trabajo.

Nos gusta repetir que “La IA no se robará nuestros trabajos, pero alguien que sabe usar IA si lo hará”. Pero esto no es necesariamente cierto. La tecnología siempre está desplazando trabajos.

Si no me crees, pregúntale a las telefonistas de hace 100 años.

Habilidad #1: Aprende siempre nuevas habilidades

A inicios de los años 1900s, ser operadora telefónica era una de las opciones de trabajo mas comunes para las mujeres estadounidenses. Todo esto cambió entre 1920 y 1940, cuando AT&T decidió que las máquinas podían hacer ese trabajo mejor y más barato. De la noche a la mañana el trabajo de telefonista desapareció.

Las operadoras que sufrieron más fueron las que tenían más experiencia laboral.

Con más años de experiencia, tuvieron más dificultades para colocarse en un trabajo distinto. No habían trabajos suficientes que ocuparán sus habilidades que habían adquirido a través de los años. Las operadoras mas jóvenes tuvieron más suerte porque aún podían aprender nuevas habilidades.

Lección #1: No esperes a que la IA desaparezca tu trabajo para comenzar a adquirir nuevas habilidades.

Habilidad #2: Redefine lo que puedes hacer con tus habilidades existentes

Cuando la fotografía llegó, los grandes pintores no desaparecieron.

Antes, una gran parte del negocio de los pintores era hacer retratos de las personas más adineradas, como reyes o la nobleza. Pero todo esto cambió con la llegada de la fotografía, que hacía el trabajo mejor, más rápido y más barato. Muchos pensaban que la pintura y los pintores iban a desaparecer.

Pero ese cambio era lo que nos hacía falta para que naciera el impresionismo.

En pocos años la pintura dejó de tratar de ser realista y se empezó a enfocar en capturar la esencia de las personas y de los paisajes. Nació una nueva forma de hacer arte. El problema que hoy soluciona la pintura es muy diferente a la que solucionaba antes de la fotografía.

Lección #2: Si el mercado para lo que sabes hacer se destruye, haz un mercado nuevo

Habilidad #3: Aprende a usar la IA a tu favor

Excel no destruyó a los contadores, pero cambió la forma en la que se hacía su trabajo.

Antes el trabajo de los contadores constaba en hacer los cálculos en hojas enormes. Igual que hoy con Excel, si había algún error en una parte del cálculo, era necesario borrar y cambiar todos los números que el error afectaba. Hacerlo a mano era difícil, costoso y había mucho riesgo de errores.

Al llegar Excel, muchos pensaban que los contadores desaparecerían, pero hoy hay más que hace 40 años.

Lo que pasó en realidad es que el trabajo del contador hoy requiere que domine Excel. La tecnología tiene la capacidad de transformar el significado de nuestro trabajo. Por eso tenemos que aprender a usarlo a nuestro favor.

Lección #3: Tu trabajo va a cambiar con la IA. Puedes ir ganando ventaja y aprender desde hoy mismo a incorporarla a lo que haces.

Habilidad #4: Aprende la teoría

Estamos en el momento de la historia en la que saber de historia del arte es más útil que nunca.

Por alguna razón, las ilustraciones hechas con inteligencia artificial tomaron como default las imágenes hechas en 3D al estilo de Pixar. Pero es posible hacer verdaderas obras de arte con ligeras modificaciones a las instrucciones. El truco es conocer sobre historia del arte.

Antes era indispensable profundizar sobre las teorías más importantes, hoy lo importante es conocer tantas teorías como te sea posible.

Puedes hacer miles de versiones de este mismo texto si conoces la teoría de cómo escribir.

• Le puedes pedir a la IA que use técnicas de storytelling y haga un viaje del héroe.
• Le puedes pedir a la IA que lo escriba en el estilo de The Economist.
• Le puedes pedir a la IA que haga un haiku a partir de este texto.

Lección #4: Entre más teoría conozcas, tienes más cosas que puedes hacer con la IA.

Este semestre que viene, estaré dando clases usando IA como mi asistente

En los últimos 2 años he hecho diferentes experimentos para aprender cómo incorporar la IA al salón de clases.

Una característica de los economistas es que no solemos creer en la prohibición. Las prohibiciones suelen generar efectos contrarios a los imaginados. Algo así como cuando se prohibió el alcohol en EEUU y nacieron las mafias, lo mismo pasa si pensamos en prohibir la IA en el salón de clases.

Por eso hice una guía para aprender a educar con IA en lugar de pelear con ella.

Entra, da click y deja tu correo. El curso comenzará a llegar a tu bandeja de entrada.

John Snow estaba decidido a encontrar las causas del cólera.

El cólera no fue una sola pandemia aislada, como la que vivimos en 2020 con el COVID. Hubieron a lo largo de la historia muchos brotes en diferentes partes del mundo. En algún momento aparecía un brote en India, luego veíamos otro brote en Inglaterra y después aparecía otro en Colombia.

Uno de los brotes se dio en Londres en 1854.

En la época, la teoría prevalente era que las enfermedades eran causadas por el miasma, o aire malo. La teoría decía que las enfermedades venían del aire contaminado que emanaba de la materia orgánica en descomposición. Esto era antes de que descubriéramos la existencia de las bacterias.

Las teorías más peligrosas no son las que están completamente equivocadas, sino las que son parcialmente correctas.

Es difícil hacer burla de las personas de antes por creer en la teoría del miasma. A diferencia de los terraplanistas, es una teoría que tiene sentido cuando pones atención a la evidencia. No es hasta que se usan pruebas más sofisticadas que podemos encontrar por qué el miasma no es la teoría correcta.

John Snow intentó de todo para encontrar la verdad.

Intentó poner a sus pacientes en bolsas para separarlos de sus familiares. Hizo un registro muy riguroso de los embarcaderos y las rutas comerciales para identificar de dónde venía la enfermedad. Incluso se dio cuenta de que cuando los marineros no desembarcaban en Londres, no se contagiaban de cólera.

Él creía que la enfermedad se transmitía por el agua, pero no podía comprobarlo.

Entonces decidió aprovechar un experimento natural

Las compañías de agua de la época sacaban su agua del río Támesis.

En la época, este río era donde desembocaban todos los desechos. Su olor era tan horrible que forzó a los miembros del parlamento a abandonar sus recintos para sesionar (se dice que fue eso lo que los motivó a buscar una solución en 1858, mas que los reclamos de los ciudadanos). Naturalmente, el agua que las compañías extraían y vendían era un agua extremadamente contaminada.

Y aún así John Snow no podía comprobar que esa era la causa del cólera.

Cuando una de las compañías decidió que cambiaría su toma de agua a una zona que no estaba contaminada, John Snow estaba preparado. Tenía un registro detallado de las casas en las que surtían las compañías de agua y pudo hacer un análisis detallado del antes y el después del cambio. Registró las personas que enfermaban por cólera en las casas donde les surtía una compañía y la otra.

Su estudio no dejó lugar a dudas, el agua contaminada era la causa del cólera.

De manera muy meticulosa, Snow reportó sus resultados. Las casas donde seguían tomando las aguas contaminadas del río Támesis las muertes continuaban aumentando. Mientras tanto, en las casas que tuvieron la suerte de recibir agua de una fuente más limpia las muertes cedieron de la noche a la mañana.

Sin duda, salvó muchas vidas.

Diferencias en Diferencias

El estudio de Snow se ha citado ya muchas veces como un caso exitoso de un estudio de diferencias en diferencias.

El diseño de un estudio de diferencias en diferencias requiere que usemos un grupo de tratamiento y un grupo de control. Es una suerte de experimento natural donde un grupo no recibe el tratamiento, lo cual nos permite ver claramente el tamaño del efecto del tratamiento. En el caso del cólera, el cambio de agua contaminada a agua limpia tuvo un efecto claro en el número de muertes evitadas después de la intervención.

Este es el nivel de claridad en nuestros resultados al que aspiramos.