La encrucijada de la econometría moderna

¿Sigue siendo la econometría el núcleo de la investigación económica, o está siendo desplazada por la revolución del Big Data y el Machine Learning?

En 1930, Ragnar Frisch, Charles Roos, Irving Fisher y Joseph Schumpeter fundaron la Sociedad Econométrica con el propósito de dotar a la economía del rigor propio de las ciencias exactas, al combinar la teoría económica, la matemática y la estadística. La econometría nacía entonces como la herramienta capaz de transformar intuiciones teóricas en conocimiento empírico verificable. Durante gran parte del Siglo XX, dicho papel se cumplió con relativo éxito toda vez que la herramienta fue el medio por el cual se profesionalizó la disciplina mediante elaboración de modelos, validación de hipótesis y orientación de políticas. Sin embargo, actualmente, dicho propósito enfrenta una encrucijada: ¿sigue siendo la econometría el núcleo de la investigación económica, o está siendo desplazada por la revolución del Big Data y el Machine Learning?

La respuesta a este interrogante no es sencilla y, de hecho, define el rumbo de la disciplina en el corto plazo. Para comprender esta encrucijada conviene, primero que nada, reconocer los límites que hoy enfrenta la econometría y cómo estos han alimentado la percepción de agotamiento. Luego, examinar el surgimiento de nuevos enfoques que desplazan la atención hacia la predicción, más que hacia la explicación. Finalmente, es pertinente preguntarnos si estamos ante un reemplazo definitivo o, más bien, ante una oportunidad de reinvención en la que la herramienta pueda convivir y/o complementarse con las nuevas técnicas para efectos de recuperar su relevancia como puente entre teoría, datos y formulación de políticas basadas en evidencia.

Promesas, dilemas y límites 

La econometría, prestigiosa de por sí, se fundamenta en una arquitectura de supuestos restrictivos. Linealidad forzada de los modelos, independencia de variables que interactúan de formas complejas, estabilidad de parámetros en contextos cambiantes y la homocedasticidad de errores en series volátiles son solo algunos ejemplos. A lo anterior se suman los problemas de endogeneidad en las estimaciones, la presencia de instrumentos débiles que debilitan la identificación y una tendencia a simplificar la realidad social en ecuaciones elegantes y sofisticadas pero distantes de la evidencia. Este conjunto de limitaciones trajo consigo varias dudas sobre la capacidad de la herramienta para capturar la complejidad de los fenómenos socioeconómicos.

Frente a esto, el avance se generó en dos direcciones complementarias: el análisis de series temporales y el uso de datos de panel. En el primer caso, desde los modelos autorregresivos integrados y de medias móviles uniecuacionales, pasando por los vectoriales, sus versiones estructurales y de corrección de errores, hasta la teoría de la cointegración, la econometría buscó reflejar la naturaleza dinámica de los fenómenos. En el segundo, los modelos de panel fijos, aleatorios y dinámicos ampliaron la capacidad simultánea de analizar dimensiones temporales con heterogeneidades individuales. Si bien ambos enfoques se constituyen como un salto metodológico significativo, trajeron consigo nuevas limitaciones tales como sensibilidad al supuesto de estacionariedad, dificultad en identificar relaciones causales robustas, sesgos en estimaciones dinámicas y complejidad técnica que no pudo traducirse en mayor claridad interpretativa.

Aunado a esto, la llamada Revolución de la Credibilidad, impulsada por Edward Leamer y materializada por David Card, Joshua Angrist, Guido Imbens y Alan Krueger reforzó la identificación causal mediante el uso de experimentos naturales, variables instrumentales más sofisticadas, métodos de regresiones discontinuas y de diferencias en diferencias. Este valioso aporte no solo fortaleció la solidez empírica de los estudios económicos, sino que también generó una mayor confianza en los resultados obtenidos y acercó nuestra disciplina con los estándares de las ciencias experimentales. Un dato no menor es que tres de sus protagonistas -Card, Angrist e Imbens- fueron galardonados en 2021 con el Premio Nobel de Economía.

No obstante, esta revolución también tuvo un costo inesperado toda vez que centró la investigación en preguntas estrechas, de corto alcance y con respuestas puntuales. La exigencia de una credibilidad metodológica trajo consigo privilegiar estudios sobre intervenciones específicas asociadas con subsidios e incentivos sobre problemas estructurales como desigualdad, desempleo, globalización y cambio técnico. Así las cosas, la econometría moderna ganó precisión, corriendo el riesgo de perder relevancia para interpretar y proponer soluciones a los dilemas más complejos de la sociedad.

Una competencia inesperada

Mientras la econometría destinaba décadas para perfeccionar modelos, probar supuestos y reforzar identificación causal, emergió un competidor inesperado: el Big Data y el Machine Learning. Estas tecnologías, complementarias entre sí, y producto de la intersección entre las matemáticas, la estadística y las ciencias computacionales, ofrecen lo que la econometría con dificultad logra: procesar volúmenes masivos de información, capturar relaciones no lineales y predecir con notable precisión y sin depender de un andamiaje de suposiciones restrictivas. Algoritmos de clasificación, redes neuronales y métodos de ensamble han demostrado capacidades sorprendentes para anticipar fenómenos económicos en tiempo real, desde la evolución de la inflación hasta la probabilidad de incumplimiento crediticio. 

Lo atractivo de este competidor inesperado es su pragmatismo, ya que no intenta verificar teorías ni encajar datos en modelos previamente definidos, sino simplemente buscar patrones comunes y útiles dada la información disponible. En un contexto donde la rapidez de una elección es tan crucial como su fundamento, este enfoque resulta atractivo para gobiernos, bancos centrales y empresas. La posibilidad de contar y trabajar con bases de datos heterogéneas otorga una flexibilidad que contrasta con la econometría, que está más acostumbrada a series limitadas o a paneles relativamente pequeños y estructurados.

Sin embargo, su fortaleza puede ser también su debilidad. Los algoritmos suelen operar como cajas negras pues nos indican aquello que, con una alta probabilidad, ocurrirá, pero rara vez explican por qué sucede o cuáles mecanismos subyacen a los resultados. Y es precisamente esta la razón por la que la econometría nació: para dar sentido causal a los datos, contrastar teorías y orientar decisiones de política. Dado esto, la tensión no es solamente técnica, sino también epistemológica, por ende es válido preguntarnos ¿qué debe privilegiar la economía en nuestro tiempo: la capacidad de predecir con exactitud o la necesidad de explicar con coherencia? En esta disyuntiva se juega una muy buena parte del futuro de nuestra disciplina.

La redención siempre es posible

Bien decía Aldous Huxley que la experiencia no es lo que nos ocurre, sino lo que hacemos con lo que nos ocurre; en ese sentido, la redención siempre es posible. Hace un par de semanas escribí una columna titulada “El último llamado a los economistas tradicionales”, donde advertí sobre los riesgos de aferrarse a métodos incapaces de dialogar con la revolución de los datos y la IA. Hoy he querido profundizar en el corazón de esta transformación: la econometría, herramienta que desde hace 95 años nos acompaña a los economistas como un lenguaje común de rigor y evidencia, que enfrenta una encrucijada decisiva.

La encrucijada no significa la desaparición de la econometría. Más bien, plantea la necesidad de una reinvención. Así como en 1930 la herramienta nació para dotar de rigor científico a la economía, hoy está llamada a ampliar sus fronteras y convivir con las herramientas de IA. En lugar de competir, la econometría puede complementarse con el Machine Learning y aprovechar su potencial predictivo, pero manteniendo el papel de explicar los mecanismos causales subyacentes a los datos.

El esfuerzo de integración ya ha comenzado a visibilizarse. Actualmente existen enfoques híbridos que combinan algoritmos de Machine Learning con métodos econométricos tradicionales, lo que permite detectar patrones complejos y luego someterlos a pruebas de causalidad. Por ejemplo, el análisis de series temporales ya ha incorporado técnicas de volatilidad estocástica y parámetros variantes en el tiempo, estimados con métodos bayesianos; mientras que en el uso de datos de panel, la IA ayuda a lidiar con grandes bases de datos multidimensionales sin perder el foco en la heterogeneidad y la dinámica. 

Más allá del tecnicismo, la clave está en recuperar la función crítica de la econometría, ser el puente entre teoría y evidencia, entre preguntas económicas de fondo y datos crecientemente abundantes. Si esta herramienta logra abrirse completamente a estas nuevas herramientas sin dejar a un lado su vocación explicativa, no quedará relegada, sino que se consolidará como la gramática que da sentido a los datos en un mundo dominado por algoritmos. Finalmente, la econometría moderna enfrenta el mismo reto que inspiró a Frichs, Roos, Fisher y Schumpeter en 1930, solo que en la actualidad este rigor y significado ya no basta, dado que debe acompañarse de la capacidad de interpretar y dar sentido a un océano de datos que por sí solo no explica nada. 

Le recomendamos: Una evaluación crítica de los programas de disminución de la pobreza y su focalización

* Este artículo hace parte de la alianza entre Razón Pública y la facultad de Economía de la Universidad Externado de Colombia. Las opiniones expresadas son responsabilidad del autor.