0:00:00.000,0:00:03.138
♪ (música) ♪

0:00:03.394,0:00:05.633
- [Narradora] Bienvenidos[br]a Nobel Conversations.

0:00:06.992,0:00:10.093
En este episodio,[br]Josh Angrist y Guido Imbens

0:00:10.093,0:00:13.366
se reúnen con Isaiah Andrews[br]para discutir y discrepar

0:00:13.366,0:00:15.221
sobre el papel[br]del aprendizaje automático

0:00:15.221,0:00:16.816
en la econometría aplicada.

0:00:17.894,0:00:19.896
- [Isaiah] Bien. Por supuesto[br]que hay muchos temas

0:00:19.896,0:00:21.465
en los que ustedes[br]están muy de acuerdo,

0:00:21.465,0:00:22.595
pero me gustaría pasar a uno

0:00:22.595,0:00:24.365
sobre el que tal vez[br]opinen algo distinto.

0:00:24.365,0:00:26.103
Me gustaría escuchar[br]algunas de sus opiniones

0:00:26.103,0:00:27.319
sobre el aprendizaje automático

0:00:27.319,0:00:30.257
y el papel que desempeña[br]y desempeñará en la economía.

0:00:30.257,0:00:31.858
- [Guido] He consultado[br]algunos datos,

0:00:31.858,0:00:33.349
como los datos privados.

0:00:33.349,0:00:35.306
Vemos que no hay[br]ningún documento publicado allí.

0:00:35.975,0:00:39.426
Se hizo un experimento[br]sobre algún algoritmo de búsqueda

0:00:39.426,0:00:41.081
y la cuestión era...

0:00:42.581,0:00:45.492
se trataba de clasificar cosas[br]y cambiar la clasificación.

0:00:45.990,0:00:47.163
Y estaba más o menos claro

0:00:47.163,0:00:50.271
que iba a haber[br]mucha heterogeneidad.

0:00:51.117,0:00:55.864
Si buscas, digamos,

0:00:58.122,0:01:00.640
una foto de Britney Spears,

0:01:00.640,0:01:02.505
realmente no importa[br]dónde la clasifiques

0:01:02.505,0:01:05.214
porque vas a encontrar[br]lo que estás buscando,

0:01:05.736,0:01:07.058
ya sea que la clasifiques

0:01:07.058,0:01:09.744
en primera, segunda[br]o tercera posición.

0:01:10.027,0:01:12.346
Pero si estás buscando[br]el mejor libro de econometría,

0:01:12.346,0:01:16.510
si pones tu libro en primer lugar[br]o en el décimo,

0:01:16.510,0:01:18.140
eso va a suponer[br]una gran diferencia

0:01:18.140,0:01:19.835
en la frecuencia

0:01:19.835,0:01:21.286
con la que la gente[br]hará clic en él.

0:01:22.089,0:01:23.312
Así que ahí--

0:01:23.312,0:01:24.326
[Josh] ¿Por qué necesito

0:01:24.326,0:01:27.314
el aprendizaje automático[br]para descubrir eso?

0:01:27.314,0:01:29.463
Porque parece que puedo descubrirlo[br]de forma sencilla.

0:01:29.463,0:01:30.517
- [Guido] En general--

0:01:30.517,0:01:32.233
- [Josh] Había[br]un montón de posibles--

0:01:32.233,0:01:34.233
- [Guido]...quieres pensar[br]que los artículos

0:01:34.233,0:01:37.092
tienen montón de características,

0:01:37.092,0:01:38.940
que quieres entender

0:01:38.940,0:01:43.650
lo que impulsa la heterogeneidad[br]en el efecto de--

0:01:43.669,0:01:44.876
- Pero solo estás prediciendo.

0:01:44.876,0:01:46.057
En cierto sentido,

0:01:46.057,0:01:47.793
estás resolviendo[br]un problema de marketing.

0:01:47.793,0:01:49.210
- No, es un efecto causal,

0:01:49.210,0:01:51.738
- Es causal, pero no tiene[br]contenido científico.

0:01:51.738,0:01:52.809
Piensa en--

0:01:53.669,0:01:57.243
- No, pero hay cosas similares[br]en el ámbito médico.

0:01:57.693,0:01:59.312
Si haces un experimento,

0:01:59.312,0:02:02.492
puedes estar muy interesado[br]en si el tratamiento funciona

0:02:02.492,0:02:03.821
para algunos grupos o no.

0:02:03.821,0:02:05.946
Y tienes un montón[br]de características individuales,

0:02:05.946,0:02:08.109
y quieres buscar sistemáticamente--

0:02:08.109,0:02:09.883
- Sí. Tengo mis dudas sobre esa...

0:02:09.883,0:02:12.588
esa especie de idea de que hay[br]un efecto causal personal

0:02:12.588,0:02:13.902
que me debería importar

0:02:13.902,0:02:15.164
y que el aprendizaje automático

0:02:15.164,0:02:17.103
puede descubrirlo[br]de alguna manera que sea útil.

0:02:17.517,0:02:18.678
Así que piensa en--

0:02:18.678,0:02:20.182
he trabajado mucho en las escuelas,

0:02:20.182,0:02:22.358
yendo a, digamos,[br]una escuela chárter,

0:02:22.358,0:02:24.498
una escuela privada[br]financiada con fondos públicos,

0:02:24.780,0:02:27.392
efectivamente,[br]que es libre de estructurar

0:02:27.392,0:02:29.587
su propio plan de estudios[br]en función del contexto.

0:02:29.587,0:02:30.938
Algunos tipos de escuelas chárter

0:02:30.938,0:02:33.379
consiguen[br]un rendimiento espectacular

0:02:33.379,0:02:36.321
y en el conjunto de datos[br]que produce ese resultado,

0:02:36.321,0:02:37.968
tengo un montón de covariables.

0:02:37.968,0:02:39.584
Tengo[br]las puntuaciones de referencia

0:02:39.584,0:02:41.321
y los antecedentes familiares,

0:02:41.321,0:02:45.524
la educación de los padres,[br]el sexo del niño, la raza del niño.

0:02:46.060,0:02:49.758
Y, bueno, en cuanto reúno[br]media docena de ellas,

0:02:49.758,0:02:51.751
tengo un espacio[br]de muy alta dimensión.

0:02:52.391,0:02:55.394
Sin duda, me interesan[br]las características del curso

0:02:55.394,0:02:56.803
de ese efecto del tratamiento,

0:02:56.803,0:02:58.688
como por ejemplo, si es mejor[br]para las personas

0:02:58.688,0:03:02.054
que provienen de familias[br]con menores ingresos.

0:03:02.377,0:03:05.656
Me cuesta creer[br]que haya una aplicación

0:03:05.656,0:03:09.970
para la versión[br]de muy alta dimensión,

0:03:09.970,0:03:12.499
en la que descubrí[br]que para los niños no blancos

0:03:12.499,0:03:15.028
que tienen[br]ingresos familiares altos

0:03:15.028,0:03:17.747
pero puntuaciones de referencia[br]en el tercer cuartil

0:03:17.747,0:03:20.535
y que solo fueron[br]a la escuela pública

0:03:20.535,0:03:23.128
en el tercer grado[br]pero no en el sexto.

0:03:23.128,0:03:25.681
Así que eso es lo que produce[br]ese análisis de alta dimensión.

0:03:25.681,0:03:27.938
Es una declaración condicional[br]muy elaborada.

0:03:27.938,0:03:30.702
Hay dos cosas que están mal,[br]en mi opinión.

0:03:30.702,0:03:32.418
En primer lugar, no lo veo como--

0:03:32.418,0:03:34.492
no puedo imaginar[br]por qué es algo procesable.

0:03:34.492,0:03:36.518
No sé por qué[br]querrías actuar sobre ello.

0:03:36.518,0:03:39.381
Y también sé que hay[br]algún modelo alternativo

0:03:39.381,0:03:42.856
que encaja casi igual de bien,[br]que lo invierte todo.

0:03:42.978,0:03:44.591
Porque el aprendizaje automático

0:03:44.591,0:03:48.473
no me dice que este es realmente[br]el predictor que importa,

0:03:48.473,0:03:50.779
solo me dice[br]que este es un buen predictor.

0:03:51.396,0:03:54.875
Así que creo,[br]que hay algo diferente

0:03:54.875,0:03:57.688
en el contexto[br]de las ciencias sociales.

0:03:57.688,0:04:00.270
- [Guido] Creo que las aplicaciones[br]de las ciencias sociales

0:04:00.270,0:04:03.922
de las que hablas[br]son aquellas en las que, creo,

0:04:03.922,0:04:07.923
no hay una gran cantidad[br]de heterogeneidad en los efectos.

0:04:09.760,0:04:13.610
- [Josh] Bueno, podría haberla[br]si me permites llenar ese espacio.

0:04:13.610,0:04:15.648
- No... ni siquiera entonces.

0:04:15.648,0:04:18.506
Creo que para muchas[br]de esas intervenciones,

0:04:18.506,0:04:22.840
se espera que el efecto[br]sea del mismo signo para todos.

0:04:23.055,0:04:27.320
Puede haber pequeñas diferencias[br]en la magnitud, pero no es...

0:04:27.576,0:04:29.968
Porque muchas de estas[br]diferencias educativas

0:04:29.968,0:04:31.612
son buenas para todos.

0:04:31.612,0:04:35.932
No es que sean malas[br]para algunas personas

0:04:35.932,0:04:37.408
y buenas para otras

0:04:37.408,0:04:39.797
y en algunos pequeños casos[br]pueden ser malas.

0:04:40.189,0:04:43.633
Pero puede haber[br]algo de variación en la magnitud,

0:04:43.633,0:04:44.808
pero se necesitarían

0:04:44.808,0:04:47.019
conjuntos de datos[br]muy muy grandes para encontrarlos.

0:04:47.019,0:04:48.985
Estoy de acuerdo en que,[br]en esos casos,

0:04:48.985,0:04:51.393
probablemente no serían[br]muy procesables de todos modos.

0:04:51.881,0:04:54.075
Pero creo que hay[br]muchos otros escenarios

0:04:54.075,0:04:56.483
donde hay mucha más heterogeneidad.

0:04:56.736,0:04:59.164
- Bueno, estoy abierto[br]a esa posibilidad

0:04:59.164,0:05:00.977
y creo que el ejemplo que has dado

0:05:00.977,0:05:04.857
es esencialmente[br]un ejemplo de marketing.

0:05:05.938,0:05:09.714
- No, esos tienen[br]implicaciones para ello

0:05:09.714,0:05:11.596
y esa es la organización,

0:05:11.596,0:05:15.358
si tienes que preocuparte por la--

0:05:15.358,0:05:17.857
- Bueno, necesito[br]ver ese documento.

0:05:18.289,0:05:21.490
- Así que, la sensación[br]que tengo es que...

0:05:21.490,0:05:23.371
- Todavía no estamos de acuerdo[br]en algo.

0:05:23.371,0:05:25.735
- Sí.[br]- No hemos coincidido en todo.

0:05:25.735,0:05:27.393
- Tengo esa sensación.[br][risas]

0:05:27.393,0:05:29.047
- En realidad,[br]hemos discrepado en esto

0:05:29.047,0:05:30.729
porque no estaba para discutir.

0:05:30.729,0:05:33.144
[risas]

0:05:33.144,0:05:35.060
- ¿Se está poniendo[br]algo caluroso aquí?

0:05:35.720,0:05:37.854
- Caluroso.[br]Es bueno que esté caluroso.

0:05:37.854,0:05:39.501
La sensación que tengo es, Josh,

0:05:39.501,0:05:41.951
que no estás diciendo[br]que estás seguro

0:05:41.951,0:05:44.159
de que no hay manera[br]de que haya una aplicación

0:05:44.159,0:05:45.667
en la que estas cosas sean útiles.

0:05:45.667,0:05:47.169
Estás diciendo[br]que no estás convencido

0:05:47.169,0:05:49.444
con las aplicaciones existentes[br]hasta la fecha.

0:05:49.907,0:05:53.907
- Es justo.

9:59:59.000,9:59:59.000
- Estoy muy seguro.

9:59:59.000,9:59:59.000
[risas]

9:59:59.000,9:59:59.000
- En este caso.

9:59:59.000,9:59:59.000
- 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.

9:59:59.000,9:59:59.000
- No te importan mucho los detalles,[br]¿verdad?

9:59:59.000,9:59:59.000
- [Guido] Sí.

9:59:59.000,9:59:59.000
- No tiene un ángulo de política o algo así.

9:59:59.000,9:59:59.000


9:59:59.000,9:59:59.000


9:59:59.000,9:59:59.000