♪ (música) ♪
- [Narradora] Bienvenidos
a Nobel Conversations.
En este episodio,
Josh Angrist y Guido Imbens
están con Isaiah Andrews
para discutir y discrepar
sobre el papel
del aprendizaje automático
en la econometría aplicada.
- [Isaiah] Entonces, por supuesto
que hay muchos temas
en los que ustedes están muy de acuerdo,
pero me gustaría pasar a uno
en el que tal vez
tengan algunas discrepancias.
Me gustaría escuchar
algunas de sus opiniones
sobre el aprendizaje automático
y el papel que está desempeñando
y va a desempeñar en la economía.
- [Guido] He consultado algunos datos
como el propietario----------------------.
Vemos que no hay
ningún documento publicado allí.
Se hizo un experimento
sobre algún algoritmo de búsqueda
y la cuestión era...
se trataba de clasificar cosas
y cambiar la clasificación.
Y estaba más o menos claro
que iba a haber mucha heterogeneidad.
Si buscas, digamos, una foto de Britney Spears --
realmente no importa dónde la clasifiques-----------------------------------
porque vas a encontrar lo que estás buscando,
ya sea que la pongas en la primera,
segunda o tercera posición del ranking.
Pero si estás buscando
el mejor libro de econometría,
si pones tu libro en primer lugar
o en el décimo,
eso va a suponer una gran diferencia
en la frecuencia
con la que la gente va a hacer clic en él.
Así que ahí...
[Josh] ¿Por qué necesito
el aprendizaje automático para descubrir eso?
Parece que --porque puedo descubrirlo simplemente.-----------------------
- [Guido] En general --
- [Josh] Había un montón de posibles...
- Quieres pensar en que hay un montón de características de los artículos,
que quieres entender lo que impulsa la heterogeneidad en el efecto de --
- Pero solo estás prediciendo.
En cierto sentido, estás resolviendo
un problema de marketing.
- No, es un efecto causal,
- Es causal, pero no tiene contenido científico.
Piensa en...
- No, pero hay cosas similares
en el ámbito médico.
Si haces un experimento,
puedes estar muy interesado
en si el tratamiento funciona
para algunos grupos o no.
Y tienes un montón
de características individuales,
y quieres buscar sistemáticamente...
- Sí. Soy escéptico sobre esa...
esa especie de idea de que hay
un efecto causal personal
que me debería importar
y que el aprendizaje automático
puede descubrirlo de alguna manera que sea útil.
Así que piensa en --
he hecho
un montón de trabajo en las escuelas,
ir a, digamos, una escuela charter,-------------------------------------------------
una escuela privada financiada
con fondos públicos,
efectivamente, que es libre de estructurar
su propio plan de estudios para el contexto allí.
Algunos tipos de escuelas chárter
generan espectaculares ganancias de rendimiento
y en el conjunto de datos
que produce ese resultado,
tengo un montón de covariables.
Así que tengo las puntuaciones de referencia
y tengo los antecedentes familiares,
la educación de los padres,
el sexo del niño, la raza del niño.
Y, bueno, en cuanto reúno
media docena de ellas,
tengo un espacio de muy alta dimensión.
Definitivamente me interesan
las características del curso
de ese efecto del tratamiento,
como por ejemplo si es mejor para las personas
que provienen de familias con menores ingresos.
Me cuesta creer que haya una aplicación para la versión de muy alta dimensión de eso,
en la que descubrí
que para los niños no blancos
que tienen ingresos familiares altos
pero puntuaciones de referencia en el tercer cuartil
y que solo fueron a la escuela pública
en el tercer grado pero no en el sexto.
Así que eso es lo que produce
ese análisis de alta dimensión.
Es una declaración condicional
muy elaborada.
Hay dos cosas que están mal,
en mi opinión.
En primer lugar, no lo veo como...
no puedo imaginar
por qué es procesable.
No sé por qué querrías actuar sobre ello.
Y también sé que hay algún modelo alternativo que encaja casi igual, que lo invierte todo.
Porque el aprendizaje automático
no me dice que este es realmente
el predictor que importa --
sólo me dice que este es un buen predictor.