Una parte considerable del trabajo del economista gira en torno a dos preguntas aparentemente sencillas. Antes de tomar una decisión, nos preguntamos «¿qué ocurrirá si hacemos esto?». Algún tiempo después, queremos saber «¿qué ocurrió porque lo hicimos?».
La primera aparece cuando un ministro quiere conocer las posibles consecuencias de aumentar un impuesto, modificar el sistema de pensiones o introducir un subsidio. La segunda surge cuando, meses o años más tarde, necesitamos determinar si aquella medida realmente aumentó el empleo, redujo la pobreza o mejoró el aprendizaje.
Estas preguntas nos llevan a dos grandes tareas de la evaluación económica. La evaluación ex ante busca anticipar los efectos de una política; la evaluación ex post procura establecer cuáles fueron sus efectos una vez aplicada. Ambas comparten una dificultad esencial. Para evaluar una decisión, necesitamos compararla con lo que habría sucedido si se hubiese tomado otra.
La econometría ha desarrollado distintas maneras de abordar ese problema. Una es la tradición estructural, vinculada a nombres como Trygve Haavelmo, Lawrence Klein, Robert Lucas, Daniel McFadden y James Heckman. Otra es la tradición contemporánea del diseño de investigación y la inferencia causal, representada, entre otros, por Donald Rubin, Joshua Angrist, Guido Imbens, David Card y Alan Krueger.
A menudo se presentan como rivales. La primera pone el acento en los modelos de comportamiento y los parámetros que permiten simular políticas. La segunda concede un lugar central a las comparaciones creíbles que pueden construirse con los datos. Para quienes deben evaluar políticas públicas, resulta más útil entender qué aporta cada una y cómo pueden complementarse. El punto de partida es comprender el problema que ambas intentan resolver.
El problema de observar un solo mundo
Supongamos que un gobierno introduce un subsidio salarial para fomentar el empleo juvenil. Queremos saber si el programa aumenta las posibilidades de que un joven consiga trabajo. Idealmente, observaríamos a esa misma persona, en el mismo momento, en dos situaciones distintas, una con el programa y otra sin él.
El efecto causal individual sería la diferencia entre esos dos resultados.
Sin embargo, solo podemos observar uno de ellos. Si el joven participa en el programa, desconocemos qué habría ocurrido con su empleo sin esa intervención. Si no participa, ignoramos qué habría sucedido de haberlo hecho. Ese resultado que no observamos es el contrafactual.
El modelo de resultados potenciales de Neyman y Rubin expresa con claridad esta dificultad, que Holland (1986) denominó el problema fundamental de la inferencia causal. Como no podemos observar directamente el contrafactual, necesitamos construir una comparación que nos permita aproximarlo. Buena parte del trabajo econométrico consiste en justificar por qué esa comparación es razonable.
La evaluación ex post y los efectos de la política
Imaginemos ahora que el programa ya se ha aplicado y contamos con datos de beneficiarios y no beneficiarios. La primera tentación sería comparar el empleo promedio de ambos grupos. Si D indica la participación en el programa, esa diferencia se expresa de la siguiente manera.
El problema es que los participantes pueden ser distintos de quienes no reciben el subsidio. Quizá tienen menos experiencia, enfrentan mayores dificultades para encontrar empleo o viven en zonas con menos oportunidades. La diferencia observada podría reflejar tanto el efecto del programa como esas condiciones previas.
Por eso, disponer de muchos datos o estimar una regresión sofisticada no resuelve por sí solo el problema. La credibilidad de una estimación causal depende de cómo se construye el grupo de comparación y de los supuestos que permiten utilizarlo como contrafactual.
Cuando es posible realizar un experimento aleatorio, la asignación al tratamiento genera grupos comparables en promedio. Bajo las condiciones apropiadas, la diferencia entre quienes fueron asignados al programa y quienes no lo fueron permite estimar el efecto causal de esa asignación.
Sin embargo, los economistas rara vez pueden experimentar con países, bancos centrales o sistemas tributarios completos. En esos casos recurren a estrategias que aprovechan cambios de política, reglas de elegibilidad u otras fuentes de variación para construir comparaciones creíbles. Entre las herramientas más utilizadas están las variables instrumentales, las diferencias en diferencias, la regresión discontinua y el control sintético. Los experimentos naturales ofrecen oportunidades para aplicar algunos de estos métodos, mientras que los estudios de eventos permiten examinar cómo evolucionan los resultados alrededor de una intervención. Cada enfoque requiere justificar sus propios supuestos.
Algunos trabajos ayudan a entender esta manera de investigar. Angrist y Krueger (1991) utilizaron el trimestre de nacimiento como instrumento para estudiar los retornos de la educación. Card y Krueger (1994) analizaron un aumento del salario mínimo en Nueva Jersey mediante una comparación con establecimientos de Pensilvania. Por su parte, Imbens y Lemieux (2008) sistematizaron buena parte de la lógica de los diseños de regresión discontinua, que aprovechan umbrales de asignación al tratamiento.
La pregunta, entonces, va más allá de «¿qué regresión debo estimar?». Antes de elegir una ecuación, necesitamos preguntarnos «¿qué variación en los datos me permite identificar el efecto causal que quiero medir?». Esa pregunta sitúa el diseño de investigación en el centro del análisis.
El economista como diseñador
Esta manera de pensar acerca la econometría a la lógica experimental. El investigador debe explicar por qué los grupos que compara permiten aprender sobre el efecto de una política y qué circunstancias podrían invalidar esa interpretación. Angrist y Pischke (2010) describieron este cambio como una revolución de credibilidad, caracterizada por una mayor atención a la calidad del diseño y a la justificación de los supuestos de identificación.
A través de estos diseños podemos estudiar qué ocurrió cuando un estado aumentó el salario mínimo, cuando una regla administrativa estableció un umbral de elegibilidad o cuando una transferencia monetaria se asignó aleatoriamente. En todos esos casos aprendemos a partir de intervenciones o variaciones que efectivamente tuvieron lugar.
Pero las decisiones públicas también nos obligan a mirar hacia situaciones que aún no hemos observado. El ministro podría preguntar qué ocurriría si se duplicara el salario mínimo, si se sustituyera el impuesto sobre la renta por uno al consumo o si se elevara la edad de jubilación de 65 a 70 años. La evidencia disponible puede orientar la respuesta, aunque trasladar los resultados de otras experiencias a estas propuestas exige supuestos adicionales.
Hemos pasado de la evaluación ex post a la evaluación ex ante. Para la política que se está considerando todavía no hay un «después» que podamos estudiar. Necesitamos anticipar cómo responderían las personas y las empresas, y cómo esas respuestas modificarían los resultados de interés.
En este punto, la econometría estructural ofrece herramientas para combinar teoría y datos y simular escenarios que todavía no observamos. Su utilidad depende de que los mecanismos y supuestos del modelo representen adecuadamente el problema. La evidencia de los diseños causales puede ayudar a estimarlos, contrastarlos y mejorarlos.
La distinción entre ex ante y ex post, por tanto, no establece una frontera rígida entre métodos. Nos ayuda a precisar qué queremos saber y qué necesitamos para responder. En la próxima entrega veremos cómo los modelos estructurales permiten construir estos escenarios y cómo pueden dialogar con la evidencia de los diseños cuasiexperimentales.
