Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CLASES DE CIENCIAS
Con objeto de determinar si las teorías nos dan o no predicciones correctas dentro de un margen
de error aceptable, deberemos contrastar nuestras teorías frente a la evidencia de lo que pasa
realmente en la vida económica. El contrastar teorías por medio de observaciones no es una tarea
que pueda llevarse a cabo fácilmente (ni tampoco describirse en breves líneas). Un primer paso
en la senda de la contrastación de teorías es el saber distinguir los métodos de experimentación
(o de laboratorio) de aquellos que no lo son.
CIENCIAS EXPERIMENTALES
En algunas ciencias existe la posibilidad de obtener todas las observaciones necesarias a partir
de experimentos controlados efectuados en un laboratorio. En tales experimentos se mantienen
constantes todos los factores que se cree afectan al resultado del proceso. Entonces, variando
estos factores uno a uno se observa qué influencia tiene cada uno en el resultado del
experimento.
Supongamos, por ejemplo, que tenemos una teoría que predice que el nivel a que una
sustancia se quema es función de las propiedades químicas dc la misma y de la cantidad de
oxigeno consumido en el proceso de la combustión. Para contrastar esta teoría podemos tomar un
número de piezas idénticas de alguna sustancia y quemarías, variando la cantidad de oxígeno en
cada caso. Esto nos permite ver cómo varia la combustión según sea la cantidad de oxígeno que
se utilice. Por otra parte, podemos tomar un número de sustancias de composición química
diferente y quemarías con la misma cantidad de oxígeno en cada caso. Esto nos permitirá
observar de qué manera varía la combustión de acuerdo con la composición química. En este ex-
perimento, no deben utilizarse nunca datos de la composición química y de la cantidad de
oxígeno cuando varían simultáneamente. Las condiciones del laboratorio son de interés para ver
las situaciones que surgen al variar uno de los factores, permaneciendo todos los demás
constantes.
CIENCIAS NO EXPERIMENTALES
1. Obsérvese con en una conversación normal una persona expone una posible relación (por ejemplo
entre la educación y alguna faceta del ser humano) y como alguien «refuta»su teoría citando un solo
caso (por ejemplo, «un amigo fue a esta escuela y no se volvió así») Es muy común en todas las
conversaciones triviales rechazar cualquier hipótesis diciendo: «esto es únicamente una generalización».
Todas las hipótesis interesantes son generalizaciones, y se observan algunas excepciones aparentes o
reales. Lo que necesitamos saber es la cantidad de evidencia que sostiene a la hipótesis como afirmación
de una tendencia general sobre la relación de dos cosas. Cuestiones así nunca pueden concluirse en uno
u otro sentido por la simple enumeración casual de alguna evidencia disponible en aquel momento.
En economía, resulta muy difícil, sino imposible, llevar a cabo experimentos controlados. En
consecuencia, debe ser una ciencia no experimental. No obstante, la economía genera
continuamente un conjunto de datos. Por ejemplo, los consumidores comparan diariamente
precios y deciden lo que van a comprar, las empresas comparan precios para decidir lo que van a
producir y los gobiernos intervienen mediante impuestos, subsidios y controles directos. Todos
estos datos pueden ser observados y registrados, proporcionando las observaciones empíricas
para contrastar las teorías económicas. Dada la complejidad de los datos obtenidos bajo
condiciones no experimentales, probablemente la observación casual no será suficiente para
contrastar las hipótesis económicas. El análisis estadístico moderno se desarrollo con el fin de
probar las hipótesis con rigor, en situaciones en que muchas cosas estuvieran cambiando a la
vez. Sus primeros desarrollos abordaron básicamente experimentos de la biología y la
agricultura. Sin embargo, más adelante surgió la ECONOMETRIA , como una rama especial de la
estadística, para el desarrollo de técnicas que permitieran la contrastación rigurosa de hipótesis a
partir de los datos generados en las circunstancias en que se producen normalmente los
acontecimientos económicos.
Consideremos la hipótesis de que Uno de los factores importantes que influyen en la compra de
los bienes es la renta de los consumidores. Analizaremos una prueba de esta hipótesis, realizada
hace algunos años en los Estados Unidos, en la que se relaciona las rentas y la demanda de carne.
Para la puesta en práctica de la prueba, el ministerio de agricultura americano recogió datos de
las economías domésticas en lugar de obtenerlos de los consumidores. Una economía doméstica
es un grupo de individuos que viven bajo el mismo techo y toman conjuntamente sus decisiones
de consumo.
Imaginemos que nos ponemos en el lugar de los investigadores para llevara cabo esta prueba.
Para comenzar, necesitamos realizar algunas Observaciones sobre las rentas familiares y la
compra de carne de buey2. Nos damos cuenta de que no podemos enumerar a todas las familias
individuales de la población americana, de modo que debemos realizar un número inferior de
observaciones (llamado muestra) y esperar que represente típicamente a todas las familias
americanas.
2. Los datos de este ejemplo están sacados del libro de Daniel B Suits. Statistics: An Introduction to
Quantitative Economic Research. Chicago, Rand McNally, 1963, página 169.
LA MUESTRA
Comencemos por observar tres economías domésticas. El cuadro 3.1 registra sus datos, los
cuales pueden llevarnos a preguntar si nuestra hipótesis es falsa, pero, antes de que lleguemos a
semejante conclusión podríamos haber elegido tres economías domésticas que no fueran
representantes típicas de las economías domésticas de la nación. Posiblemente, decimos, el gasto
de alimentos se ve influido por otros factores distintos a la renta y posiblemente estos factores no
son dominantes en estos tres casos.
Para excluir esta posibilidad, tomemos un gran número de economías domésticas con el fin de
reducir las posibilidades de que dominen los casos atípicos. Suponga que lo hacemos
seleccionando 100 economías domésticas de entre nuestros amigos y conocidos. Un estadístico
nos advertiría, sin embargo, que nuestro nuevo grupo es una muestra sesgada, ya que sólo
incluye economías domésticas de un área geográfica limitada, probablemente de un mismo rango
ocupacional y, posiblemente, de rentas muy similares. Es poco probable que esta muestra sea
representativa de todas las economías domésticas en que estamos interesados.
El estadístico sugiere que tomemos una muestra al azar. Una muestra al azar se elige según
un conjunto rígidamente definido de condiciones que garantiza, entre otras cosas, el que todas las
economías domésticas en las que estamos interesados tengan las mismas oportunidades de ser
elegidas. El hecho de elegir nuestra muestra de una forma aleatoria tiene una consecuencia
importante Nos permite calcular la probabilidad de que no sea representativa en un determinado
aspecto mediante una cantidad establecida. La razón es que nuestra muestra se escogió al azar y
los sucesos aleatorios son predecibles.
Puede parecer sorprendente que los sucesos aleatorios sean predecibles. Si yo escojo una carta
de una baraja ordinaria, ¿qué probabi1idades hay de que sea corazones? y ¿un as de corazones?
Supóngase que se está jugando a un juego en que se ha de escoger una carta de la baraja; si salen
corazones se gana, si no, se pierde. Un amigo ofrece 5 libras al que gane contra 1 libra si pierde.
¿Quién saldrá ganando si se juega un gran número de veces? Si juega otra vez, pero con las
siguientes condiciones, 3 libras contra 1 libra, ¿quién saldrá ganando esta vez? Si se conocen las
respuestas a estas preguntas, se sabe que los sucesos aleatorios son, en cierto sentido, predeci-
bles.
¿Cómo se aplica en nuestro caso la posibilidad de medir los sucesos aleatorios? Si
seleccionamos las economías domésticas por puro azar, podemos conocer la posibilidad de elegir
una muestra poco representativa. Por ejemplo, si la renta media de todas las economías
domésticas americanas es 15 000 $ el resultado más probable sobre la renta media de una
muestra aleatoria será de 15 000 $, aunque no deberá sorprendernos si fuera 14 950 $ o incluso
16 000$. Cuanto más se aleje la renta media de nuestra muestra del verdadero valor que
corresponde a todas las economías domésticas, menos representativa es dicha muestra.
La posibilidad de predecir los sucesos aleatorios nos permite calcular la
probabilidad de que el valor medio de una variable en una muestra aleatoria,
difiera en una cantidad determinada del verdadero valor medio de la misma
variable para toda la población. En general, cuanto mayor es la desviación menos
probable será que ocurra en una muestra auténticamente aleatoria.
Una vez elegida nuestra muestra aleatoria, que en nuestro caso abarca a 4827 economías
domésticas, recogemos información de cada economía. doméstica sobre su renta y su consumo
de carne. El próximo paso es representar gráficamente los datos de forma que podamos tener una
visión panorámica A dicha representación la llamamos el DIAGRAMA DE DISPERSIÓN 3. Medimos
la renta de las economías domésticas en el eje horizontal y el consumo de carne en el eje vertical
A cada economía doméstica le corresponde un punto en el gráfico que indica su renta anual y la
cantidad de carne comprada a la semana. Sin embargo, un diagrama de dispersión con 4827 pon-
tos sería ininteligible, cuando se reduce al tamaño del papel impreso. Por lo tanto, hemos
dibujado los puntos de la figura 3.1 tomando una muestra aleatoria de 5% de las 4827
economías domésticas. Se afirma que cada uno de los 241 puntos, representa a 20 de las
economías domésticas en nuestra muestra original.
3. Las dos técnicas más importantes para representar los datos económicos, el diagrama de dispersión y
las series temporales, se discutirán en el apéndice de este capítulo
El diagrama de dispersión muestra una fuerte tendencia manifestada en que cuanto mayor es
la renta de las economías domésticas, mayores son sus compras de carne. Utilizando el lenguaje
introducido en el capítulo 2, las compras de carne son una función creciente de a renta de las
economías domésticas. No obstante, la relación no es determinista, ya que existen variaciones
considerables en las compras de carne que no pueden asociarse a cambios en la renta. Estas
«variaciones no explicadas» en las compras de carne se producen por dos razones: primero,
porque están influidas por otros factores además de la renta, y, segundo, porque en nuestras
mediciones existen necesariamente algunos errores (Ej. una economía doméstica puede haber
registrado incorrectamente sus compras de carne).
Con el fin de hacer más manejables los datos, vamos a proceder a agruparlos, obteniendo el
cuadro 3.2, en el que las economías domésticas se dividen en diez grupos de acuerdo a la renta y
se calcula el consumo medio de carne correspondiente a cada grupo de renta. Esto reduce las
4827 observaciones solamente a diez. Se produce una importante pérdida de detalle, pero el
cuadro nos muestra más claramente la tendencia general sobre la compra de carne cuando
aumenta la renta.
El próximo paso sería aplicar el análisis estadístico a todos los datos de nuestra muestra. Los
detalles de cómo deberíamos hacer esto se explican en los cursos de estadística y econometría,
aunque aquí podemos hacer hincapié en tres cosas importantes que pueden hacerse mediante
dicho análisis de los datos.
Primero, podemos ajustar a los datos una línea que representará la mejor estimación de la
relación real entre la renta de las economías domésticas y las compras de carne de las 4827
economías domésticas de nuestra muestra4 Esa línea describe la tendencia que se sigue cuando a
rentas superiores se produce un consumo mayor de carne. (La ecuación de la recta ajustada
siguiendo este procedimiento es B = 2,35 +0,47Y, donde B es la compra de carne en libras e Y
la renta en miles de dólares por año. La recta muestra que para cada incremento de 1000 $ en la
renta de las economías domésticas, el consumo de carne tiende aumentar en casi media libra por
semana).
4. Antes de ajustar la línea, debemos decidir si la relación se describe mejor por una línea recta o
curva. Afortunadamente, existen pruebas que nos permiten descubrir si estamos en un error al pensar
que relación es lineal cuando realmente es curvilínea. En el ejemplo aquí considerado, la relación
correcta es un poco curvilínea. pero, por aproximación, podemos trazar una línea recta
En segundo lugar, podemos obtener una medida del porcentaje de variación en el gasto de carne
de las economías domésticas que puede ser explicado por las variaciones de la renta de los
consumidores. Esta medida, que se expresa por r2 , recibe el nombre de coeficiente de
determinación, y puede tomar cualquier valor entre cero y uno. Si la relación fuera determinista,
r2 seria la unidad, lo que significa en nuestro caso que cualquier variación en el consumo de
carne se debe a variaciones en la renta. Si no existiera relación, r2 sería cero. Cualquier tipo de
relación. en mayor o menor grado, r2 seria mayor que cero y menor que uno. Cuanto mayor sea r2
mayor será la proporción de las variaciones en las compras de carne debidas a cambios en la ren-
ta. En términos generales, r2 es una medida del grado de dispersión de las observaciones
individuales alrededor de la línea que descubre la relación media entre compras de carne y renta:
si todos los puntos se sitúan en la línea, r2 será la unidad, mientras que cuanto más difusa sea la
nube de puntos en relación a la línea, más débil es la relación y más se aproxima a cero el valor
de r2 .
En tercer lugar, podemos aplicar un « test de significación», lo que nos: permite descubrir las
posibilidades de que la relación que hemos descubierto se deba sólo a que nuestra muestra no es
representativa de las economías domésticas de los Estados Unidos. En el caso presente, existe
una posibilidad de menos de 1/1 000 000 de hacer las observaciones que hemos efectuado si en
realidad no existiera relación entre las compras de carne y la renta de las economías domésticas.
Así, podemos tener gran confianza en la hipótesis de que estas dos variables, compras de carne y
renta de las economías domésticas, están, en realidad, positivamente relacionadas en los Estados
Unidos.
LA INFLUENCIA DE OTRAS VARIABLES
Está claro en el diagrama que no podemos achacar todas las variaciones en las compras de las
economías domésticas a las variaciones en la renta. Si pudiéramos hacerlo, todos los puntos
estarían en línea. Trataremos de descubrir los demás factores que ejercen también una influencia
sistemática en el consumo de carne. ¿Qué puede hacer que una economía doméstica con una
renta de 6000 $ compre un 20 por ciento más de carne que otra con la misma renta? Un posible
factor sería el que la carne de buey tuviera diferentes precios de una región a otra. Seguramente
existirán otros factores, tales como el tamaño de la familia y la religión, pero utilicemos el precio
para ilustrar cómo manejar más de un factor simultáneamente. Supongamos que se cuenta con
una relación de los datos relativos a los precios de las diferentes piezas de buey en cada ciudad
de las que una economía doméstica de la muestra compra su carne. Estos datos se utilizan para
calcular el precio medio de la carne de buey con el que se enfrenta cada economía doméstica.
Tenemos ahora tres observaciones para una de nuestras 4827 economías domésticas: su renta
anual, sus compras semanales de carne y el precio medio de la carne que compra. ¿Cómo
debemos manejar estos datos? Desgraciadamente, nuestro diagrama anterior ya no nos sirve,
pues no podemos representar la relación entre tres cosas en un gráfico bidimensional. Sin
embargo, sí que podemos agrupar los datos de forma cruzada. Para hacerlo, clasificamos primero
las economías domésticas en cinco grupos de renta por intervalos de 2000 $5 Luego
subdividimos a las economías domésticas pertenecientes a cada grupo de renta de acuerdo al
precio pagado por su carne. Esto nos permite obtener veinte grupos de economías domésticas.
Calculamos para cada uno las compras medias de carne y las situamos en sus lugares co-
rrespondientes en el cuadro 3.3. Por ejemplo, las economías tienen una renta entre 6000$ y 7999
$ y que se enfrentan a un precio de la carne entre 0,80 $ y 0,99 $ la libra adquieren un promedio
de 5,53 libras a la semana, mientras que aquellas economías domésticas en el mismo grupo de
renta que se enfrentan a un precio entre 1,40 $ y 1,59 $ compran solamente un promedio de 5,07
libras por semana.
5. Para impedir que el cuadro sea demasiado extenso, hemos agrupado las economías domésticas en
grupos de 2000 $ en vez de en grupos de 1000 $, como en el cuadro 3.2. pero se debe sólo a una
cuestión de conveniencia pudiéndose hacer tan detallado como se quiera, según sea el fin perseguido.
Cada fila del cuadro muestra el efecto del precio sobre las compras de carne para un
determinado nivel de renta. Leyendo la segunda hilera, por ejemplo, vemos que las economías
domésticas con una renta entre 2000 $ y 3999 $, compran 4.14 libras de carne por media cuando
el precio está entre 1 y 1,19 $, y así sucesivamente. Cada columna del cuadro muestra el efecto
de la renta sobre las compras de carne a un determinado precio. Por ejemplo, la última columna
muestra cómo varían las compras de carne con la renta para aquellas economías domésticas que
están sujetas a precios medios muy altos. Cuando estaban vigentes estos precios, las compras
variaban entre 2,43 libras para el grupo de renta menor y 5,53 para el de renta mayor.
Debiera advertirse claramente que esta clasificación se acoge a la idea de que todas las demás
cosas permanezcan constantes, recurso que sólo es posible en las ciencias de laboratorio6 .A1 leer
cualquier fila, mantenemos el precio constante en un sector que puede reducirse afinando más la
clasificación y variamos el precio. Al leer cualquier columna mantenemos el precio constante a
un nivel específico y variamos la renta.
Si queremos profundizar algo más también necesitamos, en este caso, apear con rigor los
instrumentos del análisis estadístico. Cuando, como ocurre ahora tenemos más de una variable
explicativa, utilizamos una técnica llamada análisis de regresión múltiple. Al igual que ocurría
cuando sólo teníamos una variable explicativa, este instrumento nos permite hacer tres cosas de
importancia. Primera, estimar la relación numérica entre las compras de carne semanales, por un
lado, y el precio y la renta, por otro. Segunda, podemos medir la proporción de las variaciones en
las compras de carne que puede explicarse por los cambios del precio y por los de la renta.
Finalmente, podemos estimar la probabilidad de que las relaciones halladas se deban a la
casualidad, al haber elegido por mala suerte una muestra de economías domésticas poco
representativa.
MEDICIONES Y CONTRASTACIONES
Las técnicas estadísticas nos pueden ayudar a medir la naturaleza y la intensidad de las
relaciones económicas, así como la probabilidad de que un cierto resultado haya surgido
únicamente por casualidad. Pero lo que realmente no pueden hacer es probar con certeza que
una hipótesis sea verdadera o falsa. Cuestión ésta que ya considerábamos en el capitulo 1 y que
de forma resumida reconsideraremos a otro nivel.
La mayoría de las hipótesis de la economía son del tipo de las llamadas hipótesis universales.
Establecen que, dadas unas determinadas condiciones, la causa X siempre producirá el efecto Y.
Ya hemos observado que no puede probarse la veracidad de las hipótesis universales debido a
que solamente podemos hacer un número finito de observaciones y, naturalmente, siempre cabrá
la posibilidad de que en el futuro se obtengan observaciones que estén en conflicto con la teoría.
¿PODEMOS PROBAR LA FALSEDAD DE UNA HIPÓTESIS?
Por la misma razón, no podemos hacer una refutación categórica de una hipótesis
estadística. Consideremos la hipótesis: «La mayoría de los cuervos son negros» Observamos 50
cuervos; 49 son grises y uno negro. ¿Hemos refutado la hipótesis? La respuesta es negativa, ya
que es posible que ello se debiera simplemente a la mala suerte pues observando todos los
cuervos del mundo podríamos probar que la mayor parte de los mismos son negros. Entonces,
debemos preguntarnos si es posible refutar categóricamente una hipótesis. Para hacerlo
necesitamos dos condiciones Primero, la hipótesis no deberá admitir ninguna excepción; por
ejemplo, todos los cuervos son negros, que, en la terminología del capítulo 1, se configura como
una hipótesis determinista, no estadística (Recordemos que una hipótesis determinista no admite
excepciones, mientras que una estadística se ocupa en general de tendencias) En segundo lugar,
debemos estar seguros de que cualquier observación aparentemente en conflicto con las hipótesis
no puede adolecer de ningún error de procedimiento. La observación 49, cuervos negros y un
cuervo gris refuta 1 hipótesis de que todos los cuervos son negros, suponiendo, desde luego, que
tengamos la seguridad de que verdaderamente vimos un cuervo gris. Pero, ¿podemos estar
seguros de que aquel pájaro extraño era realmente un cuervo? ¿Podemos asegurar que aquel
cuervo gris no era un cuervo negro polvoriento? Los errores de observación siempre deben
tenerse en cuenta. Por esta razón, ninguna hipótesis puede refutarse basándose en una sola
observación, y no podrá serlo nunca categóricamente, sea cual sea el numero de observaciones
en que nos basemos. Si observamos 49 cuervos grises y uno solo negro, nuestra con fianza en la
hipótesis de que todos los cuervos son negros se verá resentida y quizá la abandonaremos (más
adelante volveremos sobre ello) Mas nunca podremos tener la certeza de que a lo mejor estos 49
cuervos fueron debidos a errores de observación y, por tanto, si hubiésemos persistido en el
estudio, quizás habríamos llegado a observar 999 950 cuervos negros y 50 cuervos grises (En tal
caso, la hipótesis podría sostenerse con bastante seguridad, ya que un error de medición de un
0,005 por ciento es más bien despreciable)
REGLAS DE DECISIÓN
Hemos visto que, en general, no podemos probar ni refutar concluyentemente ninguna hipótesis,
sea cual sea el número de observaciones en que nos basemos 7 . Sin embargo, habremos de tomar
decisiones y actuar como si efectivamente fueran refutadas (es decir, las tuviéramos que
rechazar) o como si fueran probadas (esto es, las tuviéramos que aceptar). Advertíamos
anteriormente que la decisión de aceptar o rechazar una hipótesis está sujeta a un error.
Utilizando el análisis estadístico podemos controlar la posibilidad de cometer errores aun cuando
no los podamos eliminar.
7. Esto es debido al hecho de que yo tomo todas las hipótesis empíricas como estadísticas, pensando
en la existencia universal del error en la observación. Se toman, claro está, decisiones arbitrarias para
rechazar hipótesis estadísticas, pero también lo hacemos al aceptarlas. Estas reglas para fundamentar
decisiones prácticas no tienen nada que ver con cuestiones metodológicas acerca de si una hipótesis
puede ser refutada o probada concluyentemente. Mi respuesta a ambas preguntas es que no. Aquellos
que no estén convencidos con mis argumentos pueden seguir leyendo el texto mientras quieran aceptar
que la mayoría de las hipótesis en economía son de naturaleza estadística.
Consideremos un ejemplo. Al estudiar el gasto en carne de nuestra hipótesis, podría haber
sucedido que el consumo de las economías domésticas en USA decreciera al aumentar su renta.
Debiéramos preguntarnos entonces cuáles son las posibilidades de efectuar las observaciones
mostradas en el cuadro 3.1, aunque la hipótesis fuera correcta. Existe siempre la posibilidad de
que nuestra muestra sea atípica respecto al conjunto de las economías domésticas de USA o que
la relación no aparezca como es debido a errores de medición. Si calculamos que la posibilidad
de realizar las observaciones de la figura 3.1 es menor que 1/ 100 a pesar de la hipótesis de que
las compras de carne decrecen cuando la renta crece con respecto al conjunto de economías
domésticas americanas, deberíamos abandonar la hipótesis y considerarla refutada para
propósitos prácticos.
Pero es importante advertir que, por una parte, nunca podremos tener la plena seguridad de
estar en lo cierto y rechazar una hipótesis estadística y, por otra, que no existe magia alguna en la
fijación arbitraria de los límites. Éstos (que en este caso presentan menos de una posibilidad ente
100 de ser falsos) permiten basar o algo las decisiones que deben tomarse y, desde luego, las
decisiones siempre pueden cambiarse de surgir alguna nueva evidencia.
La metodología estadística más antigua tendía a destacar la necesidad de contrastar «de una en
una» las teorías. La metodología más moderna ha puesto énfasis en el uso del análisis estadístico
para elegir entre dos o más teorías en competencia, ya que de cada vez resulta más evidente que
las teorías en economía nunca pueden confirmarse ni refutarse definitivamente. Aunque nunca
podemos tener la seguridad de que una es correcta y la otra falsa, tenemos la esperanza de poder
demostrar que los datos favorecen a una en contra de la otra, en el sentido de que existe una
mayor probabilidad de que lo que se observó de hecho es lo que deberíamos haber observado, si
las fuerzas causales fueran las descritas por la teoría A y no las descritas por la teoría B. Para
llevar a cabo estas pruebas debemos descubrir, primero, cuando las teorías A y B hacen
predicciones que entran en conflicto. Por ejemplo, la teoría A podría predecir una significativa
relación entre las variables X e Y, porque, según dicha teoría, X influye en Y; la teoría B podría
predecir la inexistencia de una relación significativa entre X e Y, ya que si nos atenemos a ella X
no ejerce ningún efecto sobre Y. Puede estudiarse la relación empírica entre X e Y y las
conclusiones alcanzadas sobre la probabilidad de que lo observado podría haber ocurrido si la
teoría A fuera correcta o si lo fuera la B.
8. Las hipótesis con base en datos se denominan a veces hipótesis inductivas en contraposición a las
deductivas. Pero en cualquier ciencia. la secuencia de teorías y contrastación es continua. La cuestión
acerca de qué es lo que fue primero, sí la teoría o la observación, es similar a aquel debate sobre qué fue
primero, el huevo o la gallina.
El dicho popular «los hechos hablan por sí mismos» resulta ser falso casi siempre cuando
los hechos son muchos. Se necesitan teorías que expliquen cómo se relacionan los hechos,
y se precisan mediciones que ayuden a analizar la relación entre éstos y las teorías. La
forma más simple de obtener una estructura resumida de un gran número de observaciones
es el uso de tablas y gráficos. La representación gráfica juega un importante papel en la
economía, ya que permite representar los datos observados y las teorías económicas, siendo
el objeto de la primera parte de este apéndice. Los números índices, utilizados normalmente
para agrupar un conjunto de datos elevado y que se agrupan en series estadísticas reducidas,
son la materia a estudiar en la segunda parte.
LA REPRESENTACIÓN GRÁFICA
El diagrama de dispersión
Con frecuencia puede resultar más interesante analizar los cambios proporcionales, en
lugar de los absolutos. En la ESCALA NATURAL la distancia entre números es proporcional a
la diferencia absoluta entre dichos números. Por ejemplo, 200 está situado en el punto
medio de 100 y 300. En una RELACIÓN ESCALAR la distancia entre números es
proporcional a la diferencia absoluta entre sus logaritmos. Distancias iguales en una
relación escalar representan porcentajes iguales de variación, en vez de variaciones
absolutas iguales. En una relación escalar la distancia entre 100 y 200 es la misma que entre
200 y 400, entre 1000 y 2000 o entre cualquier par de números cuya razón sea 1:2. Por
razones obvias esta relación escalar también se conoce bajo el nombre de ESCALA LO-
GARITMICA .
En el cuadro 3.5 figuran dos series: una crece a una cantidad absoluta constante de 8
unidades por período de tiempo y, otra, a una tasa constante del 1000/0. En la figura 3.4 se
representan las series, primero en escala natural y luego en escala logarítmica. La serie A,
que crece en términos absolutos, es una línea recta en escala natural, sin embargo, es una
curva de pendiente decreciente en escala logarítmica, ya que el mismo crecimiento absoluto
coincide con una variación porcentual decreciente. La serie B es creciente en términos
absolutos pero a una tasa porcentual constante, es decir su pendiente es creciente en escala
natural, pero es una línea recta en escala logarítmica. La escala natural facilita la
apreciación de las variaciones absolutas, mientras que la escala logarítmica permite analizar
las variaciones proporcionales10.
10. En economía se utilizan con frecuencia gráficos con escala logarítmica en un eje y escala
natural
el otro En los casos que acabarnos de explicar utilizamos la escala logarítmica en el eje vertical
y la naturalidad (el tiempo) en la horizontal que reciben a menudo el .nombre de gráficos
semilogarítmicos. En determinados trabajos científicos se emplean los gráficos con escalas
logarítmicas en ambos ejes que se denominan doble logaritmos.
Los economistas pretenden con frecuencia obtener respuestas sencillas a preguntas como:
«¿Cuánto han subido los precios este año?» o bien «¿Ha aumentado la producción
industrial este año?», y, si así ha sido, «¿en qué cuantía?». No existe una respuesta del todo
satisfactoria a la primera pregunta porque no todos los precios cambian a la vez, y tampoco
a la segunda porque no se pueden sumar las toneladas de acero, con los muebles fabricados
y con los galones de petróleo para obtener una cifra global. Pero lo cierto es que estas
preguntas no están fuera de lugar. Existen tendencias en los precios y en la producción y,
en consecuencia, es necesario describir estos fenómenos reales.
Los números índices son medidas estadísticas que se utilizan para obtener una respuesta
precisa a las complejas preguntas que acabamos de formular. Un NÚMERO INDICE mide,
mediante la utilización de un tipo concreto de promedio, la variación porcentual que se ha
producido desde un determinado periodo base. En este sentido, expresa tendencias
generales y no hechos concretos. Los dos más importantes son el índice de precios y el de
cantidades.
Algunas dificultades. Un número índice pretende reflejar las grandes tendencias de los
precios, olvidándose de los detalles. Esto significa que aunque la información pueda ser
extremadamente válida, deba interpretarse con cuidado. De las muchas razones que existen
para ello vamos a destacar tres.
Primera, las ponderaciones en el índice se refieren a un conjunto de bienes promedio.
Este promedio, aunque es lo característico del consumo del país, no es necesariamente el
consumo típico de cada economía doméstica. El rico, el pobre, el joven, el viejo, el soltero,
el casado, el que vive en las zonas urbanas y el que lo hace en las zonas rurales con sumen
combinaciones de bienes que difieren entre sí. Un aumento de las tarifas aéreas, por
ejemplo, aumentará el coste de vida de un viajante de renta media y no afectará a una
persona pobre que nunca viaja. En el ejemplo del cuadro 3.6, el coste de la vida habría au-
mentado, respectivamente, el 100 %, el 40 % y el 380 % para tres familias diferentes, una
que consumiera sólo el bien A, otra sólo el bien B y la tercera únicamente el C. Sin
embargo, el índice en el cuadro muestra que el coste de vida aumentó un 80 % para una
familia que consumiera los tres bienes en las cantidades relativas indicadas.
Cuanto más largo es el período de tiempo que transcurre menos representativo de las
pautas de consumo actuales será un determinado conjunto de bienes de consumo fijo. Por
esta razón, el gobierno lleva a cabo encuestas periódicamente sobre la forma como gastan
las economías domésticas, lo que le permite alterar las ponderaciones. A partir de aquí, se
suele cambiar el año base para adecuarlo al año en que se calcula el nuevo conjunto de
ponderaciones de los bienes.