¿Quiénes y por qué ganaron el PREMIO NOBEL de economía 2021? – Investigaciones Datlas

Es bien sabido que la economía es una ciencia muy transversal, tengamos o no un perfil matemático/financiero, los temas como el salario mínimo, la educación, e inmigración nos afectan a todos por el simple hecho de formar parte de la sociedad. Dicho esto, tiene sentido que sea cuando menos interesante los hallazgos recientes en economía más impactantes dignos de un Premio Nobel. Aquí entérate quienes ganaron el premio de este año y porque.

El primer galardonado es David Carl, un economista laboral canadiense-estadounidense y profesor de economía en la Universidad de California, Berkeley. Utilizando experimentos naturales analizó el salario mínimo, la educación, e inmigración en el mercado laboral.

Por el otro lado, Joshua D. Angrist, un economista israelí-estadounidense y profesor de economía en el Instituto de Tecnología de Massachusetts, junto con Guido W. Imbens, un economista holandés-estadounidense y profesor de economía en la Universidad de Stanford, aportaron a la manera en que podemos percibir la causalidad de experimentos naturales.

¿En qué consistían sus trabajos y por qué son tan relevantes?

El salario mínimo reduce el empleo? Un caso de estudio de California, 1978-89

Por parte del trabajo de David Carl, el tema central es observar el cambio en el estado de california al aplicarse la ley que incrimentaría el salario mínimo de 3.35 a 4.25 USD. Lo más interesante de este tema, es que según la teoría clásica de economía, mientras más se aumente el salario mínimo, más crecerá el desempleo, debido a que no se podrá contratar a tanta gente con salarios tan altos.

Esta última lógica hace sentido ¿No?, pues, depende. El catedrático de la Universidad de Berkeley estuvo en Madrid hace unas semanas para recoger el Premio Fronteras del Conocimiento que le otorgó la Fundación BBVA, ahí, argumentó que a pesar de que el salario de los peor pagados no ha crecido en los últimos 15 años, la ganancia se redistribuye cada vez más hacia el 10% con más ingresos del país.

De vuelta al trabajo ganador, Carl menciona en el mismo trabajo que no basta con observar al estado de california antes y después de que se le aplique la ley de aumento al salario mínimo, como buen experimento natural, es necesario un grupo de control donde cumpla características muy parecidas a California, pero que no haya tenido un aumento en su salario mínimo, (en este caso Arizona, Florida, Georgia, Nuevo México, y Dallas).

Después de observar los salarios en los diferentes estados para las diferentes categorías según el sexo, edad, horas trabajadas, y etnia. Carl divide los porcentajes en aquellos que ganan menos que 3.5 USD, de 3.5 a 4.25 USD, y aquellos que ganan más del salario mínimo.

De acuerdo a los datos recabados durante aquellos años, las personas que tenían un salario menor al salario mínimo siguen un comportamiento prácticamente igual en el estado de California y los estados del grupo control, mientras que las personas que tuvieron un salario entre el viejo y nuevo salario mínimo se reducieron con el tiempo considerablemente en el estado de California.

Estos datos a simple vista parecieran darnos la respuesta, si al subir el salario ahora hay menos personas que ganan entre el salario viejo y nuevo, eso quiere decir que hay menos empleados y por lo tanto un mayor desempleo ¿No?, pues NO. En economía nos gusta usar el término CETERIS PARIBUS (un cambio a la vez), el tener conclusiones como estas observando una variable es erroneo, porque no estamos viendo la imagen completa, hay muchas cosas que pudieron afectar al que la gente empleada ya no tenga esos salarios.

LIES, DAMNED LIES AND THE MAINSTREAM MEDIA – DON'T BE FOOLED - SOLIDARITY  SCOTLAND

La metodología abordada por el trabajo es observar la variable del desempleo para las diferentes categorías, y mediante el método diferencias en diferencias, se busca una diferencia estadísticamente significativa del desempleo directamente en esos años gracias al aumento del salario.

Sin importar la edad, educación, sexo, y etnia. La estadística nos muestra que no existe una diferencia significativa en el desempleo al aumentar el salario, pero esto no quiere decir que la teoría clásica esté completamente mal, y lo abordaremos un poco más con el útlimo trabajo.

Identificaciones de efectos causales usando variables instrumentales

Para este segundo y último trabajo vale la pena hacer un punto y aparte y recordar que la economía no es una ciencia exacta, es una ciencia social, y como tal al observar datos como los siniestros del área metropolitana de mty y querer obtener inferencias como economistas, no producimos más choques para ver si nuestras hipótesis son ciertas, simplemente esperamos a que sucedan los eventos naturalmente y concluímos si acertamos o no.

** Te puede interesar NO TE SIENTES AL FRENTE SI VAS EN UN CARRO BLANCO POR GONZALITOS (CASO DE ANÁLISIS DE CHOQUES PARA NUEVO LEÓN, MÉXICO)

Lo primero que uno pensaría al momento de querer hacer conclusiones de las variables que pueden producir choques en mty, es que no podemos hacer que un grupo de personas choque y otro no. Gracias al trabajo de Joshua y Guido, tenemos la noción de que no basta con solo argumentar los trabajos en economía comparando nuestras variables de interés con los grupos de control (California y sus estados control), si no, en las variables que pueden afectar al salario en un estado en específico pero que no afectan otros estados (variables instrumentales).

Este último trabajo aporta en su mayoría a un descubrimiento metodológico, el cuantificar las medidas de impacto de un fenómeno que aunque se produzca naturalmente, puede ser afectado por otras variables que no estamos viendo en la imagen completa, y ahora se puede cuantificar esas variables. Como podemos observar, ambos trabajos se complementan entre sí, sin necesariamente refutar la teoría económica del pasado, pues no necesariamente los trabajos ajenos a este están mal, simplemente sin necesariamente trabajar con experimentos aleatorios, se pueden explicar una causalidad con experimentos naturales.

Hasta aqui la columna de hoy ¿Ya conocías estos trabajos o metodologías? Únete a la conversación en @DatlasMX y aprende más de Economía y Ciencia de Datos en Datlas Academy.

Equipo Datlas

Fuentes:

Entrevista con David Carl https://elpais.com/economia/2015/07/26/actualidad/1437936380_722077.html

Información del nobel de economía 2021. https://www.nobelprize.org/prizes/economic-sciences/2021/press-release/

Trabajo: El salario mínimo reduce el empleo? Un caso de estudio de California, 1978-89. Card, D. (1992). Do minimum wages reduce employment? A case study of California, 1987–89. ILR Review46(1), 38-54.

Trabajo: Identificaciones de efectos causales usando variables instrumentales. Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). Identification of causal effects using instrumental variables. Journal of the American statistical Association91(434), 444-455.

No te sientes al frente si vas en un carro blanco por gonzalitos (Caso de ANÁLISIS DE CHOQUES PARA NUEVO LEÓN, MÉXICO) – DATLAS INVESTIGACIONES

Aún con varios blogs escritos al respecto, los datos de los siniestros reportados de inicios del 2016 a mediados del 2018 en Mty NL, aún tienen mucho que decirnos. Y aunque pareciera un título alarmante, la realidad es que no lo es, ¿o sí? Como diría cualquier científico social: Depende. Quédate en este blog para descubrir la respuesta.

** Te puede interesar «Categorizando zonas con más choques en Nuevo León»

Si cualquier persona con suficiente equipo de cómputo para utilizar Microsoft Excel filtrara y contara las observaciones de la antes mencionada base de datos, se daría cuenta de los siguientes resultados:

  1. El color de los vehículos más chocado en ese periodo es el color blanco.

Seguido del gris, rojo, plata, y negro. Al quitar duplicados, sumar colores prácticamtente iguales, y ordenando de mayor a menor por cantidad de observaciones, obtenemos el TOP 10 se se ve en la imagen.

2. La parte del auto donde sucedió el choque más frecuente fue el frente

Seguido de la parte trasera, el cofre, el costado derecho delantero, y el costado izquierdo delantero. El procedimiento fue prácticamente el mismo que en el caso del color del vehículo, y gracias a ello tenemos el TOP 10 en esta segunda imagen.

3. Los choques de auto se concentran en su mayoría en la avenida Gonzalitos.

Por último, si proyectaramos un mapa 3D de las latitudes y longitudes, las cordenadas de los diferentes siniestros filtrados por tipo de vehículo, podríamos llegar a la conclusión de que en el mapa de autos, estos se concentran más en la avenida de Gonzalitos, mientras que en el camión se concentran por Ruiz Cortinez, y en los camiones ligeros por Madero.

Ahora bien, ¿debería de alarmarme por el título de este blog? Nuestra respuesta sería: no lo suficiente, y la manera más fácil de explicarlo es con el color del vehículo.

El hecho de que el color con más choques reportados sea el blanco, no quiere decir que dicho color sea el más propenso a chocar, porque no sabemos si es el color más comprado. Si por ejemplo casi toda la ciudad compró autos blancos y solo chocó 1 tercio, mientras que los autos rojos solo compraron 10 personas y todos chocaron porque es el color más propenso a chocar, el número de reportes entonces no nos ayuda mucho.

Algo similar sucede con la avenida Gonzalitos. Si solo nos basamos en los datos de los siniestros reportados, no podríamos comparar esta avenida con otras, al no estar seguros de cuantos automóviles la transitan, y por ende, no podemos asumir que es la avenida más peligrosa o propensa a sufrir un accidente. No es coincidencia que la hora con más choques es la 1:47pm, la cual cabe en lo que conocemos coloquialmente como la hora pico.

Como de costumbre, la intención de este blog no es asustar al usuario, si no compartir resultados interesantes de un análisis básico de datos, y generar conciencia de como un evento tan normal como un choque en esta ciudad, puede arrojarnos información interesante a compartir.

Hasta aquí la columna de hoy, no duden en visitar los otros escritos de esta base de datos o de la basta variedad de temas de analítica que hemos realizado. Pueden encontrarnos en nuestras redes sociales como @DATLASMX.

Adjuntamos el video echo por un aplicante para una de nuestras últimas convocatorias de ingreso a la startup, donde tenía que explicar esta y otras conclusiones interesantes de la base de datos en 6 minutos como máximo.

Equipo Datlas

-Keep it weird-