1
00:00:00,000 --> 00:00:03,138
♪ (música) ♪

2
00:00:03,394 --> 00:00:05,633
- [Narradora] Bienvenidos
a Nobel Conversations.

3
00:00:06,992 --> 00:00:10,093
En este episodio,
Josh Angrist y Guido Imbens

4
00:00:10,093 --> 00:00:13,366
se reúnen con Isaiah Andrews
para discutir y discrepar

5
00:00:13,366 --> 00:00:15,221
sobre el papel
del aprendizaje automático

6
00:00:15,221 --> 00:00:16,816
en la econometría aplicada.

7
00:00:17,894 --> 00:00:19,896
- [Isaiah] Bien. Por supuesto
que hay muchos temas

8
00:00:19,896 --> 00:00:21,465
en los que ustedes
están muy de acuerdo,

9
00:00:21,465 --> 00:00:22,595
pero me gustaría pasar a uno

10
00:00:22,595 --> 00:00:24,365
sobre el que tal vez
opinen algo distinto.

11
00:00:24,365 --> 00:00:26,103
Me gustaría escuchar
algunas de sus opiniones

12
00:00:26,103 --> 00:00:27,319
sobre el aprendizaje automático

13
00:00:27,319 --> 00:00:30,257
y el papel que desempeña
y desempeñará en la economía.

14
00:00:30,257 --> 00:00:31,858
- [Guido] He consultado
algunos datos,

15
00:00:31,858 --> 00:00:33,349
como los datos privados.

16
00:00:33,349 --> 00:00:35,306
Vemos que no hay
ningún documento publicado allí.

17
00:00:35,975 --> 00:00:39,426
Se hizo un experimento
sobre algún algoritmo de búsqueda

18
00:00:39,426 --> 00:00:41,081
y la cuestión era...

19
00:00:42,581 --> 00:00:45,492
se trataba de clasificar cosas
y cambiar la clasificación.

20
00:00:45,990 --> 00:00:47,163
Y estaba más o menos claro

21
00:00:47,163 --> 00:00:50,271
que iba a haber
mucha heterogeneidad.

22
00:00:51,117 --> 00:00:55,864
Si buscas, digamos,

23
00:00:58,122 --> 00:01:00,640
una foto de Britney Spears,

24
00:01:00,640 --> 00:01:02,505
realmente no importa
dónde la clasifiques

25
00:01:02,505 --> 00:01:05,214
porque vas a encontrar
lo que estás buscando,

26
00:01:05,736 --> 00:01:07,058
ya sea que la clasifiques

27
00:01:07,058 --> 00:01:09,744
en primera, segunda
o tercera posición.

28
00:01:10,027 --> 00:01:12,346
Pero si estás buscando
el mejor libro de econometría,

29
00:01:12,346 --> 00:01:16,510
si pones tu libro en primer lugar
o en el décimo,

30
00:01:16,510 --> 00:01:18,140
eso va a suponer
una gran diferencia

31
00:01:18,140 --> 00:01:19,835
en la frecuencia

32
00:01:19,835 --> 00:01:21,286
con la que la gente
hará clic en él.

33
00:01:22,089 --> 00:01:23,312
Así que ahí--

34
00:01:23,312 --> 00:01:24,326
[Josh] ¿Por qué necesito

35
00:01:24,326 --> 00:01:27,314
el aprendizaje automático
para descubrir eso?

36
00:01:27,314 --> 00:01:29,463
Porque parece que puedo descubrirlo
de forma sencilla.

37
00:01:29,463 --> 00:01:30,517
- [Guido] En general--

38
00:01:30,517 --> 00:01:32,233
- [Josh] Había
un montón de posibles--

39
00:01:32,233 --> 00:01:34,233
- [Guido]...quieres pensar
que los artículos

40
00:01:34,233 --> 00:01:37,092
tienen montón de características,

41
00:01:37,092 --> 00:01:38,940
que quieres entender

42
00:01:38,940 --> 00:01:43,650
lo que impulsa la heterogeneidad
en el efecto de--

43
00:01:43,669 --> 00:01:44,876
- Pero solo estás prediciendo.

44
00:01:44,876 --> 00:01:46,057
En cierto sentido,

45
00:01:46,057 --> 00:01:47,793
estás resolviendo
un problema de marketing.

46
00:01:47,793 --> 00:01:49,210
- No, es un efecto causal,

47
00:01:49,210 --> 00:01:51,738
- Es causal, pero no tiene
contenido científico.

48
00:01:51,738 --> 00:01:52,809
Piensa en--

49
00:01:53,669 --> 00:01:57,243
- No, pero hay cosas similares
en el ámbito médico.

50
00:01:57,693 --> 00:01:59,312
Si haces un experimento,

51
00:01:59,312 --> 00:02:02,492
puedes estar muy interesado
en si el tratamiento funciona

52
00:02:02,492 --> 00:02:03,821
para algunos grupos o no.

53
00:02:03,821 --> 00:02:05,946
Y tienes un montón
de características individuales,

54
00:02:05,946 --> 00:02:08,109
y quieres buscar sistemáticamente--

55
00:02:08,109 --> 00:02:09,883
- Sí. Tengo mis dudas sobre esa...

56
00:02:09,883 --> 00:02:12,588
esa especie de idea de que hay
un efecto causal personal

57
00:02:12,588 --> 00:02:13,902
que me debería importar

58
00:02:13,902 --> 00:02:15,164
y que el aprendizaje automático

59
00:02:15,164 --> 00:02:17,103
puede descubrirlo
de alguna manera que sea útil.

60
00:02:17,517 --> 00:02:18,678
Así que piensa en--

61
00:02:18,678 --> 00:02:20,182
he trabajado mucho en las escuelas,

62
00:02:20,182 --> 00:02:22,358
yendo a, digamos,
una escuela chárter,

63
00:02:22,358 --> 00:02:24,498
una escuela privada
financiada con fondos públicos,

64
00:02:24,780 --> 00:02:27,392
efectivamente,
que es libre de estructurar

65
00:02:27,392 --> 00:02:29,587
su propio plan de estudios
en función del contexto.

66
00:02:29,587 --> 00:02:30,938
Algunos tipos de escuelas chárter

67
00:02:30,938 --> 00:02:33,379
consiguen
un rendimiento espectacular

68
00:02:33,379 --> 00:02:36,321
y en el conjunto de datos
que produce ese resultado,

69
00:02:36,321 --> 00:02:37,968
tengo un montón de covariables.

70
00:02:37,968 --> 00:02:39,584
Tengo
las puntuaciones de referencia

71
00:02:39,584 --> 00:02:41,321
y los antecedentes familiares,

72
00:02:41,321 --> 00:02:45,524
la educación de los padres,
el sexo del niño, la raza del niño.

73
00:02:46,060 --> 00:02:49,758
Y, bueno, en cuanto reúno
media docena de ellas,

74
00:02:49,758 --> 00:02:51,751
tengo un espacio
de muy alta dimensión.

75
00:02:52,391 --> 00:02:55,394
Sin duda, me interesan
las características del curso

76
00:02:55,394 --> 00:02:56,803
de ese efecto del tratamiento,

77
00:02:56,803 --> 00:02:58,688
como por ejemplo, si es mejor
para las personas

78
00:02:58,688 --> 00:03:02,054
que provienen de familias
con menores ingresos.

79
00:03:02,377 --> 00:03:05,656
Me cuesta creer
que haya una aplicación

80
00:03:05,656 --> 00:03:09,970
para la versión
de muy alta dimensión,

81
00:03:09,970 --> 00:03:12,499
en la que descubrí
que para los niños no blancos

82
00:03:12,499 --> 00:03:15,028
que tienen
ingresos familiares altos

83
00:03:15,028 --> 00:03:17,747
pero puntuaciones de referencia
en el tercer cuartil

84
00:03:17,747 --> 00:03:20,535
y que solo fueron
a la escuela pública

85
00:03:20,535 --> 00:03:23,128
en el tercer grado
pero no en el sexto.

86
00:03:23,128 --> 00:03:25,681
Así que eso es lo que produce
ese análisis de alta dimensión.

87
00:03:25,681 --> 00:03:27,938
Es una declaración condicional
muy elaborada.

88
00:03:27,938 --> 00:03:30,702
Hay dos cosas que están mal,
en mi opinión.

89
00:03:30,702 --> 00:03:32,418
En primer lugar, no lo veo como--

90
00:03:32,418 --> 00:03:34,492
no puedo imaginar
por qué es algo procesable.

91
00:03:34,492 --> 00:03:36,518
No sé por qué
querrías actuar sobre ello.

92
00:03:36,518 --> 00:03:39,381
Y también sé que hay
algún modelo alternativo

93
00:03:39,381 --> 00:03:42,856
que encaja casi igual de bien,
que lo invierte todo.

94
00:03:42,978 --> 00:03:44,591
Porque el aprendizaje automático

95
00:03:44,591 --> 00:03:48,473
no me dice que este es realmente
el predictor que importa,

96
00:03:48,473 --> 00:03:50,779
solo me dice
que este es un buen predictor.

97
00:03:51,396 --> 00:03:54,875
Así que creo,
que hay algo diferente

98
00:03:54,875 --> 00:03:57,688
en el contexto
de las ciencias sociales.

99
00:03:57,688 --> 00:04:00,270
- [Guido] Creo que las aplicaciones
de las ciencias sociales

100
00:04:00,270 --> 00:04:03,922
de las que hablas
son aquellas en las que, creo,

101
00:04:03,922 --> 00:04:07,923
no hay una gran cantidad
de heterogeneidad en los efectos.

102
00:04:09,760 --> 00:04:13,610
- [Josh] Bueno, podría haberla
si me permites llenar ese espacio.

103
00:04:13,610 --> 00:04:15,648
- No... ni siquiera entonces.

104
00:04:15,648 --> 00:04:18,506
Creo que para muchas
de esas intervenciones,

105
00:04:18,506 --> 00:04:22,840
se espera que el efecto
sea del mismo signo para todos.

106
00:04:23,055 --> 00:04:27,320
Puede haber pequeñas diferencias
en la magnitud, pero no es...

107
00:04:27,576 --> 00:04:29,968
Porque muchas de estas
diferencias educativas

108
00:04:29,968 --> 00:04:31,612
son buenas para todos.

109
00:04:31,612 --> 00:04:35,932
No es que sean malas
para algunas personas

110
00:04:35,932 --> 00:04:37,408
y buenas para otras

111
00:04:37,408 --> 00:04:39,797
y en algunos pequeños casos
pueden ser malas.

112
00:04:40,189 --> 00:04:43,633
Pero puede haber
algo de variación en la magnitud,

113
00:04:43,633 --> 00:04:44,808
pero se necesitarían

114
00:04:44,808 --> 00:04:47,019
conjuntos de datos
muy muy grandes para encontrarlos.

115
00:04:47,019 --> 00:04:48,985
Estoy de acuerdo en que,
en esos casos,

116
00:04:48,985 --> 00:04:51,393
probablemente no serían
muy procesables de todos modos.

117
00:04:51,881 --> 00:04:54,075
Pero creo que hay
muchos otros escenarios

118
00:04:54,075 --> 00:04:56,483
donde hay mucha más heterogeneidad.

119
00:04:56,736 --> 00:04:59,164
- Bueno, estoy abierto
a esa posibilidad

120
00:04:59,164 --> 00:05:00,977
y creo que el ejemplo que has dado

121
00:05:00,977 --> 00:05:04,857
es esencialmente
un ejemplo de marketing.

122
00:05:05,938 --> 00:05:09,714
- No, esos tienen
implicaciones para ello

123
00:05:09,714 --> 00:05:11,596
y esa es la organización,

124
00:05:11,596 --> 00:05:15,358
si tienes que preocuparte por la--

125
00:05:15,358 --> 00:05:17,857
- Bueno, necesito
ver ese documento.

126
00:05:18,289 --> 00:05:21,490
- Así que, la sensación
que tengo es que...

127
00:05:21,490 --> 00:05:23,371
- Todavía no estamos de acuerdo
en algo.

128
00:05:23,371 --> 00:05:25,735
- Sí.
- No hemos coincidido en todo.

129
00:05:25,735 --> 00:05:27,393
- Tengo esa sensación.
[risas]

130
00:05:27,393 --> 00:05:29,047
- En realidad,
hemos discrepado en esto

131
00:05:29,047 --> 00:05:30,729
porque no estaba para discutir.

132
00:05:30,729 --> 00:05:33,144
[risas]

133
00:05:33,144 --> 00:05:35,060
- ¿Se está poniendo
algo caluroso aquí?

134
00:05:35,720 --> 00:05:37,854
- Caluroso.
Es bueno que esté caluroso.

135
00:05:37,854 --> 00:05:39,501
La sensación que tengo es, Josh,

136
00:05:39,501 --> 00:05:41,951
que no estás diciendo
que estás seguro

137
00:05:41,951 --> 00:05:44,159
de que no hay manera
de que haya una aplicación

138
00:05:44,159 --> 00:05:45,667
en la que estas cosas sean útiles.

139
00:05:45,667 --> 00:05:47,169
Estás diciendo
que no estás convencido

140
00:05:47,169 --> 00:05:49,444
con las aplicaciones existentes
hasta la fecha.

141
00:05:49,907 --> 00:05:51,665
- Me parece bien.
- Estoy muy seguro.

142
00:05:51,858 --> 00:05:54,179
[risas]

143
00:05:54,179 --> 00:05:55,270
- En este caso.

144
00:05:55,270 --> 00:05:56,541
- Creo que Josh tiene razón

145
00:05:56,541 --> 00:06:00,101
en que incluso
en los casos de predicción,

146
00:06:00,101 --> 00:06:03,757
donde muchos de los métodos
de aprendizaje automática

147
00:06:03,757 --> 00:06:06,517
realmente se destacan es donde hay
un montón de heterogeneidad.

148
00:06:06,785 --> 00:06:10,400
- No te importan mucho
los detalles, ¿verdad?

149
00:06:10,400 --> 00:06:11,480
- [Guido] Sí.

150
00:06:11,480 --> 00:06:14,752
- No tiene un ángulo normativo
o algo así.

151
00:06:14,752 --> 00:06:17,535
- El reconocimiento
de dígitos escritos a mano

152
00:06:17,535 --> 00:06:18,569
y demás...

153
00:06:18,721 --> 00:06:23,861
lo hace mucho mejor
que construir un modelo complicado.

154
00:06:24,201 --> 00:06:26,925
Pero muchas
de las ciencias sociales,

155
00:06:26,925 --> 00:06:28,454
muchas
de las aplicaciones económicas,

156
00:06:28,454 --> 00:06:29,610
en realidad sabemos mucho

157
00:06:29,610 --> 00:06:32,067
sobre la relación
entre sus variables.

158
00:06:32,067 --> 00:06:34,572
Muchas de las relaciones
son estrictamente monótonas.

159
00:06:35,399 --> 00:06:39,266
La educación va a aumentar
los ingresos de la gente,

160
00:06:39,266 --> 00:06:41,916
sin importar
las características demográficas,

161
00:06:41,916 --> 00:06:44,763
sin importar
el nivel de educación que se tenga.

162
00:06:44,763 --> 00:06:46,325
- Hasta que lleguen a un doctorado.

163
00:06:46,325 --> 00:06:48,126
- ¿Eso se aplica
a la escuela de posgrado?

164
00:06:48,126 --> 00:06:49,218
[risas]

165
00:06:49,218 --> 00:06:50,593
- En un rango razonable.

166
00:06:50,593 --> 00:06:55,472
No va a bajar mucho.

167
00:06:55,472 --> 00:06:58,178
En muchos de los entornos
en los que se destacan

168
00:06:58,178 --> 00:07:00,209
estos métodos
de aprendizaje automático,

169
00:07:00,209 --> 00:07:02,081
hay mucha falta de monotonicidad,

170
00:07:02,081 --> 00:07:04,598
una especie de multimodalidad
en estas relaciones

171
00:07:04,598 --> 00:07:08,475
y van a ser muy poderosos.

172
00:07:08,701 --> 00:07:11,426
Pero sigo sosteniendo lo mismo.

173
00:07:11,426 --> 00:07:17,530
Estos métodos tienen mucho
para ofrecerles a los economistas

174
00:07:17,530 --> 00:07:21,465
y serán una gran parte del futuro.

175
00:07:21,629 --> 00:07:23,183
APLICACIONES
DEL APRENDIZAJE AUTOMÁTICO

176
00:07:23,183 --> 00:07:24,814
Parece que hay
algo interesante por decir

177
00:07:24,814 --> 00:07:26,139
sobre el aprendizaje automático.

178
00:07:26,139 --> 00:07:27,412
Así que, Guido, me preguntaba

179
00:07:27,412 --> 00:07:29,416
¿podría dar tal vez
algunos de los ejemplos

180
00:07:29,416 --> 00:07:30,694
que está pensando

181
00:07:30,694 --> 00:07:32,507
con las aplicaciones
que salen en el momento?

182
00:07:32,507 --> 00:07:35,779
- Un área
es donde en lugar de buscar

183
00:07:35,779 --> 00:07:37,235
efectos causales promedio

184
00:07:37,235 --> 00:07:39,684
estamos buscando
estimaciones individualizadas,

185
00:07:39,684 --> 00:07:43,212
predicciones de efectos causales,

186
00:07:43,212 --> 00:07:45,856
y allí, los algoritmos
de aprendizaje automático

187
00:07:45,856 --> 00:07:47,384
han sido muy eficaces.

188
00:07:47,958 --> 00:07:49,892
Hasta ahora,
hemos hecho estas cosas

189
00:07:49,892 --> 00:07:51,458
utilizando métodos de kernel,

190
00:07:51,458 --> 00:07:53,846
y teóricamente, funcionan muy bien,

191
00:07:53,846 --> 00:07:56,226
y hay quienes comentan
que, formalmente,

192
00:07:56,226 --> 00:07:57,575
no se puede hacer nada mejor.

193
00:07:57,575 --> 00:07:59,422
Pero en la práctica,
no funcionan muy bien.

194
00:07:59,643 --> 00:08:03,057
Las cosas aleatorias
de tipo bosque causal

195
00:08:03,057 --> 00:08:05,833
en las que Stefan Wager
y Susan Athey

196
00:08:05,833 --> 00:08:09,310
han estado trabajando
se utilizan muy ampliamente.

197
00:08:09,537 --> 00:08:11,895
Han sido muy eficaces
en estos entornos

198
00:08:11,895 --> 00:08:14,998
para obtener efectos causales

199
00:08:14,998 --> 00:08:19,118
que varían según las covariables.

200
00:08:19,118 --> 00:08:23,665
Creo que esto es solo el comienzo
de estos métodos.

201
00:08:23,665 --> 00:08:25,605
Pero en muchos casos,

202
00:08:27,201 --> 00:08:29,572
estos algoritmos son muy eficaces,

203
00:08:29,572 --> 00:08:31,481
como en la búsqueda
en grandes espacios

204
00:08:31,481 --> 00:08:36,908
y encontrar las funciones
que se ajustan muy bien

205
00:08:36,908 --> 00:08:40,444
en formas que realmente
no podíamos hacer antes.

206
00:08:41,511 --> 00:08:42,866
- No conozco ningún ejemplo

207
00:08:42,866 --> 00:08:45,379
en el que el aprendizaje automático
haya generado conocimientos

208
00:08:45,379 --> 00:08:47,260
sobre un efecto causal
que me interese.

209
00:08:47,619 --> 00:08:49,133
Y sí conozco ejemplos

210
00:08:49,133 --> 00:08:51,106
en los que es potencialmente
muy engañoso.

211
00:08:51,485 --> 00:08:53,487
He trabajado con Brigham Frandsen

212
00:08:53,487 --> 00:08:55,916
utilizando, por ejemplo,
bosques aleatorios

213
00:08:55,916 --> 00:08:57,943
para modelar
los efectos de las covariables

214
00:08:57,943 --> 00:08:59,775
en un problema
de variables instrumentales

215
00:08:59,775 --> 00:09:03,328
en el que hay que condicionar
las covariables.

216
00:09:03,710 --> 00:09:06,456
Y no tienes
un sentimiento muy fuerte

217
00:09:06,456 --> 00:09:08,066
sobre la forma funcional para eso,

218
00:09:08,066 --> 00:09:09,845
así que tal vez
se debería curvar...

219
00:09:09,845 --> 00:09:12,814
estar abierto
a un ajuste flexible de la curva.

220
00:09:12,977 --> 00:09:14,484
Y eso te lleva a un camino

221
00:09:14,484 --> 00:09:16,617
donde hay un montón
de no linealidades en el modelo,

222
00:09:16,617 --> 00:09:20,063
y eso es muy peligroso con el IV

223
00:09:20,063 --> 00:09:22,698
porque cualquier tipo
de no linealidad excluida

224
00:09:22,698 --> 00:09:25,785
genera potencialmente
un efecto causal espurio

225
00:09:25,785 --> 00:09:29,104
y Brigham y yo lo mostramos,
creo que muy convincentemente,

226
00:09:29,104 --> 00:09:31,734
en el caso de dos instrumentos

227
00:09:31,734 --> 00:09:34,963
que vienen de un trabajo mío
con Bill Evans,

228
00:09:34,963 --> 00:09:37,295
donde si se reemplaza...

229
00:09:37,295 --> 00:09:40,896
un estimador tradicional
de mínimos cuadrados en dos etapas

230
00:09:40,896 --> 00:09:42,676
con algún tipo de bosque aleatorio,

231
00:09:42,676 --> 00:09:46,745
se obtienen estimaciones
sin sentido muy precisas.

232
00:09:47,336 --> 00:09:51,056
Creo que eso
es una gran advertencia.

233
00:09:51,348 --> 00:09:53,381
A la vista de esos resultados,

234
00:09:53,381 --> 00:09:55,332
en un ejemplo que me interese

235
00:09:55,332 --> 00:09:57,009
en el que los instrumentos
sean muy simples

236
00:09:57,009 --> 00:10:01,149
y crea que son válidos,
sería escéptico al respecto.

237
00:10:02,280 --> 00:10:06,668
La no linealidad y el IV
no se mezclan muy cómodamente.

238
00:10:06,668 --> 00:10:09,191
- No, parece que eso
ya es más complicado...

239
00:10:09,191 --> 00:10:11,653
- Bueno, es IV--
- Sí.

240
00:10:11,653 --> 00:10:15,456
- ...pero luego trabajamos en eso.
[risas]

241
00:10:15,456 --> 00:10:16,862
- Está bien.

242
00:10:16,862 --> 00:10:18,645
OPORTUNIDADES
PARA PUBLICAR EN REVISTAS

243
00:10:18,645 --> 00:10:20,047
- [Guido] Como editor
de Econometrica,

244
00:10:20,047 --> 00:10:22,235
muchos de estos trabajos
llegan a mi escritorio,

245
00:10:22,235 --> 00:10:26,659
pero la motivación no es clara

246
00:10:27,461 --> 00:10:29,706
y, de hecho, realmente no existe.

247
00:10:29,883 --> 00:10:34,875
No son... artículos fundacionales
de tipo semiparamétrico.

248
00:10:35,515 --> 00:10:37,079
Así que, ese es un gran problema.

249
00:10:37,947 --> 00:10:40,934
Un problema relacionado
es que, en econometría,

250
00:10:40,934 --> 00:10:43,436
tenemos la tradición
de estar muy centrados

251
00:10:43,436 --> 00:10:46,448
en estos resultados
asintóticos formales.

252
00:10:46,757 --> 00:10:50,073
Tenemos muchos artículos

253
00:10:50,073 --> 00:10:53,244
en los que la gente
propone un método

254
00:10:53,244 --> 00:10:55,379
y luego establece
las propiedades asintóticas

255
00:10:55,379 --> 00:10:59,260
de una manera muy estandarizada.

256
00:11:00,696 --> 00:11:01,954
- ¿Es eso malo?

257
00:11:02,202 --> 00:11:06,186
- Bueno,
creo que ha cerrado la puerta

258
00:11:06,186 --> 00:11:07,834
a muchos trabajos que no encajan

259
00:11:07,834 --> 00:11:11,328
en la literatura
del aprendizaje automático,

260
00:11:11,328 --> 00:11:13,247
muchas cosas son más algorítmicas.

261
00:11:13,927 --> 00:11:18,714
La gente tenía algoritmos
para hacer predicciones

262
00:11:18,714 --> 00:11:22,049
que resultaron funcionar
mucho mejor que, por ejemplo,

263
00:11:22,049 --> 00:11:23,629
la regresión kernel no paramétrica.

264
00:11:23,865 --> 00:11:25,128
Durante mucho tiempo,

265
00:11:25,128 --> 00:11:26,920
en econometría
hicimos toda la no paramétrica

266
00:11:26,920 --> 00:11:28,753
y usamos la regresión kernel.

267
00:11:29,178 --> 00:11:30,969
Y eso fue genial
para probar teoremas.

268
00:11:30,969 --> 00:11:32,637
Podías obtener
intervalos de confianza,

269
00:11:32,637 --> 00:11:34,567
consistencia,
normalidad asintótica

270
00:11:34,567 --> 00:11:36,875
y todo iba genial,
pero no era muy útil.

271
00:11:37,101 --> 00:11:39,326
Y las cosas que hicieron
en el aprendizaje automático

272
00:11:39,326 --> 00:11:40,805
son mucho, mucho mejores.

273
00:11:41,054 --> 00:11:42,766
Pero no tenían el problema...

274
00:11:42,766 --> 00:11:44,961
- Ese no es mi problema
con el aprendizaje automático,

275
00:11:44,961 --> 00:11:46,983
que la teoría sea débil.
[risas]

276
00:11:47,073 --> 00:11:50,721
- No, pero estoy diciendo
que en cuanto a la predicción,

277
00:11:50,768 --> 00:11:52,359
lo hace mucho mejor.

278
00:11:52,570 --> 00:11:54,590
- Sí, es una mejor herramienta
de ajuste de curvas.

279
00:11:54,590 --> 00:11:58,655
- Pero lo hizo de una manera
que no habría hecho

280
00:11:58,655 --> 00:12:02,399
que esos trabajos fueran
inicialmente fáciles de introducir

281
00:12:02,399 --> 00:12:04,291
en las revistas de econometría,

282
00:12:04,291 --> 00:12:06,715
porque no estaba probando
el tipo de cosas...

283
00:12:06,990 --> 00:12:09,842
Cuando Breiman
hacía sus árboles de regresión...

284
00:12:09,842 --> 00:12:11,235
simplemente no encajaban.

285
00:12:11,477 --> 00:12:15,815
Creo que le habría sido muy difícil
publicar estas cosas

286
00:12:15,815 --> 00:12:18,183
en las revistas de econometría.

287
00:12:20,124 --> 00:12:23,426
Creo que nos hemos limitado
demasiado

288
00:12:23,457 --> 00:12:27,467
y nos hemos cerrado

289
00:12:27,615 --> 00:12:29,816
a muchos de estos métodos
de aprendizaje automático

290
00:12:29,816 --> 00:12:31,117
que son realmente muy útiles.

291
00:12:31,292 --> 00:12:33,625
Es decir, creo, en general,

292
00:12:33,625 --> 00:12:36,614
que la literatura,
los científicos de la computación,

293
00:12:36,614 --> 00:12:40,038
han presentado una gran cantidad
de estos algoritmos

294
00:12:40,370 --> 00:12:42,635
han propuesto
una gran cantidad de algoritmos

295
00:12:42,635 --> 00:12:44,465
que realmente son muy útiles

296
00:12:44,465 --> 00:12:48,792
y que están afectando la forma
en que haremos el trabajo empírico.

297
00:12:49,194 --> 00:12:52,014
Pero no lo hemos interiorizado
del todo

298
00:12:52,014 --> 00:12:54,050
porque todavía
estamos muy centrados

299
00:12:54,050 --> 00:12:56,276
en obtener estimaciones puntuales

300
00:12:56,276 --> 00:12:59,967
y obtener errores estándar
y obtener valores P

301
00:12:59,967 --> 00:13:02,796
de una manera
que necesitamos superar

302
00:13:02,796 --> 00:13:08,257
para aprovechar plenamente
la fuerza, los beneficios

303
00:13:08,257 --> 00:13:10,564
de la literatura
de aprendizaje automático.

304
00:13:11,374 --> 00:13:14,184
- Por un lado, creo que entiendo
tu punto de vista

305
00:13:14,184 --> 00:13:16,738
de que el marco tradicional
de la econometría

306
00:13:16,738 --> 00:13:19,734
de proponer un método,
demostrar un teorema límite

307
00:13:19,734 --> 00:13:23,403
bajo alguna historia asintótica,
y otra, y otra y otra...

308
00:13:23,659 --> 00:13:26,969
...y luego publicar el documento
es restrictivo,

309
00:13:26,969 --> 00:13:28,805
y que, en cierto sentido,

310
00:13:28,805 --> 00:13:30,301
al pensar más ampliamente

311
00:13:30,301 --> 00:13:31,862
sobre cómo podría ser
un documento de métodos,

312
00:13:31,862 --> 00:13:33,578
podemos escribir, en cierto sentido,

313
00:13:33,578 --> 00:13:35,129
desde luego que la literatura
de aprendizaje automático

314
00:13:35,129 --> 00:13:36,220
ha encontrado
un montón de cosas

315
00:13:36,220 --> 00:13:38,269
que parecen funcionar bastante
bien para una serie de problemas

316
00:13:38,269 --> 00:13:41,053
y ahora están influyendo
sustancialmente en la economía.

317
00:13:41,391 --> 00:13:43,339
Supongo que una pregunta
que me interesa

318
00:13:43,339 --> 00:13:46,278
es cómo piensas en el papel de...

319
00:13:46,792 --> 00:13:50,990
¿Crees que no hay valor
en la parte de la teoría?

320
00:13:50,990 --> 00:13:52,174
Porque supongo

321
00:13:52,174 --> 00:13:54,118
que una pregunta
que a menudo me hago

322
00:13:54,118 --> 00:13:55,729
al ver el resultado

323
00:13:55,729 --> 00:13:57,273
de una herramienta
de aprendizaje automático--

324
00:13:57,273 --> 00:13:59,397
y en realidad, varios de los métodos
de los que hablaste

325
00:13:59,397 --> 00:14:01,759
tienen resultados inferenciales
desarrollados para ellos--

326
00:14:01,759 --> 00:14:03,918
algo que siempre me pregunto,

327
00:14:03,918 --> 00:14:05,642
una especie de cuantificación
de la incertidumbre

328
00:14:05,642 --> 00:14:06,735
y simplemente...

329
00:14:06,735 --> 00:14:07,801
Tengo mi...

330
00:14:07,801 --> 00:14:09,743
vengo al mundo
con mi punto de vista,

331
00:14:09,743 --> 00:14:11,072
veo el resultado de esta cosa.

332
00:14:11,072 --> 00:14:12,633
¿Cómo debo actualizar
en función de eso?

333
00:14:12,633 --> 00:14:14,341
Y en cierto sentido,
si estoy en un mundo

334
00:14:14,341 --> 00:14:16,025
donde las cosas
se distribuyen normalmente,

335
00:14:16,025 --> 00:14:17,191
sé cómo hacerlo.

336
00:14:17,191 --> 00:14:18,350
Aquí no.

337
00:14:18,350 --> 00:14:21,016
Así que me interesa escuchar
lo que piensas al respecto.

338
99:59:59,999 --> 99:59:59,999
- No veo esto como si fuera decir

339
99:59:59,999 --> 99:59:59,999
que estos resultados
no son interesantes,

340
99:59:59,999 --> 99:59:59,999
pero habrá un montón de casos

341
99:59:59,999 --> 99:59:59,999
en los que va a ser
increíblemente difícil

342
99:59:59,999 --> 99:59:59,999
obtener esos resultados

343
99:59:59,999 --> 99:59:59,999
y puede que no seamos capaces
de llegar allí

344
99:59:59,999 --> 99:59:59,999
y puede que tengamos que hacerlo
en etapas donde primero alguien dice

345
99:59:59,999 --> 99:59:59,999
"Oye, tengo este algoritmo interesante
para hacer algo",

346
99:59:59,999 --> 99:59:59,999
y funciona bien por algún criterio
en este conjunto de datos en particular,

347
99:59:59,999 --> 99:59:59,999
y debemos ponerlo ahí.

348
99:59:59,999 --> 99:59:59,999
Y tal vez alguien descubra una forma

349
99:59:59,999 --> 99:59:59,999
en la que más tarde
se pueda seguir haciendo inferencia

350
99:59:59,999 --> 99:59:59,999
bajo algunas condiciones,

351
99:59:59,999 --> 99:59:59,999
y tal vez no sean condiciones
particularmente realistas.

352
99:59:59,999 --> 99:59:59,999
Entonces, podemos ir más allá.

353
99:59:59,999 --> 99:59:59,999
Pero creo que hemos estado restringiendo demasiado las cosas donde dijimos:

354
99:59:59,999 --> 99:59:59,999
"Este es el tipo de cosas que tenemos que hacer".

355
99:59:59,999 --> 99:59:59,999
Y en cierto sentido, eso se remonta
a la forma en que Josh y yo

356
99:59:59,999 --> 99:59:59,999
pensamos en las cosas
para el efecto del tratamiento promedio local.

357
99:59:59,999 --> 99:59:59,999
Esa no era la forma
en que la gente pensaba

358
99:59:59,999 --> 99:59:59,999
en estos problemas anteriormente.

359
99:59:59,999 --> 99:59:59,999
Había una sensación

360
99:59:59,999 --> 99:59:59,999
de que algunas personas
decían que la forma de hacer estas cosas

361
99:59:59,999 --> 99:59:59,999
es decir primero lo que te interesa estimar y luego hacer lo mejor que puedas en la estimación.

362
99:59:59,999 --> 99:59:59,999
Y lo que ustedes hacen
es hacerlo al revés.

363
99:59:59,999 --> 99:59:59,999
Ustedes dicen: "Aquí tengo
un estimador

364
99:59:59,999 --> 99:59:59,999
y ahora voy a averiguar
lo que está estimando".

365
99:59:59,999 --> 99:59:59,999
Y supongo que vas a decir
por qué crees que es interesante

366
99:59:59,999 --> 99:59:59,999
o tal vez por qué no es interesante
y eso no está bien.

367
99:59:59,999 --> 99:59:59,999
No está permitido
hacerlo de esa manera.

368
99:59:59,999 --> 99:59:59,999
Y creo que deberíamos ser
un poco más flexibles

369
99:59:59,999 --> 99:59:59,999
a la hora de pensar
en cómo ver los problemas

370
99:59:59,999 --> 99:59:59,999
porque creo que nos hemos perdido
algunas cosas por no hacer eso.

371
99:59:59,999 --> 99:59:59,999
♪ (música) ♪

372
99:59:59,999 --> 99:59:59,999
- [Josh] Así que has escuchado
nuestros puntos de vista, Isaiah,

373
99:59:59,999 --> 99:59:59,999
y has visto que no estamos de acuerdo en algunos puntos.

374
99:59:59,999 --> 99:59:59,999
¿Por qué no nos arbitras
esta disputa? [risas]

375
99:59:59,999 --> 99:59:59,999
- Oh, es tan amable de tu parte el hacerme una pequeña pregunta. [risas]

376
99:59:59,999 --> 99:59:59,999
Así que supongo que, por un lado,

377
99:59:59,999 --> 99:59:59,999
estoy muy de acuerdo con algo
que Guido dijo antes de... [risas]

378
99:59:59,999 --> 99:59:59,999
Así que una cosa
en la que el asunto del aprendizaje automático

379
99:59:59,999 --> 99:59:59,999
parece relativamente claro

380
99:59:59,999 --> 99:59:59,999
es en los entornos
donde nos interesa

381
99:59:59,999 --> 99:59:59,999
alguna versión de un problema
de predicción no paramétrica.

382
99:59:59,999 --> 99:59:59,999
Así que estoy interesado
en la estimación de una expectativa condicional o probabilidad condicional,

383
99:59:59,999 --> 99:59:59,999
y en el pasado,
tal vez habría utilizado un kernel...

384
99:59:59,999 --> 99:59:59,999
Habría utilizado
una regresión kernel

385
99:59:59,999 --> 99:59:59,999
o habría utilizado una regresión
en serie, o algo por el estilo.

386
99:59:59,999 --> 99:59:59,999
Parece que, en este momento,

387
99:59:59,999 --> 99:59:59,999
tenemos una idea bastante clara

388
99:59:59,999 --> 99:59:59,999
de que,
en una amplia gama de aplicaciones,

389
99:59:59,999 --> 99:59:59,999
los métodos de aprendizaje automático

390
99:59:59,999 --> 99:59:59,999
parecen funcionar mejor

391
99:59:59,999 --> 99:59:59,999
para estimar las funciones
de media condicional,

392
99:59:59,999 --> 99:59:59,999
o las probabilidades condicionales,

393
99:59:59,999 --> 99:59:59,999
o varios otros objetos no paramétricos

394
99:59:59,999 --> 99:59:59,999
que los métodos no paramétricos
más tradicionales

395
99:59:59,999 --> 99:59:59,999
que se estudiaron
en econometría y estadística,

396
99:59:59,999 --> 99:59:59,999
especialmente en entornos

397
99:59:59,999 --> 99:59:59,999
de alta dimensión.

398
99:59:59,999 --> 99:59:59,999
- ¿Así que, estás pensando
en la puntuación de propensión

399
99:59:59,999 --> 99:59:59,999
o algo así?

400
99:59:59,999 --> 99:59:59,999
- Sí, exactamente.
- Funciones de molestia.

401
99:59:59,999 --> 99:59:59,999
- Sí, cosas
como las puntuaciones de propensión.

402
99:59:59,999 --> 99:59:59,999
Incluso objetos
de interés más directo,

403
99:59:59,999 --> 99:59:59,999
como los efectos de tratamiento promedio condicional,

404
99:59:59,999 --> 99:59:59,999
que son la diferencia de dos funciones
de expectativa condicional,

405
99:59:59,999 --> 99:59:59,999
potencialmente cosas así.

406
99:59:59,999 --> 99:59:59,999
Por supuesto, incluso allí,
la teoría...

407
99:59:59,999 --> 99:59:59,999
para la inferencia de la teoría
de cómo interpretar,

408
99:59:59,999 --> 99:59:59,999
cómo hacer declaraciones
de muestras grandes

409
99:59:59,999 --> 99:59:59,999
sobre algunas de estas cosas
están menos desarrolladas

410
99:59:59,999 --> 99:59:59,999
dependiendo del estimador
de aprendizaje automático utilizado.

411
99:59:59,999 --> 99:59:59,999
Y así, creo que algo
que es complicado

412
99:59:59,999 --> 99:59:59,999
es que podemos tener
estos métodos,

413
99:59:59,999 --> 99:59:59,999
que funcionan mucho...

414
99:59:59,999 --> 99:59:59,999
que parecen funcionar mucho mejor
para algunos fines,

415
99:59:59,999 --> 99:59:59,999
pero que tenemos que ser
un poco cuidadosos

416
99:59:59,999 --> 99:59:59,999
en cómo los incorporamos

417
99:59:59,999 --> 99:59:59,999
o cómo interpretamos
las declaraciones resultantes.

418
99:59:59,999 --> 99:59:59,999
Pero, por supuesto,
esa es un área muy, muy activa

419
99:59:59,999 --> 99:59:59,999
ahora mismo donde la gente
está haciendo toneladas de gran trabajo.

420
99:59:59,999 --> 99:59:59,999
Así que espero ver
mucho más en el futuro.

421
99:59:59,999 --> 99:59:59,999
Un problema
con el aprendizaje automático

422
99:59:59,999 --> 99:59:59,999
que siempre parece un peligro es...

423
99:59:59,999 --> 99:59:59,999
o que a veces es un peligro

424
99:59:59,999 --> 99:59:59,999
y que a veces ha llevado

425
99:59:59,999 --> 99:59:59,999
a aplicaciones
que han tenido menos sentido

426
99:59:59,999 --> 99:59:59,999
es cuando la gente empieza
con un método que les entusiasma mucho en lugar de una pregunta.

427
99:59:59,999 --> 99:59:59,999
Así que empezar con una pregunta

428
99:59:59,999 --> 99:59:59,999
donde aquí está el objeto
que me interesa,

429
99:59:59,999 --> 99:59:59,999
aquí está el parámetro de interés--

430
99:59:59,999 --> 99:59:59,999
déjame pensar
en cómo identificaría esa cosa,

431
99:59:59,999 --> 99:59:59,999
cómo recuperaría esa cosa
si tuviera una tonelada de datos.

432
99:59:59,999 --> 99:59:59,999
Oh, aquí hay una función
de expectativa condicional,

433
99:59:59,999 --> 99:59:59,999
permítanme conectar
un estimador de aprendizaje automático para eso--

434
99:59:59,999 --> 99:59:59,999
eso parece muy muy sensato.

435
99:59:59,999 --> 99:59:59,999
Mientras que, ya sabes,
si hago una regresión de la cantidad sobre el precio

436
99:59:59,999 --> 99:59:59,999
y digo que he utilizado
un método de aprendizaje automático,

437
99:59:59,999 --> 99:59:59,999
tal vez estoy satisfecho
de que eso resuelva

438
99:59:59,999 --> 99:59:59,999
el problema de endogeneidad
que normalmente nos preocupa allí--

439
99:59:59,999 --> 99:59:59,999
tal vez no lo estoy.

440
99:59:59,999 --> 99:59:59,999
Pero, de nuevo,
es algo en lo que la forma de abordarlo

441
99:59:59,999 --> 99:59:59,999
parece relativamente clara.

442
99:59:59,999 --> 99:59:59,999
Es encontrar tu objeto de interés
y pensar en...

443
99:59:59,999 --> 99:59:59,999
- Solo trae la economía.
- Exactamente.

444
99:59:59,999 --> 99:59:59,999
- Y pensar en la heterogeneidad,
pero aprovechar

445
99:59:59,999 --> 99:59:59,999
el poder de los métodos
de aprendizaje automático

446
99:59:59,999 --> 99:59:59,999
para algunos de los componentes.

447
99:59:59,999 --> 99:59:59,999
- Precisamente.

448
99:59:59,999 --> 99:59:59,999
Exactamente.

449
99:59:59,999 --> 99:59:59,999
Así que la cuestión de interés
es la misma que siempre ha sido,

450
99:59:59,999 --> 99:59:59,999
pero ahora tenemos mejores métodos
para estimar algunas piezas de esto.

451
99:59:59,999 --> 99:59:59,999
El lugar que parece
más difícil de pronosticar

452
99:59:59,999 --> 99:59:59,999
es, obviamente, hay una gran cantidad en la literatura de aprendizaje automático

453
99:59:59,999 --> 99:59:59,999
y las formas limitadas de enchufar
que he referido hasta ahora son una pieza limitada de eso.

454
99:59:59,999 --> 99:59:59,999
Así que creo
que hay todo tipo de otras preguntas interesantes sobre dónde... dónde va esta interacción?

455
99:59:59,999 --> 99:59:59,999
¿Qué más podemos aprender?

456
99:59:59,999 --> 99:59:59,999
Y eso es algo
en lo que creo que hay una tonelada en marcha, que parece muy prometedor, y no tengo ni idea de cuál es la respuesta.

457
99:59:59,999 --> 99:59:59,999
- No, estoy totalmente de acuerdo con eso,

458
99:59:59,999 --> 99:59:59,999
pero eso lo hace muy emocionante.

459
99:59:59,999 --> 99:59:59,999
Y creo que solo hay un poco de trabajo por hacer allí.

460
99:59:59,999 --> 99:59:59,999
Muy bien. Así que Isaiah está de acuerdo conmigo allí. [risas]

461
99:59:59,999 --> 99:59:59,999
- Yo no he dicho que por sí mismo. ♪ [música] ♪

462
99:59:59,999 --> 99:59:59,999
- [Narradora] Si desea ver más
de Nobel Conversations,

463
99:59:59,999 --> 99:59:59,999
haga clic aquí.

464
99:59:59,999 --> 99:59:59,999
O si quieres aprender más
sobre econometría,

465
99:59:59,999 --> 99:59:59,999
echa un vistazo
a la serie Mastering Econometrics de Josh.

466
99:59:59,999 --> 99:59:59,999
Si quiere saber más
sobre Guido, Josh e Isaiah,

467
99:59:59,999 --> 99:59:59,999
consulte los enlaces
en la descripción.