Por: Thomas J. Sargent
NUEVA YORK – Hasta hace poco, dos grandes impedimentos limitaban lo que los economistas investigadores podían aprender sobre el mundo con los poderosos métodos que los matemáticos y estadísticos, a partir de principios del siglo XIX, desarrollaron para reconocer e interpretar patrones en datos ruidosos: los conjuntos de datos eran pequeños y costosos., y las computadoras eran lentas y caras. Por lo tanto, es natural que a medida que las ganancias en potencia de cómputo hayan reducido drásticamente estos impedimentos, los economistas se han apresurado a usar big data e inteligencia artificial para ayudarlos a detectar patrones en todo tipo de actividades y resultados.
El resumen de datos y el reconocimiento de patrones también son partes importantes de las ciencias físicas. El físico Richard Feynman una vez comparó el mundo natural con un juego jugado por los dioses: “no conoces las reglas del juego, pero puedes mirar el tablero de vez en cuando, en un pequeño rincón, tal vez. Y a partir de estas observaciones, tratas de descubrir cuáles son las reglas “.
La metáfora de Feynman es una descripción literal de lo que hacen muchos economistas. Al igual que los astrofísicos, generalmente adquirimos datos no experimentales generados por procesos que queremos entender. El matemático John von Neumann definió un juego como (1) una lista de jugadores; (2) una lista de acciones disponibles para cada jugador; (3) una lista de cómo los pagos de cada jugador dependen de las acciones de todos los jugadores; y (4) un protocolo de tiempo que indica quién elige qué y cuándo. Esta elegante definición incluye lo que entendemos por “constitución” o “sistema económico”: una comprensión social de quién elige qué y cuándo.
Al igual que el físico metafórico de Feynman, nuestra tarea es inferir un “juego”, que para los economistas es la estructura de un mercado o sistema de mercados, a partir de los datos observados. Pero luego queremos hacer algo que los físicos no hacen: pensar en cómo diferentes “juegos” podrían producir mejores resultados. Es decir, queremos realizar experimentos para estudiar cómo un cambio hipotético en las reglas del juego o en un patrón de comportamiento observado por algunos “jugadores” (por ejemplo, reguladores gubernamentales o un banco central) podría afectar los patrones de comportamiento del resto jugadores.
Por lo tanto, los “constructores de modelos estructurales” en economía buscan inferir de los patrones históricos de comportamiento un conjunto de parámetros invariantes para situaciones hipotéticas (a menudo históricamente sin precedentes) en las que un gobierno o regulador sigue un nuevo conjunto de reglas. El gobierno tiene estrategias, y la gente tiene contra estrategias, según un proverbio chino. Los “modelos estructurales” buscan parámetros invariables para ayudar a los reguladores y diseñadores de mercado a comprender y predecir patrones de datos en situaciones históricamente sin precedentes.
La desafiante tarea de construir modelos estructurales se beneficiará del rápido desarrollo de ramas de IA que no implican más que el reconocimiento de patrones. Un gran ejemplo es AlphaGo. El equipo de informáticos que creó el algoritmo para jugar al juego chino Go combinó inteligentemente un conjunto de herramientas que habían sido desarrolladas por especialistas en estadística, simulación, teoría de decisiones y comunidades de teoría de juegos. Muchas de las herramientas utilizadas en las proporciones correctas para hacer un excelente jugador artificial de Go también son herramientas básicas de los economistas para construir modelos estructurales para estudiar macroeconomía y organización industrial.
Por supuesto, la economía difiere de la física en un aspecto crucial. Mientras que Pierre-Simon Laplace consideraba “el estado actual del universo como el efecto de su pasado y la causa de su futuro”, lo contrario es cierto en economía: lo que esperamos que otras personas hagan más tarde causa lo que hacemos ahora. Normalmente utilizamos teorías personales sobre lo que otras personas quieren pronosticar lo que harán. Cuando tenemos buenas teorías de otras personas, lo que es probable que hagan determina lo que esperamos que hagan. Esta línea de razonamiento, a veces llamada “expectativas racionales”, refleja un sentido en el que “el futuro causa el presente” en los sistemas económicos. Tener esto en cuenta es el núcleo de la construcción de modelos económicos “estructurales”.
Por ejemplo, me uniré a una carrera en un banco si espero que otras personas lo hagan. Sin seguro de depósito, los clientes tienen incentivos para evitar que los bancos sean vulnerables a las corridas. Con el seguro de depósitos, a los clientes no les importa y no podrán correr. Por otro lado, si los gobiernos aseguran los depósitos, los propietarios de los bancos querrán que sus activos se vuelvan tan grandes y riesgosos como sea posible, mientras que a los depositantes no les importará. Existen compensaciones similares con el seguro de desempleo y discapacidad: asegurar a las personas contra la mala suerte puede debilitar su incentivo para mantenerse y para rescates oficiales de gobiernos y empresas.
En términos más generales, mi reputación es lo que otros esperan que haga. Me enfrento a opciones para confirmar o decepcionar esas expectativas. Esas elecciones afectarán el comportamiento de los demás en el futuro. Los banqueros centrales piensan mucho en eso.
Al igual que los físicos, los economistas usamos modelos y datos para aprender. No aprenderemos cosas nuevas hasta que apreciemos que nuestros modelos antiguos no pueden explicar datos nuevos. Luego construimos nuevos modelos a la luz de cómo fallaron sus predecesores. Esto explica cómo hemos aprendido de las depresiones pasadas y las crisis financieras. Y con big data, computadoras más rápidas y mejores algoritmos, podríamos ver patrones en los que una vez escuchamos solo ruido.
*Thomas J. Sargent es profesor de economía en la Universidad de Nueva York y miembro senior de la Institución Hoover.
Esta publicación es parte de la alianza entre 
Y 
