24.1: Modelado de la Realidad

objetivo de aprendizaje

1. ¿Por qué los modelos estructurales son generalmente superiores a los modelos de forma reducida?

Hemos aprendido en los últimos capítulos que la política monetaria no es el fin y el todo de la economía o incluso de los intentos de manipularla por parte de los formuladores de políticas. Pero eso lo sabíamos antes. La pregunta que tenemos ante nosotros es, Dado lo que sabemos de IS-LM y AS-AD, ¿qué tan importante es la política monetaria? ¿Y cómo lo sabemos? Tenemos teorías galore—nociones sobre cómo los cambios en diversas variables, como las tasas de interés, crean ciertos resultados, como cambios en los precios y la producción agregada. Pero, ¿qué tan bien describen esas teorías la realidad? Para responder a esas preguntas, necesitamos evidencia empírica, buenos números duros. También necesitamos saber cómo los científicos y los científicos sociales evalúan dicha evidencia.

Los modelos estructurales vinculan explícitamente variables desde la causa inicial hasta el efecto final a través de cada paso intermedio a lo largo de la cadena causal. La evidencia de forma reducida hace aseveraciones solo sobre las causas iniciales y los efectos finales, tratando los vínculos intermedios como una caja negra impenetrable. La teoría de la cantidad hace precisamente un reclamo de forma reducida cuando afirma que, a medida que aumenta la oferta monetaria, también lo hace la producción. Es decir, la teoría de la cantidad no es explícita sobre los mecanismos de transmisión de la política monetaria. Por otro lado, la aseveración de que aumentar la oferta monetaria disminuye las tasas de interés, lo que incentiva la inversión, lo que lleva a un mayor rendimiento, ceteris paribus, es un modelo estructural. Tal modelo se puede evaluar en cada eslabón de la cadena: MS arriba, i abajo, I arriba, Y arriba. Si la relación entre MS e Y comienza a romperse, los economistas con un modelo estructural pueden tratar de averiguar específicamente por qué. Aquellos que promocionen solo un modelo de forma reducida serán desconcertados. Los modelos estructurales también fortalecen nuestra confianza en que los cambios en la EM provocan cambios en Y.

Debido a que dejan tanto fuera, los modelos de forma reducida pueden apuntar solo a variables que están correlacionadas, que suben y bajan en tándem con el tiempo. La correlación, por desgracia, no es causalidad; el vínculo entre variables que solo están correlacionadas puede romperse fácilmente. Todo tipo de supersticiones se basan en la mera correlación, ya que sus practicantes finalmente descubren para su disgusto y pérdida, www.dallasobserver.com/2005-09-08/comeding/tryst-of-fate como aquellos que usan gorras de rally de aspecto tontas para ganar juegos de béisbol. es.wikipedia.org/wiki/Rally_Cap La causalidad inversa también es desenfrenada. Las personas que ven una correlación alta entre X e Y suelen pensar que X causa Y cuando en realidad Y causa X. Por ejemplo, existe una alta correlación entre los niveles de asistencia de los fanáticos y las victorias de los equipos locales. Algunos superfans en.wikipedia.org/wiki/Bill_Swerski's_superfans toman esto para “demostrar” que la alta asistencia hace que el equipo local gane al actuar como sexto, décimo o duodécimo jugador, dependiendo del deporte. Los fanáticos han influido en el resultado de algunos juegos, generalmente tocando pelones de béisbol que aún están en juego, www.usatoday.com/sports/columnist/lopresti/2003-10-15-lopresti_x.htm pero la causalidad corre principalmente en la otra dirección, los equipos que ganan muchos juegos tienden a atraer a más aficionados.

Las variables omitidas también pueden nublar las conexiones realizadas por modelos de forma reducida. “Los bebedores de cafeína tienen tasas más altas de enfermedad coronaria (CHD) que las personas que no consumen cafeína” es un modelo de forma reducida que probablemente sufre de variables omitidas en forma de sesgos de selección. En otras palabras, los bebedores de cafeína beben cafeína porque no duermen lo suficiente; tienen vidas agitadas y estresantes; y así sucesivamente. Puede ser que esos otros factores les den ataques cardíacos, no la cafeína per se. O la cafeína interactúa con esas otras variables de formas complejas que son difíciles de desentrañar sin que crezcan seres humanos en tubos de ensayo (¡aún más alarmante!).

Stop and Think Box

Un estudio reciente de forma reducida muestra un alto grado de correlación entre fumar marihuana y malos resultados en la vida: largos períodos de desempleo, detenciones penales, mayor probabilidad de discapacidad, menores ingresos de por vida y muerte prematura. ¿Ese estudio condena efectivamente el consumo de marihuana?

No tanto como lo haría si presentara un modelo estructural que cuidadosamente trazara y pusiera a prueba la cadena precisa por la cual fumar marihuana causa esos malos resultados. Las variables omitidas e incluso la causalidad inversa pueden estar en juego en la versión de forma reducida. Por ejemplo, algunas personas fuman marihuana porque tienen cáncer. Algunos tratamientos contra el cáncer requieren dosis desagradables de quimioterapia, cuyo efecto es causar dolor y reducir el apetito. Tomar un toke reduce el dolor y restaura el apetito. No hace falta decir que esas personas tienen una esperanza de vida más baja que las personas sin cáncer. Por lo tanto, tienen menores ingresos de por vida y una mayor probabilidad de discapacidad y desempleo. Debido a que no todos los estados tienen excepciones a la marihuana medicinal, también son más propensos a la detención penal. De igual manera, las personas desempleadas podrían tener más probabilidades de tomar un poco de Mary Jane después del almuerzo o tal vez bajar un par de brownies de cannabis de postre, nuevamente invirtiendo la dirección de la causalidad. Una posible variable omitida es el sesgo de selección: las personas que fuman marihuana podrían ser menos educadas que las que se abstienen de la hierba, y es la falta de educación lo que lleva a un alto desempleo, más detenciones, etc. Desafortunadamente, una mala ciencia como este estudio impregna el discurso público. Por supuesto, esto no quiere decir que debas ir a buscarte un contundente. Estudia en su lugar. Los estudios de correlación muestran que estudiar..

conclusiones clave

• Los modelos estructurales trazan toda la cadena causal, paso a paso, permitiendo a los investigadores tener bastante confianza en la dirección de la causalidad y rastrear cualquier avería en el modelo a relaciones específicas.
• Los modelos de forma reducida vinculan las variables iniciales con los supuestos resultados a través de una caja negra impenetrable.
• El problema es que la correlación no siempre indica causalidad. X puede aumentar y disminuir con Y, aunque X no causa Y porque Y puede causar X (causalidad inversa), o Z (una variable omitida) puede causar X e Y.
• Los modelos de forma reducida pueden y han llevado a todo tipo de conclusiones tontas, como los médicos matan a la gente (parecen estar ubicuos durante plagas, accidentes y similares) y los policías causan delitos (el número en las calles sube durante las olas del crimen, y siempre están en la escena del crimen, muy sospechosos). Por si no se puede decir, estoy siendo sarcástico.
• Por otro lado, los modelos de forma reducida son económicos comparados con los estructurales.