Kitabı oku: «El lado oscuro de la Econometría»

CAPÍTULO 1:
LOS REYES MAGOS SON LOS PADRES
(CRITICAR LA ECONOMETRÍA)

“Si aprendés el método de momentos generalizado (GMM) sabés toda la econometría; todo es GMM”, me dijo un compañero de doctorado, allá por 1993, cuando iniciaba mi PhD en la Universidad de Illinois y la tecnología de GMM (por la que Lars Peter Hansen ganaría el Nobel en 2013) estaba de ultimísima moda, como Nirvana, Pearl Jam o Soundgarden. No muchos años antes, y de la mano de Hildegart Ahumada en el viejo Instituto Di Tella, donde hice mi posgrado, se me había abierto la puerta de los modelos dinámicos y las ideas de cointegración y raíces unitarias, que provocaron una auténtica revolución en la década del ochenta, y también llevaron al Nobel a Clive Granger y Robert Engle en 2003. Un poquito más adelante en el tiempo la aparición del revolucionario paper de Berry, Levenshon y Pakes parecía cambiar la forma de hacer economía estructural empírica. Simultáneamente, en los departamentos de Estadística los estudiantes doctorales estaban obsesionados con las ideas de Markov Chain Monte Carlo, y se decía que en Harvard los alumnos de PhD deambulaban obsesivos buscando experimentos naturales o instrumentos válidos, dando inicio a la ahora llamada (retrospectivamente) “revolución de credibilidad”, iniciada por el paper de Angrist y Krueger.

La econometría es una disciplina joven y cambiante, siempre hubo modas y siempre las habrá. No subirse a una moda por el solo hecho de que uno sabe de antemano que en algún momento pasará implica un enorme riesgo, porque en econometría, si bien toda moda pasa, es también cierto que toda moda algo deja. Quien no se baña diariamente con la excusa de “si total me voy a ensuciar de nuevo”, termina viviendo como un mugriento. Y esa es la tensión que enfrentamos los docentes y estudiantes de la econometría, ese balance entre subirse al carro de moda sabiendo que en algún momento va a descarrilar, y a la vez prestar atención al core de la disciplina, ese que resiste estoicamente el paso del tiempo.

En esta tensión entre lo nuevo y lo viejo mi honesta impresión es que el alumno medio (y quizás más enfáticamente el más avanzado) tiende a ser un poquito dogmático, abraza rápidamente las tecnologías de moda y rechaza cualquier otra cosa, en particular la moda anterior. Quiere “pertenecer al club” y distinguirse del resto. De ser los ochenta, sería el primero en comprarse un traje con hombreras con zapatos blancos y peinarse con gel como Don Johnson en Miami Vice.

Habiendo pasado ya casi treinta años con esta disciplina, hago mía la genial frase de Charly García, cuando decía que “mientras miro las nuevas olas, yo ya soy parte del mar”. La docencia universitaria implica muchas veces acompañar los instintos de los alumnos y también muchas otras ir en contra. Es un balance delicado, en ningún extremo es posible aprender nada: ni adoptando ciegamente cualquier juguete de moda ni teniendo una postura escéptica con respecto a todo.

Intentando mantener este balance es que, cuando mis alumnos me juegan la carta del dogmatismo, yo intento ponerme crítico e iconoclasta. El gran desafío de la econometría aplicada es hacer las cosas de la mejor manera posible, lo que implica primero diseñar un esquema en donde sea factible hablar de qué significa “bueno” o “malo”, y luego pensar si es que hay alguna forma de hacer las cosas de la mejor manera posible. Lamentablemente este no es un ejercicio práctico. La cuestión de la optimalidad (hacer las cosas de la mejor manera posible) es una tarea abstracta que fuerza al analista a pensar no solo cómo son las cosas, sino cómo podrían haber sido, y la teoría econométrica provee una forma ordenada de pensar en estas cuestiones. Mi objetivo, entonces, es que los alumnos desarrollen un espíritu crítico que les permita entender que, dependiendo del contexto, las herramientas econométricas pueden andar bien, mal, más o menos o espantosamente. En este marco es que este capítulo intenta dudar de todo, aun de cosas muy básicas y atávicas como el teorema de Gauss Markov. Pero espero que entiendan que es parte de una estrategia docente, como la del profesor de tenis que te devuelve la pelota a tu lado flojo (como digo más adelante), y que juego cuando a mis alumnos les agarra el ataque de dogmatismo, como cuando mi compañero decía, inocentemente, que “todo es GMM”. Ahí vamos.

MULTICOLINEALIDAD, MICRONUMEROSIDAD Y MACROESTUPIDEZ

Judge le dedica un largo capítulo. Wooldridge, solo algunas páginas. Johnston y Di Nardo solo mencionan el problema en una nota marginal al pie. ¿Es realmente un problema la multicolinealidad?

A los olvidadizos les recuerdo que la multicolinealidad se refiere a una situación en la cual en un modelo econométrico una de las variables explicativas se puede obtener como una combinación lineal y exacta de las otras. Por ejemplo, si en un modelo de consumo las variables explicativas fuesen el ingreso medido en pesos y el ingreso en dólares, claramente esto implica una violación al supuesto de “no multicolinealidad”, ya que la segunda variable es simplemente el ingreso en pesos multiplicado por un número. Menos trivialmente, también violaríamos este supuesto si en un modelo de rentabilidad de empresas incluyésemos como variables explicativas el activo, el pasivo y el patrimonio neto, toda vez que, desde Fray Luca Pacioli, el primero es igual a la suma de los otros dos. Intuitivamente, el supuesto de no multicolinealidad implica que uno no debe incluir variables irrelevantes. Por ejemplo, está clarísimo que, si incluimos el ingreso en pesos y en dólares, resultará imposible alterar el primero y dejar el otro quieto, ya que uno es esencialmente el otro. En algún lenguaje moderno, el supuesto de no multicolinealidad es “el” supuesto de identificación del modelo lineal.

Agrega a la confusión un problema que podría resolverse semánticamente. En el contexto antes explicado, la multicolinealidad es como el embarazo: hay o no hay multicolinealidad, sin ninguna alternativa intermedia, más o menos en el mismo sentido en el que una chica no puede estar “un poquito embarazada”, lo está o no. Cuando hay multicolinealidad, en la jerga se dice que hay “multicolinealidad exacta”, lo cual implica una violación flagrante a los supuestos clásicos del modelo lineal. Las consecuencias son gravísimas, al punto tal que es posible mostrar que los parámetros del modelo no están identificados y que el estimador de mínimos cuadrados ni siquiera existe. Es el fin del mundo econométrico. A los ojos de muchos (posiblemente, de los autores que le dedican un espacio ínfimo al tema), se trata de un supuesto tan fundamental y de consecuencias tan severas que ni siquiera tiene mucho sentido discutir sus violaciones.

Ahora, en la práctica mucha gente habla de “multicolinealidad alta”, terminología que hace referencia a una situación en donde la correlación entre las variables explicativas, si bien no es exacta, es “alta”. Es algo así como la versión econométrica de estar un poquito embarazada.

La confusión viene del hecho de que los practicantes de la econometría mezclan la multicolinealidad en sí misma (correlaciones entre variables explicativas) con sus consecuencias (varianza alta). Confunde al recién llegado a la disciplina el hecho de que la multicolinealidad alta (no exacta) no viola ningún supuesto del teorema de Gauss Markov (TGM), de modo que el estimador de MCO sigue siendo el de varianza mínima en la clase de estimadores insesgados. La postura de quienes ignoran el tema tiene que ver con que, si no hemos violado ningún supuesto, nada hay por hacer. Como dicen los norteamericanos, no hay que arreglar lo que no se ha roto.

Y aquí viene la trampa: el TGM jamás dice que la varianza del estimador mínimo cuadrático es alta o baja, tan solo que es mínima, lo cual no implica ninguna contradicción, más o menos en el mismo sentido en el que el mejor plato de un restaurante pésimo no tiene por qué ser bueno. La multicolinealidad plantea una situación en donde puede ser que el estimador de MCO sea óptimo y así todo sea una porquería. Esto explica por qué varios libros implícitamente sostienen la postura de que “si no levantamos ningún supuesto, el TGM funciona, y ergo, no hay que hacer nada, salvo joderse”. Desde esta perspectiva, la multicolinealidad alta es una característica del modelo, como el pelo rubio o castaño de las personas, y la mala o buena performance del método de mínimos cuadrados es una consecuencia de esto y deja inalterado que sea, en su contexto, el mejor.

Resolver el “problema de multicolinealidad” agregando observaciones (como muchos plantean) es como meter al niño en un freezer para que le baje la fiebre. Es actuar sobre las manifestaciones del problema (varianza elevada), además de llevar a preguntarse (de ser factible esta vía) por qué cuernos uno tenía acceso a información adicional y no la usaba antes, situación que se dirime con terapia o pastillas, y no con un texto de econometría.

En un ingenioso tratamiento (un capítulo de su notable libro A Course in Econometrics), Arthur Goldberger dice que, si a uno le preocupa la multicolinealidad, debería preocuparle del mismo modo el problema de tener pocos datos, ya que ambas cuestiones se manifiestan exactamente de la misma forma: aumentan la varianza del estimador. Mofándose de la profesión, Goldberger argumenta que el problema de “n chico” ha sido olvidado por no haber recibido una denominación pretenciosa y sofisticada como su problema hermano (multicolinealidad), de modo que, magistralmente, sugiere atacar esta cuestión semánticamente, y propone el ampuloso vocablo “micronumerosidad” para referirse a esta cuestión. He aquí a Goldberger en uno de sus muchos raptos de lucidez, y con un humor inusitado en nuestra profesión (traducción mía, del original de Goldberger):

3. Tests de micronumerosidad

Los test de micronumerosidad requieren un uso sensato de varios dedos. Algunos investigadores prefieren uno solo, otros usan los de los pies, y algunos también usan los pulgares. Una regla confiable consiste en contar el número de observaciones. En la mayoría de las situaciones prácticas en econometría, cuando n está cerca de cero, también está lejos de infinito. Existen algunos métodos que proponen valores críticos n*, de modo que la micronumerosidad es un problema solo si n es menor que n*, pero estos procedimientos son cuestionables.

Y he aquí mi contribución a la causa. Como todos sabemos, una tercera fuente de varianza alta es el tamaño de la varianza del error, o sea, la medida de nuestra ignorancia, aquello que fue relegado, justamente o no, a esta bolsa de gatos que denominamos “término de error”, y que ahora está de moda llamar “heterogeneidad no observable”. Su varianza, entonces, es algo así como la medida de nuestra impericia, aquello que nuestro conocimiento no puede o quiere meter en el modelo. Entonces, una forma de compensar la multicolinealidad es atacar lo que en el espíritu semántico de Goldberger denominaremos “macroestupidez”, medida apropiadamente por la varianza (o el desvío estándar) del término aleatorio, estimable mediante el uso de herramientas computacionales de amplia disponibilidad. Es fácil derivar algunos corolarios simples, por ejemplo: si la macroestupidez es cero, el problema de micronumerosidad solo requiere (bajo algunas condiciones simples) tantas observaciones como parámetros a estimar, y no más.

Termino con una anécdota. Hice mi primera presentación como econometrista en la Universidad de Wisconsin, en Madison, allá por el 1996, más o menos, en el congreso del Midwest Econometrics Group. Anil Bera, mi director de tesis, me “engañó” diciéndome que él iba a presentar nuestro paper (con Mann Yoon) y una semana antes me dijo que yo lo debía hacer, favor por el cual en su momento lo quise matar, pero que, retrospectivamente, le agradeceré de por vida. Pasé una semana sin dormir preparando puntillosamente mis slides. El día de mi presentación el auditorio estaba lleno, con Jeffrey Wooldridge y el temible Chuck Manski en primera fila. Antes de mi presentación, en el coffee break, se me acerca un viejito canoso, con remera negra, jeans y zapatillas All Star, y muy simpáticamente me extiende su mano y me dice: “Hola, soy Art Goldberger”. Y a mí se me vino el mundo abajo: había conocido a uno de mis ídolos.

Referencias

Johnston, J. y DiNardo, J., 1997, Econometric Methods, 4ta. Ed., McGraw Hill, Nueva York.

Judge, G., Griffiths, W., Carter Hill, R., Lutkepohl, H. y Lee, T., 1985, The Theory and Practice of Econometrics, Wiley, Nueva York.

Goldberger, A., 1991, A Course in Econometrics, Harvard University Press, Cambridge.

Wooldridge, J., 2012, Introductory Econometrics: A Modern Approach, 5ta. Ed., Cengage Learning, Nueva York.

FUCK GAUSS MARKOV

Puede ser una estrategia de marketing, tanto como decir que Borges escribía unos simpáticos cuentitos metafísicos. Y posiblemente lo sea. Pero, si sirve para desmitificar a algún intocable de la econometría con olor a naftalina y hacer pensar a los alumnos (más que memorizar y repetir como loro), valga la chanza. No le voy a pedir perdón ni a Gauss ni a Markov: ninguno de ellos pasó a la historia por el “teorema de Gauss-Markov” (TGM), en el mismo sentido en que Michael Jordan tampoco lo hará por sus incursiones en el golf.

El problema con el TGM es que no dice lo que uno querría que dijera: que, bajo ciertas condiciones, el estimador MCO es el mejor. Peor aun sabiendo que lo mejor no es necesariamente bueno (como hablásemos anteriormente), querríamos que el TGM nos dijera que el método de MCO es bueno, y que nos diera una justificación para usarlo. Entonces, como con los carbohidratos o Ricardo Arjona, es el abuso y no el uso lo que daña y agiganta artificialmente la relevancia del TGM. Y este es el tema de esta sección: darle al teorema la importancia que se le debe, ni más ni menos.

El TGM no dice que el método de MCO es el mejor estimador. La estadística clásica tiene serios problemas en garantizar la existencia de un “mejor estimador”, así nomás (técnicamente, en términos uniformes), sin imponer restricciones. Ni siquiera dice que sea el mejor estimador insesgado. Y aun cuando lo dijese, deberíamos discutir si es interesante (o no) que un estimador sea insesgado, cuestión a la que le dedicaremos una sección entera más adelante y que, a la luz de la enseñanza dogmática de la estadística en economía, es como preguntarle a un alumno si opina que sus padres son realmente sus padres. Y deberíamos discutir también si la noción de “mejor” estimador (y, si vamos al caso, de bueno y malo) es medible solo a través de su varianza. Desde cierto punto de vista, reducir la apreciación de la calidad de un estimador insesgado a que su varianza sea chica o grande es como creer que un autobús escolar (de esos amarillos que hay en EEUU) es mejor que una Ferrari solo porque es más grande. Aclaremos. La propiedad de varianza pequeña es claramente deseable, pero no es la única. Por ejemplo, la de robustez es también otra característica interesante que un estimador debería poseer y tiene muy poco que ver con que la varianza sea alta o baja.

El TGM dice, ni más ni menos, que el estimador de MCO es el de varianza mínima en la clase de estimadores lineales e insesgados. Que no es poco, pero tampoco es demasiado. La clase de estimadores insesgados posiblemente sea interesante. Pero ¿la clase de estimadores lineales? ¿En serio? ¿Para qué quiere uno que el estimador sea lineal? ¿Para sacar cuentas más rápido? ¿Para pasar las esperanzas a través de funciones lineales? ¿Para deducir normalidad, ya que toda función lineal de una variable normal también lo es? Posiblemente. Son todas ventajas analíticas, pero difícilmente sean conveniencias conceptuales, como la insesgadez. Decir que el método de MCO es el mejor estimador lineal e insesgado es como decir que tal vino es el mejor vino antimagnético, o que tal raza de perro es buena porque su nombre no contiene la letra “t”. En definitiva, mi problema con el TGM es que muchos alumnos creen que justifica el uso de MCO, pero solo lo hace en términos relativos. O sea, el TGM dice que el estimador de MCO es óptimo: a) en un sentido muy particular (varianza mínima) y b) dentro de una clase de estimadores que no es necesariamente interesante (la de los lineales e insesgados).

Ahora, hablemos bien del TGM. Es un “teorema chusma” (chusma (arg.): ‘que habla mal de otro y en su ausencia’), como esas viejas vecinas de barrio que tienen demasiado tiempo libre. En general, el TGM sirve para descartar otras estrategias lineales e insesgadas. Por ejemplo, bajo los supuestos clásicos, el método de mínimos cuadrados ponderados no puede ser mejor que MCO (porque por el TGM el mejor es MCO), bajo exogeneidad, el método de variables instrumentales no puede ser mejor que MCO, etc., etc., lo cual no es poco.

Hace unos meses puse en Yahoo Answers la pregunta: “¿Por qué es importante el TGM?”, y la respuesta más votada es: “Porque lo dice mi profesor de econometría”. Y esto es lo que quiero desterrar e invitar al lector a que me acompañe en esta cruzada. ¿Es el TGM un teorema importante? Sí. Es casi lo mejor que se puede decir de MCO en muestras fijas y sin suponer normalidad. ¿Es tan importante? No, porque es realmente poco lo que puede decir, o en todo caso, el TGM será tan importante como relevante sea la clase de estimadores insesgados y lineales, y como efectiva sea la varianza como medición de la calidad de un estimador.

Dedico mucho tiempo en mis clases al TGM, lo demuestro con detalle y lo discuto, a veces en los términos heréticos de esta sección. A veces ando con ganas de eliminarlo por completo, pero lo dejo, porque me da lástima y porque me parece que es una buena gimnasia econométrica. Y para pasar el mensaje de que jamás la relevancia de un resultado es “porque lo dice el profesor”. No crean todo lo que dicen por ahí. Ni lo que dice esta sección.

Referencia

Gauss, C., 1987, Theory of the Combination of Observations Least Subject to Errors: Part One, Part Two, Supplement, Society for Industrial and Applied Mathematics, Filadelfia. Resulta muy instructivo mirar el trabajo original de Gauss. El contexto y la notación son completamente distintos, pero realmente vale la pena el esfuerzo.

MAMÁ, MAMÁ, MI MODELO TIENE HETEROCEDASTICIDAD

Una vieja chanza de la estadística dice que los científicos aplicados creen en la distribución normal porque piensan que es un hecho de la matemática, mientras que los matemáticos creen en ella porque piensan que es un fenómeno aceptado en la ciencia aplicada.

Tengo la impresión de que algo similar pasa con los así llamados “supuestos clásicos” en econometría. Los estudiantes y practicantes tienden a darle importancia porque creen que es algo que los econometristas teóricos juzgan relevante, y estos últimos parecen respetarlos porque creen que a los economistas aplicados les son importantes. ¿Son los supuestos clásicos algo relevante a la teoría o a la práctica de la econometría? Se agrega a esta disquisición una tercera dimensión: puede que sea cierto que estos supuestos (y el modelo al cual conducen) sean relevantes en un sentido pedagógico; quizás es más útil comenzar por una estructura simple y no necesariamente realista, y luego pasar a alguna más compleja y posiblemente más apropiada para la realidad. Más o menos por las mismas razones que la física empieza con el poco realista “movimiento rectilíneo uniforme”, para luego construir un castillo que conduce a la mecánica clásica y tal vez a la física cuántica.

Más allá de estas disquisiciones, el grueso de la práctica econométrica se basa en la estimación mínimo cuadrática del modelo lineal, usando herramientas estándar (como los estadísticos “t”) a fin de evaluar hipótesis simples o construir intervalos de confianza. Los economistas tenemos una relación casi atávica con esta simple estructura, y siempre que pareció que la íbamos a abandonar, algún evento nos devolvió al vientre materno. Cuando los modelos macroestructurales amenazaron al modelo simple estimado por MCO, los vectores autorregresivos (estimados ecuación por ecuación por MCO) nos devolvieron a la realidad. Lo mismo ocurrió con la “revolución de credibilidad” (encabezada por Joshua Angrist y sus coautores), que sugirió que utilizar modelos más complejos que el combo “modelo lineal / MCO” era inútil como esterilizar un cuchillo para asesinar a un tipo, en el sentido de que cualquier sofisticación econométrica tiene un impacto menor (si alguno) en comparación con prestar atención a la estructura de identificación del problema en cuestión.

Tengo la impresión de que chequear los supuestos clásicos es como verificar si en la práctica se da el movimiento rectilíneo uniforme de la secundaria. Es más seguro pensar que no. De modo que la preocupación no es si se cumplen o no (no se cumplen), sino cuáles son las consecuencias, cuantitativas y cualitativas, de que no se cumplan. Hacer un test de heterocedasticidad en un corte transversal es más o menos como hacerle un test de embarazo a un tipo: ya sabemos la respuesta antes de hacer el test (hay heterocedasticidad). Entonces, la utilidad de un test de heterocedasticidad no es ver si simplemente la hay o no, sino si existe algún patrón de heterocedasticidad que sea relevante evaluar desde un punto de vista económico, quizás en términos de heterogeneidad, es decir, ver la presencia de heterocedasticidad no como una patología, sino como un fenómeno conceptual relevante. De esto mismo se dio cuenta David Hendry casi 40 años atrás en términos de la autocorrelación: la pregunta de si hay autocorrelación o no no es relevante en sí misma, sino desde un punto de vista de incorrecta especificación dinámica, de modo que la presencia de autocorrelación no debería conducir a “corregir la autocorrelación” sino a repensar la estructura dinámica del modelo, cuya mala especificación conduce a la autocorrelación. Este es el gran aporte a la causa de la así llamada escuela de econometría dinámica encabezada por Hendry.

El pragmatismo vigente se basa en que hacer las cosas bien es estimar consistentemente los parámetros de interés y luego poder hacer una “inferencia válida”. De ahí que, mayoritariamente, la profesión haya gravitado hacia el método de MCO acompañado de un estimador robusto de la varianza, como el de White, que es consistente haya heterocedasticidad o no. En este marco, ¿qué rol cumple el supuesto de normalidad? ¿Y el de heterocedasticidad? ¿Y el de linealidad? El de normalidad, a nadie le importa, si va a confiar en una teoría asintótica. El de heterocedasticidad, tampoco, ya que el estimador MCO y el estimador robusto son consistentes independientemente de este supuesto, precisamente. ¿Y el de linealidad? Vamos, con un R² tan bajo (común en economía), ajusta tan mal una recta como cualquier curva suave, por compleja que sea.

Aquí coincido con el reciente texto de Bruce Hansen, en el sentido de que “chequear los supuestos” es importante en la medida en que las hipótesis nula y alternativa detrás de los supuestos sean relevantes desde un punto de vista económico y no estadístico. En este marco, la pregunta sobre la heterocedasticidad es relevante si sugiere heterogeneidad; la de correlación serial, si apunta a una dinámica más rica; y la de no normalidad, si habla de no observables asimétricos o de colas pesadas, o con fines predictivos, como es de interés en finanzas.

Quizás haya llegado la hora de abandonar los supuestos clásicos, y con ellos el teorema de Gauss Markov. A la larga, las consecuencias de que los supuestos clásicos no valgan no parecen ser terriblemente graves, y las ganancias de que se cumplan son bastante pobres (como pobre es el teorema de GM, como discutimos anteriormente). Quizás en algún momento haya reales ganancias de eficiencia en explotar las violaciones a los supuestos clásicos, es decir, acciones tales como implementar el método de mínimos cuadrados generalizados bajo heterocedasticidad. Pero, así como están las cosas, la estructura pedagógica del “modelo lineal bajo los supuestos clásicos” parece darse de patadas con la práctica habitual econométrica.

¿No habrá llegado la hora de una nueva forma de enseñar econometría?

Referencias

Angrist, J. y Pischke, J., 2010, The credibility revolution in empirical economics: How better research design is taking the con out of econometrics, Journal of Economic Perspectives, 24(2), 3-30.

Hansen, B. 2015, Econometrics, mimeo. Disponible en http://www.ssc.wisc.edu/~bhansen/econometrics/.

Hendry, D. y Mizon, G., 1978, Serial correlation as a convenient simplification, not a nuisance: Acomment on a study of the demand for money by the Bank of England, Economic Journal, 88(351), 549-63.

UN AÑO SIN EL R²

Supongamos que viene nuestro hijo (hermano, amigo, lo que sea), de 16 años y nos dice “me saqué un 10 en un examen” (cuyas calificaciones van de 0 a 10). ¿Es una buena noticia? Bueno, si es en uno de Mecánica Cuántica, del doctorado en Física, seguro. ¿Y si el tipo volvió a sentarse con los niñitos de la primaria y tomó el examen de Matemática de primer grado? Mmmm. Esta ambivalencia de reacciones debería provocarle a uno la noticia de que el modelo que acaba de estimar tiene un R² alto.

Como todos sabemos, el R² es una medida de la contribución relativa del modelo lineal estimado por el método de mínimos cuadrados. Relativa a un modelo naive consistente en la media muestral de la variable de interés.

El R² es una medida de calidad en relación con la pregunta que uno se hizo inicialmente, es decir, el R² no juzga la respuesta ni la pregunta, sino la adecuación de la respuesta a la pregunta. Por ejemplo, si en un modelo la variable explicada es el activo de una empresa, y las variables explicativas son el pasivo y el patrimonio neto, a menos que cometamos algún error al ingresar los datos, el R² será exactamente igual a uno. Es decir, el modelo proporciona una respuesta perfecta a una pregunta demasiado estúpida: siempre el activo es igual al pasivo más el patrimonio neto, por lo menos desde la época de fray Luca Pacioli, como discutimos antes. En el otro extremo está cualquier modelo de economía laboral, que aun con miles de datos no puede proporcionar un R² mayor a 0.3. ¿Cuál de los dos modelos es mejor? Comparar modelos nada más que sobre la base del R² es como comparar coches sobre la base de su tamaño. Sin otra mención en particular, creer que un modelo es mejor que otro porque tiene R² más alto es como creer que un desvencijado ómnibus es mejor que un Porsche solo porque es más grande.

La enorme popularidad del R² tiene que ver con hacerles creer a los principiantes que se trata de “la” medida de calidad. La estadística clásica tiene enormes dificultades en definir con precisión qué significa que un modelo sea bueno y, de hecho, recurre a un conjunto de propiedades deseables, dejándole al usuario que defina (explícita o implícitamente) su mapa de preferencias sobre ellas, por ejemplo, si es preferible más sesgo que varianza o que un estimador sea robusto o no.

Cualquier modelo es obviamente erróneo como representación de la realidad, y la discusión de si es bueno o malo es, en realidad, una discusión de si es útil o no, en el sentido de lo que decía George Box, eso de que “todos los modelos están mal, pero algunos son útiles”. En el caso de las ecuaciones de Mincer, ¿es el R² igual a 0.3 bajo? Depende. Depende de para qué se quiera usar al modelo. Si es para estimar el efecto de la edad sobre los salarios, posiblemente el modelo sea excelente, a juzgar por la ínfima varianza con la que dicho efecto puede ser estimado. Ahora si el objetivo es usar el modelo para predecir salarios, el modelo es bastante malo. No existe forma de decir si 0.3 es bajo o alto, a menos que explicitemos qué pretendíamos del modelo. En el caso de los activos antes mencionados, un R² de 0.99999 es patéticamente bajo: ya sabíamos cómo funcionaba el modelo sin necesidad de estimar absolutamente nada.

A veces pienso si no es mejor tirar el R² a la basura en la enseñanza de la econometría básica. Sí, ya sé que hay mucho para perder. Pero también hay para ganar, para que el alumno focalice en la complejidad de evaluar multidimensionalmente si un modelo es bueno o no, en particular sobre la base de los objetivos que se propuso con la estimación del modelo.

El mejor favor que alguien me ha hecho es enseñarme a afinar mi guitarra a oído. Una vez que me acostumbré a confiar en mi oído interno, mi afinador electrónico Korg y yo convivimos en sana armonía. El R² es una característica del modelo, que aun cuando sea elevado, puede dejarnos tan lejos de un buen modelo como el tocar afinado está de tocar bien la guitarra.