Imaginemos cualquier tema económico que quisiéramos
estudiar, inmediatamente nos damos cuenta que sobre este influyen una importante
cantidad de factores, dado que, muchos elementos se combinan para explicar la
realidad, abriendo la posibilidad de explicaciones alternativas en función de
la estrategia de análisis seguida. Este fenómeno, se repite con cualquier
problema, resaltando que enfrentamos una realidad
compleja, que intentamos simplificar a partir de modelos, una batería de
supuestos y datos, buscando establecer causalidad.
En términos llanos, cuando el gobierno otorga una transferencia condicionada a
una familia, está convencido de que esta incidirá sobre la calidad de vida de
ese hogar en una magnitud determinada (causalidad), y esta causalidad está
asociada a como un fenómeno modifica la probabilidad de que un acontecimiento
suceda, lo que en términos estadístico se presentan como probabilidades
condicionales, siendo la comparación de grupos
equivalentes y el control de
factores elementos clave de su diseño.
Sin embargo, dada la complejidad de la realidad, que
nos obliga a considerar la mayoría de los factores relevantes, para evitar el
famoso sesgo por variable omitida que modifica inclusive la aparente relación
identificada entre las variables (Terceiro, 2015), hay que tomar en cuenta que
algunos de esos factores son de difícil
medición (error de medida); no fueron considerados en el levantamiento de
datos (sesgo por variable omitida,
Yule Simpson), dado que los objetivos primarios de muchas fuentes de información
no están obligados a coincidir con el objetivo de nuestra investigación; pueden
presentar endogeneidad o simultaneidad, es decir, que aun
contando con las variables relevantes de control, es necesario acceder a
técnicas alternativas de estimación como la de variables instrumentales; o
simplemente estos factores no son observables
(residuo), por lo que, es imposible mantener un control explícito de estos
en el proceso de investigación, y nos obliga a suponer que estos no afectan de
forma sistemática sobre los resultados que estoy observando (Cesteris paribus). Este supuesto,
aunque ayuda a manejar los factores que no han podido ser controlados
explícitamente en el modelo, y es imprescindible para obtener causalidad, dificulta
el contraste empírico de los resultados tal como se exponen, pues en la
realidad el Cesteris Paribus es solo un supuesto que nos ayuda a modelar una
realidad compleja, pero no la réplica.
Adicionalmente, note que hablamos del control de
factores como si estuviéramos en un contexto experimental, es decir, donde cambiamos de forma intencional las
variables, controlamos el resto y observamos que pasa con la variable
resultado, pero no, a lo mucho somos observadores pasivos de los datos, donde:
i) no tenemos garantizada una equivalencia
inicial entre los grupos que comparamos; ii) estamos sometido a la regularidad de los eventos y que las
condiciones se repliquen son cierta familiaridad (Lago, 2009), con el agravante de que en los fenómenos económicos interviene la conducta humana, que es altamente
situacional y está lejos de ser una repetición de procesos deterministas
(Robbins, 1971), más la dinámica natural de la sociedad; iii) los datos pueden
presentar problemas como errores de
medición, endogeneidad, autocorrelación o multicolinealidad (Gilbert, 1986); además, iv) es imposible
observar contrafactuales, solo estamos estimándolos. Todas estas cuestiones han
llevado inclusive a que se cuestione la capacidad de la Economía para identificar
causalidad (Aznar, 2015).
Este problema del contrafactual se ha enfrentado
comparando grupos homogéneos, cuya “única” diferencia es la exposición al
tratamiento (control y tratamiento), es decir, que cada vez que comparamos
promedios entre población, y consideramos que las diferencias observadas son el
resultado exclusivo de las características de la población, un ejercicio común
en los modelos de regresión, estoy
asumiendo que los grupos son
equivalentes (validez interna), tanto respecto aquellas cuestiones
observables (control de factores) como en relación aquellos factores que no
podemos observar o que se han omitido en el modelo (Cesteris Paribus),
cuestiones de difícil cumplimiento en términos generales.
En econometría,
se enfrentan estos problemas buscando la equivalencia a partir de incorporar
variables explicativas para controlar explícitamente o balancear las características
de los grupos que se comparan, además, se asume independencia del error
(E[u|x]=E[u]) para establecer la condición de cesteris paribus. Sin embargo, la
equivalencia entre grupo (cuando se logra) solo garantiza la validez interna, por
lo que, necesitamos poder generalizar los resultados obtenidos a partir de una validez externa. En términos llanos, un
plan piloto que funcione solo en el grupo donde se aplica el estudio, mantiene
el reto de poder replicarse en toda la población, pues la idea debe ser poder
extender las políticas. Ahora, entran en juego temas como la representatividad de la muestra o el
comportamiento de la población bajo el experimento realizado (efecto reactivo).
Adicionalmente, la violación del supuesto de que los
errores se comporten de manera incondicional a los valores de los factores
explicativos (E[u|x]=E[u]), es decir, que los errores no se comporten de manera
aleatoria, puede resultar de la endogeneidad
de grupos, dado que, las decisiones humanas, al menos en promedio, pueden
establecerse dentro de un marco de determinantes comunes. Es decir, es probable
que los estudiantes de ingeniería compartan en promedio ciertas características
que lo distingan de los estudiantes de filosofía. De esta forma, cuestiones
como la decisión de participar o no en el mercado laboral, estudiar una carrera
o escoger un sector de residencia, puede resaltar ciertas características
particulares en la población, que no necesariamente es compartida por otro
grupo fuera de esta, esto dificulta su comparabilidad, en el sentido de no
garantizarse la equivalencia entre grupos.
Frente a los cuestionamientos anteriores, donde
intentamos dar respuestas causales en un contexto no experimental, los métodos cuantitativos, amparados en una
caja de herramientas matemáticas, estadísticas y econometría, parecen ser la
forma menos conflictiva de enfrentar estos problemas, por lo que, cerca del 95%
de los artículos publicados se basan en algunos de estos métodos (Paldam,
2003). Sin embargo, las investigaciones deben estar amparadas en una fuerte
armadura metodológica representada en un adecuado diseño de la investigación (-este
debe reflejar las fortalezas y debilidades de una disciplina (Kane, sfd)-) y
presentar los resultados asociados a las pruebas de especificación, endogeneidad,
sensibilidad, significancia y quiebres estructurales, dado que la investigación
no termina con la estimación de los parámetros. Este diseño debe permitir: i)
maximizar la varianza de las variables de hipótesis; ii) controlas la varianza
de los factores de control (aleatorización en la selección de grupos, incluir
las variables en el estudio o seleccionar grupos puntuales de la población); y,
iii) minimizar la varianza de los factores no observados (note que este control
teórico es el mismo sugerido al estimar la eficiencia de los estimadores MCO),
como requisitos mínimos al momento de presentar una investigación.
Referencias
-
Aznar, A. (2015).
La metodología de la ciencia económica. Universidad de Zaragoza.
-
Alonso, C. (nd). Errores de especificación.
UC3M.
-
Davis, D. and
Holt, C. (1993). Experimental Economics, Princeton University Press.
-
Friedman, M. (1976). Metodología
de la economía positiva.
-
Gandhi, I. (sfd).
Research Methods in Economics. National Open University. School of Social
Sciences.
-
Gilbert, C.
(1986). Professor Hendry’s Econometric Methodology. Oxcord Bulletin Of Economic
and Statistics.
-
Kane, Aide (sfd).
The Methodology of Economic Research.
-
Lago, I. (2009).
Causalidad, estadística y mecanismos causales. Universitat Pompeu Fabra.
-
Paldam, M. (2003).
Methods Used in Economic Research: An Empirical Study of Trends and Levels.
-
Popper. K. (1967). La lógica de la investigación
científica.
-
Terceiro, J.
(2015). Causalidad en Ciencias Sociales. Real Academia de Ciencias Morales y
Políticas.