Puedes encontrar esta librería en CRAN y descargarla directamente desde R y RStudio.
ESCUCHA ESTE POST COMO PODCAST
Una relación estadística no basta: cómo EconCausal intenta comprobar si sobrevivirá al futuro
Un paquete de R que integra modelos de corrección de errores, regresión no lineal, series temporales estructurales bayesianas, errores autorregresivos y validación temporal dentro de un protocolo reproducible para evaluar relaciones causales en series temporales.
Encontramos una relación en nuestros datos. Es estadísticamente significativa. Los coeficientes parecen razonables. Tal vez incluso encaje perfectamente con la teoría. Pero todavía queda una pregunta incómoda: ¿seguirá apareciendo dentro de seis meses, cuando el modelo tenga que enfrentarse a datos que aún no existen?
Esta pregunta es especialmente importante en economía. Las relaciones temporales que parecen sólidas dentro de una muestra pueden desaparecer cuando cambia el régimen macroeconómico, cuando llega una crisis o, sencillamente, cuando el modelo deja de describir el pasado y tiene que predecir el futuro.
EconCausal fue construido alrededor de ese problema. Su objetivo no es ofrecer un nuevo botón que convierta correlaciones en causalidad, sino imponer un procedimiento más exigente: preanalizar los datos, estimar la relación desde varios marcos metodológicos y obligarla a sobrevivir a pruebas temporales antes de aceptarla.
EconCausal funciona como una especie de línea de control de calidad para afirmaciones causales en series temporales: una relación candidata debe superar una secuencia explícita de pruebas antes de recibir luz verde.
El problema: correlación hoy no significa estabilidad mañana
Una regresión convencional puede indicarnos que dos variables se mueven juntas. Pero una covariación estadística no nos dice automáticamente por qué ocurre, en qué dirección opera la relación ni si seguirá apareciendo cuando cambien las condiciones económicas.
En series temporales existe además una dificultad adicional: las observaciones no son intercambiables. El año 2020 viene después de 2019. El trimestre siguiente depende, en mayor o menor medida, de la historia anterior. Ignorar esta estructura puede generar resultados que parecen mucho más robustos de lo que realmente son.
EconCausal aborda el problema combinando tres marcos metodológicos distintos. Ninguno de ellos pretende monopolizar el significado de causalidad; la idea es obtener perspectivas complementarias sobre una misma relación.
ECM-MARS
Combina corrección de errores y cointegración con Multivariate Adaptive Regression Splines para capturar ajustes no lineales entre equilibrio de largo plazo y dinámica de corto plazo.
BSTS
Descompone la serie en componentes estructurales dentro de un marco bayesiano y permite construir distribuciones contrafactuales y pronósticos con incertidumbre explícita.
BGLM-AR(1)
Ajusta un modelo lineal generalizado bayesiano mientras representa explícitamente la dependencia temporal de los errores mediante una estructura autorregresiva de primer orden.
Primera vía: ECM-MARS y la diferencia entre corto y largo plazo
Muchas variables económicas pueden alejarse entre sí durante períodos relativamente cortos y, sin embargo, mantener una relación de equilibrio a largo plazo.
Ésta es precisamente la intuición detrás de un Modelo de Corrección de Errores o ECM. Si dos variables están cointegradas, sus movimientos de corto plazo pueden desviarse, pero existe alguna fuerza de ajuste que impide que esa divergencia crezca indefinidamente.
En su forma conceptual más sencilla, podemos imaginar:
El término entre paréntesis representa el desequilibrio acumulado respecto de la relación de largo plazo. El parámetro $\lambda$ refleja la velocidad con la que el sistema responde a ese desequilibrio.
El problema es que la respuesta real puede no ser lineal. Una economía podría tolerar pequeñas desviaciones durante bastante tiempo y reaccionar bruscamente cuando se cruza cierto umbral.
Ahí aparece MARS —Multivariate Adaptive Regression Splines—. En lugar de obligar al ajuste a seguir una única pendiente lineal, MARS puede encontrar automáticamente regiones y umbrales donde la dinámica cambia.
ECM aporta la arquitectura económica del equilibrio de largo plazo y la corrección de corto plazo; MARS permite que el mecanismo de ajuste sea flexible y potencialmente no lineal.
Antes de estimar, hay que demostrar que el problema está bien planteado
EconCausal no lanza automáticamente un ECM sobre cualquier par de series. Antes, el protocolo comprueba las condiciones que justifican un análisis de cointegración.
Comprueba si las variables son integradas de orden uno, $I(1)$, condición previa para el análisis de cointegración utilizado por este procedimiento.
Ejecuta las pruebas de cointegración de Engle-Granger y Johansen.
Aplica una regla de tipo either: si cualquiera de las dos pruebas proporciona evidencia suficiente de cointegración, el análisis puede continuar.
Controla correlación serial y heterocedasticidad mediante errores estándar consistentes HAC.
Ajusta el ECM utilizando MARS como motor de regresión.
Somete posteriormente la relación a validación temporal mediante ventanas de origen móvil.
La utilización conjunta de Engle-Granger y Johansen es deliberada. Engle-Granger es relativamente directo, mientras que Johansen puede manejar estructuras de cointegración más ricas en contextos multivariados. El protocolo prefiere utilizar ambas perspectivas en lugar de hacer depender todo el análisis de una sola prueba.
Segunda vía: BSTS y el contrafactual
La segunda familia metodológica cambia la pregunta. En lugar de concentrarse primero en cointegración y corrección de errores, un modelo de Bayesian Structural Time Series representa la serie como un sistema de componentes estructurales.
Conceptualmente, podemos pensar en una descomposición como:
donde $\mu_t$ puede representar el nivel o tendencia, $\tau_t$ algún componente temporal adicional y $\mathbf{x}_t^{\top}\boldsymbol{\beta}$ el efecto de variables predictoras.
Esta representación resulta especialmente útil para inferencia causal cuando queremos formular una pregunta contrafactual: ¿qué habría ocurrido con la variable analizada si una intervención o cambio determinado no hubiese sucedido?
EconCausal incorpora además priors spike-and-slab, que realizan selección probabilística de variables. En lugar de incluir automáticamente todos los predictores o eliminarlos mediante procedimientos stepwise, el modelo estima qué variables tienen mayor probabilidad de pertenecer a la estructura predictiva.
Al ser bayesiano, el resultado no es solamente una predicción puntual. Se obtiene una distribución posterior, lo que permite expresar explícitamente la incertidumbre asociada al contrafactual.
Tercera vía: BGLM-AR(1) y el problema de los errores que recuerdan el pasado
Uno de los errores más comunes en econometría aplicada consiste en estimar una regresión como si los residuos de un período no tuviesen ninguna relación con los del período anterior.
En muchos procesos económicos esto es poco plausible.
EconCausal incorpora por ello un Bayesian Generalized Linear Model con errores AR(1). Una representación básica de la estructura residual es:
Si $\rho$ es distinto de cero, parte del error actual está relacionado con el error del período anterior.
Ignorar esa dependencia puede generar intervalos excesivamente estrechos y una falsa sensación de precisión. Modelarla explícitamente permite que la incertidumbre estadística refleje mejor la estructura temporal de los datos.
La estimación se realiza mediante Hamiltonian Monte Carlo a través de Stan, con priors débilmente informativas calibradas para variables estandarizadas.
La regla que hace distinto al protocolo: no basta con mejorar una sola métrica
Uno de los elementos centrales de EconCausal es su criterio dual de evaluación.
Una relación candidata no se considera respaldada simplemente porque obtenga mejores predicciones puntuales, ni porque mejore la distribución predictiva. Debe mejorar simultáneamente ambas dimensiones.
Se evalúa la calidad de la distribución predictiva mediante Expected Log Predictive Density, utilizando PSIS-LOO cuando corresponde.
También debe mejorar la precisión de los pronósticos puntuales, evaluada mediante Root Mean Squared Error.
Esto importa porque ambos criterios responden preguntas distintas. Un modelo podría reducir el RMSE y, al mismo tiempo, producir una distribución de incertidumbre peor calibrada. Otro podría representar muy bien la incertidumbre, pero producir predicciones centrales peores.
EconCausal exige superar ambos filtros.
La prueba decisiva: dejar que el futuro haga de árbitro
El rasgo más característico del protocolo aparece en la validación. Una relación temporal no se considera estable porque haya funcionado en una única partición de entrenamiento y prueba.
El paquete utiliza validación Leave-Future-Out con ventanas y horizontes configurables.
La lógica es:
Después el punto de corte avanza y el proceso se repite:
Se entrena utilizando únicamente información disponible hasta cierto momento.
Se pronostican observaciones estrictamente posteriores.
Se calcula el desempeño predictivo.
La frontera temporal avanza.
El procedimiento se repite en múltiples ventanas.
El resultado incluye una medida de soporte temporal: la proporción de ventanas en las que la relación continúa satisfaciendo los criterios establecidos.
Una relación que funciona magníficamente en una única ventana puede ser casualidad. Una relación que reaparece sistemáticamente cuando el modelo debe predecir distintos segmentos futuros ofrece una evidencia mucho más difícil de atribuir a una partición afortunada de la muestra.
Menos libertad invisible para el investigador
Buena parte del análisis aplicado contiene decisiones que el lector nunca llega a observar: qué transformación se probó primero, qué ventana se descartó, qué modelo alternativo se abandonó, qué umbral se modificó después de mirar los resultados.
Este problema suele describirse como researcher degrees of freedom.
EconCausal intenta reducirlos mediante un protocolo explícito: prepruebas, reglas de aceptación, umbrales y procedimientos de validación están integrados dentro del mismo flujo reproducible.
Esto no elimina el juicio científico. Pero vuelve más visible qué reglas condujeron desde los datos hasta la conclusión.
¿Dónde está la novedad?
No en inventar desde cero Engle-Granger, Johansen, MARS, BSTS, modelos AR(1), Stan, PSIS-LOO o validación temporal.
Todas estas herramientas tienen antecedentes bien establecidos.
Según una evaluación de novedad incluida en la documentación del paquete, la contribución reside en la combinación de esos componentes dentro de un protocolo end-to-end concreto, con prepruebas, reglas duales de decisión, umbrales de soporte y validación temporal.
Esa distinción es importante: la afirmación metodológica no es “hemos inventado nuevas matemáticas”, sino “hemos convertido varias técnicas existentes en un procedimiento único, explícito y auditable”.
¿Quién podría utilizar EconCausal?
Aunque el paquete fue desarrollado inicialmente para investigación económica, el problema que intenta resolver es mucho más general: relaciones direccionales entre variables observadas a lo largo del tiempo.
Macroeconomía
Para estudiar relaciones entre producción, precios, salarios, inversión, crédito, empleo u otras variables con dinámica temporal.
Política pública
Para evaluar si una relación asociada a una intervención permanece estable bajo distintos contextos económicos.
Finanzas
Para diferenciar una asociación histórica aparente de una relación que mantiene capacidad predictiva fuera de muestra.
También puede servir como herramienta pedagógica para estudiantes de econometría e inferencia causal, precisamente porque obliga a recorrer etapas que en un análisis manual resultan fáciles de omitir.
Instalación
El paquete puede instalarse directamente desde GitHub:
# Instalar desde GitHub
remotes::install_github("IsadoreNabi/EconCausal")
# En Windows, si falla la construcción de las viñetas:
remotes::install_github(
"IsadoreNabi/EconCausal",
build_vignettes = FALSE
)
EconCausal utiliza una infraestructura bayesiana moderna, incluyendo
cmdstanr para muestreo HMC, loo para cálculos
PSIS-LOO y bsts para los componentes de series temporales
estructurales.
Lo que EconCausal no puede hacer por vos
Un protocolo riguroso no convierte datos pobres en datos excelentes.
Si la muestra es demasiado pequeña, las variables contienen errores de medición importantes o existen rupturas estructurales tan fuertes que destruyen la relación estudiada, ningún paquete estadístico puede eliminar mágicamente esas limitaciones.
Tampoco sustituye el conocimiento del dominio.
Que una relación sea estable, direccional y predictivamente robusta es una evidencia importante, pero una interpretación causal todavía necesita un mecanismo teórico, una consideración seria de variables confusoras y una evaluación de los supuestos identificadores.
EconCausal intenta disciplinar la inferencia estadística. No puede decidir por sí solo qué mecanismo causal existe en el mundo real.
La cuestión de fondo
En análisis temporal es relativamente fácil encontrar relaciones que describen bien el pasado. Lo difícil es encontrar relaciones que permanezcan cuando llega información nueva.
EconCausal desplaza por ello parte del énfasis metodológico desde “¿obtuvimos significancia?” hacia una pregunta más dura: “¿esta relación sigue funcionando cuando le pedimos que sobreviva fuera de la muestra donde la descubrimos?”
Esa diferencia puede parecer pequeña, pero cambia la filosofía del análisis. La significancia estadística deja de ser la meta final y se convierte apenas en una pieza dentro de una cadena de validación mucho más amplia.
EconCausal está disponible en GitHub. Las metodologías subyacentes se apoyan, entre otros trabajos, en Engle & Granger (1987), Johansen (1991), Friedman (1991), Scott & Varian (2014), Vehtari et al. (2017) y Hyndman & Athanasopoulos (2021).
Leave a Comment/Deja un Comentario