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.

0:05:49.907,0:05:51.665
- Me parece bien.[br]- Estoy muy seguro.

0:05:51.858,0:05:54.179
[risas]

0:05:54.179,0:05:55.270
- En este caso.

0:05:55.270,0:05:56.541
- Creo que Josh tiene razón

0:05:56.541,0:06:00.101
en que incluso[br]en los casos de predicción,

0:06:00.101,0:06:03.757
donde muchos de los métodos[br]de aprendizaje automática

0:06:03.757,0:06:06.517
realmente se destacan es donde hay[br]un montón de heterogeneidad.

0:06:06.785,0:06:10.400
- No te importan mucho[br]los detalles, ¿verdad?

0:06:10.400,0:06:11.480
- [Guido] Sí.

0:06:11.480,0:06:14.752
- No tiene un ángulo normativo[br]o algo así.

0:06:14.752,0:06:17.535
- El reconocimiento[br]de dígitos escritos a mano

0:06:17.535,0:06:18.569
y demás...

0:06:18.721,0:06:23.861
lo hace mucho mejor[br]que construir un modelo complicado.

0:06:24.201,0:06:26.925
Pero muchas[br]de las ciencias sociales,

0:06:26.925,0:06:28.454
muchas[br]de las aplicaciones económicas,

0:06:28.454,0:06:29.610
en realidad sabemos mucho

0:06:29.610,0:06:32.067
sobre la relación[br]entre sus variables.

0:06:32.067,0:06:34.572
Muchas de las relaciones[br]son estrictamente monótonas.

0:06:35.399,0:06:39.266
La educación va a aumentar[br]los ingresos de la gente,

0:06:39.266,0:06:41.916
sin importar[br]las características demográficas,

0:06:41.916,0:06:44.763
sin importar[br]el nivel de educación que se tenga.

0:06:44.763,0:06:46.325
- Hasta que lleguen a un doctorado.

0:06:46.325,0:06:48.126
- ¿Eso se aplica[br]a la escuela de posgrado?

0:06:48.126,0:06:49.218
[risas]

0:06:49.218,0:06:50.593
- En un rango razonable.

0:06:50.593,0:06:55.472
No va a bajar mucho.

0:06:55.472,0:06:58.178
En muchos de los entornos[br]en los que se destacan

0:06:58.178,0:07:00.209
estos métodos[br]de aprendizaje automático,

0:07:00.209,0:07:02.081
hay mucha falta de monotonicidad,

0:07:02.081,0:07:04.598
una especie de multimodalidad[br]en estas relaciones

0:07:04.598,0:07:08.475
y van a ser muy poderosos.

0:07:08.701,0:07:11.426
Pero sigo sosteniendo lo mismo.

0:07:11.426,0:07:17.530
Estos métodos tienen mucho[br]para ofrecerles a los economistas

0:07:17.530,0:07:21.465
y serán una gran parte del futuro.

0:07:21.629,0:07:23.183
APLICACIONES[br]DEL APRENDIZAJE AUTOMÁTICO

0:07:23.183,0:07:24.814
Parece que hay[br]algo interesante por decir

0:07:24.814,0:07:26.139
sobre el aprendizaje automático.

0:07:26.139,0:07:27.412
Así que, Guido, me preguntaba

0:07:27.412,0:07:29.416
¿podría dar tal vez[br]algunos de los ejemplos

0:07:29.416,0:07:30.694
que está pensando

0:07:30.694,0:07:32.507
con las aplicaciones[br]que salen en el momento?

0:07:32.507,0:07:35.779
- Un área[br]es donde en lugar de buscar

0:07:35.779,0:07:37.235
efectos causales promedio

0:07:37.235,0:07:39.684
estamos buscando[br]estimaciones individualizadas,

0:07:39.684,0:07:43.212
predicciones de efectos causales,

0:07:43.212,0:07:45.856
y allí, los algoritmos[br]de aprendizaje automático

0:07:45.856,0:07:47.384
han sido muy eficaces.

0:07:47.958,0:07:49.892
Hasta ahora,[br]hemos hecho estas cosas

0:07:49.892,0:07:51.458
utilizando métodos de kernel,

0:07:51.458,0:07:53.846
y teóricamente, funcionan muy bien,

0:07:53.846,0:07:56.226
y hay quienes comentan[br]que, formalmente,

0:07:56.226,0:07:57.575
no se puede hacer nada mejor.

0:07:57.575,0:07:59.422
Pero en la práctica,[br]no funcionan muy bien.

0:07:59.643,0:08:03.057
Las cosas aleatorias[br]de tipo bosque causal

0:08:03.057,0:08:05.833
en las que Stefan Wager[br]y Susan Athey

0:08:05.833,0:08:09.310
han estado trabajando[br]se utilizan muy ampliamente.

0:08:09.537,0:08:11.895
Han sido muy eficaces[br]en estos entornos

0:08:11.895,0:08:14.998
para obtener efectos causales

0:08:14.998,0:08:19.118
que varían según las covariables.

0:08:19.118,0:08:23.665
Creo que esto es solo el comienzo[br]de estos métodos.

0:08:23.665,0:08:25.605
Pero en muchos casos,

0:08:27.201,0:08:29.572
estos algoritmos son muy eficaces,

0:08:29.572,0:08:31.481
como en la búsqueda[br]en grandes espacios

0:08:31.481,0:08:36.908
y encontrar las funciones[br]que se ajustan muy bien

0:08:36.908,0:08:40.444
en formas que realmente[br]no podíamos hacer antes.

0:08:41.511,0:08:42.866
- No conozco ningún ejemplo

0:08:42.866,0:08:45.379
en el que el aprendizaje automático[br]haya generado conocimientos

0:08:45.379,0:08:47.260
sobre un efecto causal[br]que me interese.

0:08:47.619,0:08:49.133
Y sí conozco ejemplos

0:08:49.133,0:08:51.106
en los que es potencialmente[br]muy engañoso.

0:08:51.485,0:08:53.487
He trabajado con Brigham Frandsen

0:08:53.487,0:08:55.916
utilizando, por ejemplo,[br]bosques aleatorios

0:08:55.916,0:08:57.943
para modelar[br]los efectos de las covariables

0:08:57.943,0:08:59.775
en un problema[br]de variables instrumentales

0:08:59.775,0:09:03.328
en el que hay que condicionar[br]las covariables.