WEBVTT

00:00:00.000 --> 00:00:03.138
♪ (música) ♪

00:00:03.394 --> 00:00:05.633
- [Narradora] Bienvenidos
a Nobel Conversations.

00:00:06.992 --> 00:00:10.093
En este episodio,
Josh Angrist y Guido Imbens

00:00:10.093 --> 00:00:13.366
se reúnen con Isaiah Andrews
para discutir y discrepar

00:00:13.366 --> 00:00:15.221
sobre el papel
del aprendizaje automático

00:00:15.221 --> 00:00:16.816
en la econometría aplicada.

00:00:17.894 --> 00:00:19.896
- [Isaiah] Bien. Por supuesto
que hay muchos temas

00:00:19.896 --> 00:00:21.465
en los que ustedes
están muy de acuerdo,

00:00:21.465 --> 00:00:22.595
pero me gustaría pasar a uno

00:00:22.595 --> 00:00:24.365
sobre el que tal vez
opinen algo distinto.

00:00:24.365 --> 00:00:26.103
Me gustaría escuchar
algunas de sus opiniones

00:00:26.103 --> 00:00:27.319
sobre el aprendizaje automático

00:00:27.319 --> 00:00:30.257
y el papel que desempeña
y desempeñará en la economía.

00:00:30.257 --> 00:00:31.858
- [Guido] He consultado
algunos datos,

00:00:31.858 --> 00:00:33.349
como los datos privados.

00:00:33.349 --> 00:00:35.306
Vemos que no hay
ningún documento publicado allí.

00:00:35.975 --> 00:00:39.426
Se hizo un experimento
sobre algún algoritmo de búsqueda

00:00:39.426 --> 00:00:41.081
y la cuestión era...

00:00:42.581 --> 00:00:45.492
se trataba de clasificar cosas
y cambiar la clasificación.

00:00:45.990 --> 00:00:47.163
Y estaba más o menos claro

00:00:47.163 --> 00:00:50.271
que iba a haber
mucha heterogeneidad.

00:00:51.117 --> 00:00:55.864
Si buscas, digamos,

00:00:58.122 --> 00:01:00.640
una foto de Britney Spears,

00:01:00.640 --> 00:01:02.505
realmente no importa
dónde la clasifiques

00:01:02.505 --> 00:01:05.214
porque vas a encontrar
lo que estás buscando,

00:01:05.736 --> 00:01:07.058
ya sea que la clasifiques

00:01:07.058 --> 00:01:09.744
en primera, segunda
o tercera posición.

00:01:10.027 --> 00:01:12.346
Pero si estás buscando
el mejor libro de econometría,

00:01:12.346 --> 00:01:16.510
si pones tu libro en primer lugar
o en el décimo,

00:01:16.510 --> 00:01:18.140
eso va a suponer
una gran diferencia

00:01:18.140 --> 00:01:19.835
en la frecuencia

00:01:19.835 --> 00:01:21.286
con la que la gente
hará clic en él.

00:01:22.089 --> 00:01:23.312
Así que ahí--

00:01:23.312 --> 00:01:24.326
[Josh] ¿Por qué necesito

00:01:24.326 --> 00:01:27.314
el aprendizaje automático
para descubrir eso?

00:01:27.314 --> 00:01:29.463
Porque parece que puedo descubrirlo
de forma sencilla.

00:01:29.463 --> 00:01:30.517
- [Guido] En general--

00:01:30.517 --> 00:01:32.233
- [Josh] Había
un montón de posibles--

00:01:32.233 --> 00:01:34.233
- [Guido]...quieres pensar
que los artículos

00:01:34.233 --> 00:01:37.092
tienen montón de características,

00:01:37.092 --> 00:01:38.940
que quieres entender

00:01:38.940 --> 00:01:43.650
lo que impulsa la heterogeneidad
en el efecto de--

00:01:43.669 --> 00:01:44.876
- Pero solo estás prediciendo.

00:01:44.876 --> 00:01:46.057
En cierto sentido,

00:01:46.057 --> 00:01:47.793
estás resolviendo
un problema de marketing.

00:01:47.793 --> 00:01:49.210
- No, es un efecto causal,

00:01:49.210 --> 00:01:51.738
- Es causal, pero no tiene
contenido científico.

00:01:51.738 --> 00:01:52.809
Piensa en--

00:01:53.669 --> 00:01:57.243
- No, pero hay cosas similares
en el ámbito médico.

00:01:57.693 --> 00:01:59.312
Si haces un experimento,

00:01:59.312 --> 00:02:02.492
puedes estar muy interesado
en si el tratamiento funciona

00:02:02.492 --> 00:02:03.821
para algunos grupos o no.

00:02:03.821 --> 00:02:05.946
Y tienes un montón
de características individuales,

00:02:05.946 --> 00:02:08.109
y quieres buscar sistemáticamente--

00:02:08.109 --> 00:02:09.883
- Sí. Tengo mis dudas sobre esa...

00:02:09.883 --> 00:02:12.588
esa especie de idea de que hay
un efecto causal personal

00:02:12.588 --> 00:02:13.902
que me debería importar

00:02:13.902 --> 00:02:15.164
y que el aprendizaje automático

00:02:15.164 --> 00:02:17.103
puede descubrirlo
de alguna manera que sea útil.

00:02:17.517 --> 00:02:18.678
Así que piensa en--

00:02:18.678 --> 00:02:20.182
he trabajado mucho en las escuelas,

00:02:20.182 --> 00:02:22.358
yendo a, digamos,
una escuela chárter,

00:02:22.358 --> 00:02:24.498
una escuela privada
financiada con fondos públicos,

00:02:24.780 --> 00:02:27.392
efectivamente,
que es libre de estructurar

00:02:27.392 --> 00:02:29.587
su propio plan de estudios
en función del contexto.

00:02:29.587 --> 00:02:30.938
Algunos tipos de escuelas chárter

00:02:30.938 --> 00:02:33.379
consiguen
un rendimiento espectacular

00:02:33.379 --> 00:02:36.321
y en el conjunto de datos
que produce ese resultado,

00:02:36.321 --> 00:02:37.968
tengo un montón de covariables.

00:02:37.968 --> 00:02:39.584
Tengo
las puntuaciones de referencia

00:02:39.584 --> 00:02:41.321
y los antecedentes familiares,

00:02:41.321 --> 00:02:45.524
la educación de los padres,
el sexo del niño, la raza del niño.

00:02:46.060 --> 00:02:49.758
Y, bueno, en cuanto reúno
media docena de ellas,

00:02:49.758 --> 00:02:51.751
tengo un espacio
de muy alta dimensión.

00:02:52.391 --> 00:02:55.394
Sin duda, me interesan
las características del curso

00:02:55.394 --> 00:02:56.803
de ese efecto del tratamiento,

00:02:56.803 --> 00:02:58.688
como por ejemplo, si es mejor
para las personas

00:02:58.688 --> 00:03:02.054
que provienen de familias
con menores ingresos.

00:03:02.377 --> 00:03:05.656
Me cuesta creer
que haya una aplicación

00:03:05.656 --> 00:03:09.970
para la versión
de muy alta dimensión,

00:03:09.970 --> 00:03:12.499
en la que descubrí
que para los niños no blancos

00:03:12.499 --> 00:03:15.028
que tienen
ingresos familiares altos

00:03:15.028 --> 00:03:17.747
pero puntuaciones de referencia
en el tercer cuartil

00:03:17.747 --> 00:03:20.535
y que solo fueron
a la escuela pública

00:03:20.535 --> 00:03:23.128
en el tercer grado
pero no en el sexto.

00:03:23.128 --> 00:03:25.681
Así que eso es lo que produce
ese análisis de alta dimensión.

00:03:25.681 --> 00:03:27.938
Es una declaración condicional
muy elaborada.

00:03:27.938 --> 00:03:30.702
Hay dos cosas que están mal,
en mi opinión.

00:03:30.702 --> 00:03:32.418
En primer lugar, no lo veo como--

00:03:32.418 --> 00:03:34.492
no puedo imaginar
por qué es algo procesable.

00:03:34.492 --> 00:03:36.518
No sé por qué
querrías actuar sobre ello.

00:03:36.518 --> 00:03:39.381
Y también sé que hay
algún modelo alternativo

00:03:39.381 --> 00:03:42.856
que encaja casi igual de bien,
que lo invierte todo.

00:03:42.978 --> 00:03:44.591
Porque el aprendizaje automático

00:03:44.591 --> 00:03:48.473
no me dice que este es realmente
el predictor que importa,

00:03:48.473 --> 00:03:50.779
solo me dice
que este es un buen predictor.

00:03:51.396 --> 00:03:54.875
Así que creo,
que hay algo diferente

00:03:54.875 --> 00:03:57.688
en el contexto
de las ciencias sociales.

00:03:57.688 --> 00:04:00.270
- [Guido] Creo que las aplicaciones
de las ciencias sociales

00:04:00.270 --> 00:04:03.922
de las que hablas
son aquellas en las que, creo,

00:04:03.922 --> 00:04:07.923
no hay una gran cantidad
de heterogeneidad en los efectos.

00:04:09.760 --> 00:04:13.610
- [Josh] Bueno, podría haberla
si me permites llenar ese espacio.

00:04:13.610 --> 00:04:15.648
- No... ni siquiera entonces.

00:04:15.648 --> 00:04:18.506
Creo que para muchas
de esas intervenciones,

00:04:18.506 --> 00:04:22.840
se espera que el efecto
sea del mismo signo para todos.

00:04:23.055 --> 00:04:27.320
Puede haber pequeñas diferencias
en la magnitud, pero no es...

00:04:27.576 --> 00:04:29.968
Porque muchas de estas
diferencias educativas

00:04:29.968 --> 00:04:31.612
son buenas para todos.

00:04:31.612 --> 00:04:35.932
No es que sean malas
para algunas personas

00:04:35.932 --> 00:04:37.408
y buenas para otras

00:04:37.408 --> 00:04:39.797
y en algunos pequeños casos
pueden ser malas.

00:04:40.189 --> 00:04:43.633
Pero puede haber
algo de variación en la magnitud,

00:04:43.633 --> 00:04:44.808
pero se necesitarían

00:04:44.808 --> 00:04:47.019
conjuntos de datos
muy muy grandes para encontrarlos.

00:04:47.019 --> 00:04:48.985
Estoy de acuerdo en que,
en esos casos,

00:04:48.985 --> 00:04:51.393
probablemente no serían
muy procesables de todos modos.

00:04:51.881 --> 00:04:54.075
Pero creo que hay
muchos otros escenarios

00:04:54.075 --> 00:04:56.483
donde hay mucha más heterogeneidad.

00:04:56.736 --> 00:04:59.164
- Bueno, estoy abierto
a esa posibilidad

00:04:59.164 --> 00:05:00.977
y creo que el ejemplo que has dado

00:05:00.977 --> 00:05:04.857
es esencialmente
un ejemplo de marketing.

00:05:05.938 --> 00:05:09.714
- No, esos tienen
implicaciones para ello

00:05:09.714 --> 00:05:11.596
y esa es la organización,

00:05:11.596 --> 00:05:15.358
si tienes que preocuparte por la--

00:05:15.358 --> 00:05:17.857
- Bueno, necesito
ver ese documento.

00:05:18.289 --> 00:05:21.490
- Así que, la sensación
que tengo es que...

00:05:21.490 --> 00:05:23.371
- Todavía no estamos de acuerdo
en algo.

00:05:23.371 --> 00:05:25.735
- Sí.
- No hemos coincidido en todo.

00:05:25.735 --> 00:05:27.393
- Tengo esa sensación.
[risas]

00:05:27.393 --> 00:05:29.047
- En realidad,
hemos discrepado en esto

00:05:29.047 --> 00:05:30.729
porque no estaba para discutir.

00:05:30.729 --> 00:05:33.144
[risas]

00:05:33.144 --> 00:05:35.060
- ¿Se está poniendo
algo caluroso aquí?

00:05:35.720 --> 00:05:37.854
- Caluroso.
Es bueno que esté caluroso.

00:05:37.854 --> 00:05:39.501
La sensación que tengo es, Josh,

00:05:39.501 --> 00:05:41.951
que no estás diciendo
que estás seguro

00:05:41.951 --> 00:05:44.159
de que no hay manera
de que haya una aplicación

00:05:44.159 --> 00:05:45.667
en la que estas cosas sean útiles.

00:05:45.667 --> 00:05:47.169
Estás diciendo
que no estás convencido

00:05:47.169 --> 00:05:49.444
con las aplicaciones existentes
hasta la fecha.

00:05:49.907 --> 00:05:53.907
- Es justo.

99:59:59.999 --> 99:59:59.999
- Estoy muy seguro.

99:59:59.999 --> 99:59:59.999
[risas]

99:59:59.999 --> 99:59:59.999
- En este caso.

99:59:59.999 --> 99:59:59.999
- Creo que Josh tiene un punto que incluso en los casos de predicción donde muchos de los métodos de aprendizaje de la máquina realmente brillan es donde hay un montón de heterogeneidad.

99:59:59.999 --> 99:59:59.999
- No te importan mucho los detalles,
¿verdad?

99:59:59.999 --> 99:59:59.999
- [Guido] Sí.

99:59:59.999 --> 99:59:59.999
- No tiene un ángulo de política o algo así.

99:59:59.999 --> 99:59:59.999


99:59:59.999 --> 99:59:59.999


99:59:59.999 --> 99:59:59.999