Alejandro Camelo - 202110986

Paula Ardila - 202110172

Simón Cortázar - 202020930

Santiago Huertas – 202021311

Entrega 1 - Historia del Análisis Económico

1. Tesis:
1.) Con la llegada del machine learning últimamente varios economistas se han
mostrado tanto a favor como en contra de su uso para hacer análisis económico,
ejemplo de ello es Guido Imbens y Joshua Angrist, dicha diferencia en posturas
surge principalmente porque algunos economistas piensan que la econometría posee
las herramientas suficientes y necesarias para tratar los problemas que el machine
learning pretende tratar en la economía.

2.) Con la llegada del machine learning últimamente varios economistas se han
mostrado tanto a favor como en contra de su uso para hacer análisis económico,
ejemplo de ello es Guido Imbens y Joshua Angrist, estas diferencias surgen
principalmente por la discrepancia en la importancia e interpretabilidad de los
resultados que tiene el machine learning en la inferencia causal.

3.) Con la llegada del machine learning últimamente varios economistas se han
mostrado tanto a favor como en contra de su uso para hacer análisis económico,
ejemplo de ello es Guido Imbens y Joshua Angrist, donde dicho acogimiento o
rechazo hacia esta herramienta encuentra sus orígenes en el tipo de preguntas que
diferentes economistas se plantean y la efectividad del Machine Learning para
responderlas.

Particularmente, todas nuestras tesis orbitan alrededor del origen de la controversia de la

utilidad del machine learning en la economía.

2. Texto

Con el pasar de los años y el desarrollo de la tecnología el machine learning ha ganado

mucha importancia en las diferentes ramas del conocimiento, entre ellas la economía, por su
gran capacidad para el análisis de datos y, más importante aún, por su poder predictivo. Con la
llegada del machine learning a la economía, diferentes economistas han mostrado cierto
rechazo a esta, mientras otros, además de aceptarla, ven el futuro y desarrollo de la economía
en esta nueva herramienta. Así, grandes economistas como Joshua Angrist ven al machine
learning como una herramienta interesante, pero en cierta medida inútil para el análisis
económico, mientras otros, como Guido Imbens, ven una gran oportunidad en el machine
learning para mejorar y robustecer el análisis económico. Ciertamente se evidencia una
controversia sobre la utilidad del machine learning en la economía.

A día de hoy la controversia que existe al rededor del machine learning sobre su utilidad en
la economía es de suma importancia. En principio, porque nos permite entender a los
economistas las oportunidades y limitaciones no solo del machine learning en el análisis
económico, sino también las de la econometría, que es la herramienta por excelencia de los
economistas. Esta controversia permite que los economistas pongan en perspectiva y
cuestionen la utilidad de su “caja de herramientas” para futura modificación y así robustecer
los resultados de nuestros análisis.
Una de las fuentes primarias a analizar es el artículo de Angrist y Frandsen (2019) “Machine
Labor” en este se ve reflejada la visión de Angrist frente al machine learning y lo compara con
métodos econométricos. Los autores muestran que el machine learning puede ayudar a la
econometría con la selección de variables de control y de variables instrumentales, sin
embargo, encontraron que en el caso de las variables instrumentales se tiende a subestimar el
efecto. Además, con el control y la exclusión de ciertas variables se pueden producir,
ocasionalmente, falsos hallazgos. En este sentido, este artículo es relevante para entender
nuestra controversia en tanto que nos permite ver de manera muy clara lo poco que ciertos
economistas acogen el machine learning como herramienta útil en el análisis económico.
Además, nos permite dar con posibles argumentos sobre el origen de la controversia del
machine learning y su utilidad, mostrando así su importancia con respecto a la tesis.

La segunda fuente primaria es el artículo de Athey e Imbens (2019) “Machine learning

methods that economists should know about” y muestra lo importante que puede llegar a ser el
machine learning y lo que le puede aportar a los análisis empíricos en la economía. En este
artículo se exploran los métodos adoptados del machine learning que pueden ser útiles para los
economistas, por lo que resultaría importante incluirlos en el estudio de la econometría y
ayudaría a que el trabajo interdisciplinar sea más efectivo. En este sentido, con esta otra fuente,
exploramos la otra cara de la controversia. Este artículo nos resulta relevante en tanto que nos
permite entender cómo otros economistas encuentran en el machine learning una gran
oportunidad para ampliar nuestros métodos y herramientas de análisis para producir mejores
resultados empíricos. Además, este artículo resulta importante para nuestra tesis en tanto que
nos permitiría dar con posibles argumentos sobre el origen de esta controversia.
La importancia de estas fuentes radica en que nos permiten entender la controversia y, al
ponerlas en díalogo, podemos evidenciar indicios sobre el origen de la controversia abriendo
así un camino claro para la defensa de nuestra tesis.

Como fuente secundaria se va a recurrir al artículo de Hal R. Varian (2014), “Big Data: New
Tricks for Econometrics” en el que se muestra al big data y machine learning como nuevas
herramientas interesantes para la econometría, pero reconociendo sus limitaciones. En este se
aborda la discusión entre Angrist e Imbens desde una posición externa. Se exponen los dos
puntos de vista, en tanto que resume los principales métodos del machine learning y sus
aplicaciones en la economía, pero a su vez reconociendo que los enfoques econométricos
pueden tener mejores resultados como en la inferencia causal.
 3. Propuesta
Como producto final nos gustaría realizar un podcast informativo acerca de esta
controversia, realizando una contextualización oportuna para brindarle al oyente un gran
espectro acerca de los distintos puntos de vista que existen entorno al debate del uso del
machine learning en la economía.

4. Metodología
La metodología de investigación va a consistir principalmente en la revisión bibliográfica
primaria y secundaria que pueda ser útil para entender el origen de este debate. Los artículos
de Angrist, Imbens y Varian servirán como una guía de soporte para la tesis que queremos
defender. Sin embargo, se hará una mejor búsqueda bibliográfica sobre diferentes fuentes
primarias y secundarias que nos permitan dar con argumentos a favor de nuestra tesis sobre el
origen de la controversia.

5. Referencias:

Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should
know about. Annual Review of Economics, 11(1), 685–725.
https://www.annualreviews.org/doi/pdf/10.1146/annurev-economics-080217-053433

Angrist, J., & Frandsen, B. (2019). Machine Labor. National Bureau of Economic
Research. https://www.nber.org/system/files/working_papers/w26584/w26584.pdf

Varian, H. R. (2014). Big data: New tricks for econometrics. The Journal of Economic
Perspectives: A Journal of the American Economic Association, 28(2), 3–28.
https://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.28.2.3

Athey, S. (2019). The impact of machine learning on economics. The Economics of

Artificial Intelligence, 507–552.
https://doi.org/10.7208/chicago/9780226613475.003.0021