¿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.

UNA REFLEXIÓN BALANCEADA DEL DOCUMENTAL DE NETFLIX: CODED BIAS ¿ INTELIGENCIA ARTIFICIAL RACISTA? – COLUMNA DE OPINION DATLAS

Desde el equipo de Datlas y los autores de las columnas de este blog nos encanta la generación de contenido y difusión sobre temas de analítica, inteligencia artificial y transformación digital. Hemos hecho columnas de documentales como el dilema de las redes sociales: «3 REFLEXIONES SOBRE “SOCIAL DILEMMA” y publicado opiniones sobre nada es privado: «3 reflexiones de Great Hack». En esta ocasión hablaremos del documental recientemente lanzado llamado «CODED BIAS» que hace referencia a situaciones donde la inteligencia artificial ha mostrado ser racista.

***SPOILER ALERT*** : Si aún no has visto el documental, tal vez quieras detenerte un poco y regresar a esta lectura para no arruinarte o sesgar tus pensamientos.

Los antecedentes ¿De qué trata?

Un estudiante del MIT identifica un problema evidente en la tecnología de la detección facial. Este desarrollo, desde su nacimiento y entrenamiento (Te recomendamos leer «Algoritmos supervisados y no supervisados» para mejorar tu comprensión de este tema), no está preparado para ser usado con la misma eficiencia por personas de color. Este es el preámbulo de toda una controversia de poderes y autocrítica a los desarrollos de inteligencia artificial de la actualidad y la problemática de la toma de decisiones habilitadas por computadora con modelos de «cajas negras» (Esto quiere decir, en pocas palabras, que son modelos donde no podemos identificar con claridad el efecto de cada variable tomada en el resultado o la justificación exacta de un resultado matemático. Solamente un % de ajuste que nos hace sentir matemáticamente certeros de que es el mejor modelo).

¿En cuál problema se centra el documental?

En un problema social. La temática de racismo y discriminación no es nueva en el contexto de la inteligencia artificial. Muchas de las empresas e investigadores que son pioneros en generar sistemas de identificación utilizan condiciones de «entrenamiento de sistemas» con un sesgo demográfico y socioeconómico.

Al no haber la diversidad suficiente en un equipo de desarrollo de algoritmos las predicciones de, por ejemplo, una cámara de seguridad que alerta cuando una persona «parece terrorista en una aeropuerto» , pueden estar vinculadas a una carga cultural y/o sistemática incorrecta.

Ejemplo citado en la película de cómo la policía local de una región del Reino Unido que utilizan cámaras y algoritmos de «profiling» para detener y entrevistar ciudadanos que, a criterio de su sistema, parecen sospechosos han fallado el 91% de las veces

¿Cuál es el problema de continuar con aplicaciones de inteligencia artificial como «facial recognition» o la «identificación facial» sin reconocer y cuidar los sesgos inherentes?

Si el futuro del mundo está alrededor de la inteligencia artificial (IA) y esta es un reflejo de la sociedad entonces tendremos sistemas sesgados.

Ejemplo de asertividad para identificar personas considerando distintas tecnologías: Azure, IBM y FACE (Empresa China)

Esta es una conversación que no es nueva. Constantemente se hacen estas «auditorias» a empresas de tecnología. Bastantes líderes den el sector tecnológico han empoderado un mensaje claro de que no debemos de dejar que la IA gobierne las decisiones humanas sin entender verdaderamente cómo funciona

Recordemos el caso de Steve Wozniak, uno de los fundadores de Apple, que tan pronto la empresa de tecnología lanzó su tarjeta de crédito obtuvo un crédito 10 veces del tamaño del de su esposa. Siendo que comparten cuentas bancarias, antecedentes crediticios y propiedades.

«La aparición estelar: Cathy O’neil»

En el documental «Coded Bias» hay un personaje que hace su aparición y honra decirlo. A opinión personal, el documental debió tratarse de ella. Nos referimos a Cathy Oneal, la autora de «Weapon of Math Destruction»

Cathy es una especialista en el tema de algoritmos, matemática de formación y con mucha experiencia en el diagnóstico de modelos de inteligencia artificial. Comenzó su carrera en la academia y después paso al mundo financiero donde algunas «formas» y consecuencia sde todos los modelos que se trabajaban le empezaron a «sonar raro»

Ha identificado y denunciado algoritmos que han tenido interpretaciones incorrectas en sectores bancarios hasta el mismo sistema legal norte-americano.

Aunque su intervención en la película es pequeña, si has leído alguno de sus libros podrás entender el valor que le aporta al movimiento impulsado por la película.

La reflexión final (opinión del autor de la columna, no a nombre de Datlas)

Mientras por un lado resulta «taquillero» hablar negativamente de la inteligencia artificial, sus impactos en el mundo y los problemas sociales que esta podría causar es justo decir que la conversación debe continuarse ampliando. Muy probablemente veamos nuevas series y documentales hablando del tema.

La temática de este documental no es nueva. Sin embargo había espacios para ser más técnicos y revisar los impactos de un mal uso de la IA en la sociedad. En ese sentido, en el casting debió de haber tenido más protagonismo una especialista en la materia como Cathy Oneil, con espacio para poder aprender mucho más de ella.

Por otro lado, si bien la IA ha generado potenciales problemas también hay muchos escenarios de impacto positivo. Un buen uso de IA y desarrollos con conciencia social auditados por un consejo especializado para reducir sesgos en los modelos pudiera dar brillantes resultados. Creo que esa parte de la historia faltó contarse en este documental que termina siendo algo dramático.

Documentales como estos tienen la oportunidad de hacer resonar propuestas de intervención escalables y transparentes para resolver las problemáticas que presentan. Faltó profundizar en más propuestas en este documental. Sin embargo podemos alegar que la directora Shalini Kantayya nos dejó esa tarea. Ahora tocará a la sociedad investigar más recursos para poder cuestionarnos la aplicación del IA.

Y ¿Cuáles son tus opiniones? Compártenos en @DatlasMX qué fue lo que te gustó y no te gustó del documental ¿Cuál fue tu mayor aprendizaje?

– Equipo Datlas –

Keep it weird