Este no es un llamado arrogante, de superioridad de un campo del conocimiento sobre el otro, sino del resultado de experiencias de una disciplina, la economía, en el uso de modelos, hacia otra, la epidemiología, que ahora acude a ellos para definir políticas de combate a la pandemia. Debe haber una disposición a aprender de las experiencias de otra disciplina: el conocimiento se entrecruza, no se fragmenta.
Al amigo lector, si la lectura se “complica” un poco, debo decirles que persistan en su esfuerzo por entender la vigencia de un enorme problema del uso de modelos inadecuados. Siempre vale la pena expandir los conocimientos.

QUÉ LES PUEDEN ENSEÑAR LOS ECONOMISTAS A LOS EPIDEMIÓLOGOS

Por Peter C. Earle

American Institute for Economic Research
11 de julio del 2020


NOTA DEL TRADUCTOR: Para utilizar los ligámenes de las fuentes del artículo, entre paréntesis y en azul, si es de su interés, puede verlo en https://www.aier.org/article/what-ec...idemiologists/

Al acumularse los datos tanto de bases nacionales como de estado a estado, se están afirmando los parámetros de la letalidad del COVID-19. Dos nuevos artículos del Dr. John Ioannidis apuntan al creciente déficit entre las predicciones apocalípticas de la pandemia y las vastamente mucho más destructivas políticas, puestas en marcha en atención de aquellas.

El primero (first), titulado ““Population-level COVID-19 mortality risk for non-elderly individuals overall and for non-elderly individuals without underlying diseases in pandemic epicenters” [“Riesgo de mortalidad del COVID-19 a nivel poblacional de individuos no ancianos en general e individuos no ancianos sin enfermedades subyacentes en epicentros de la pandemia”] ofrece más evidencia que apoya la afirmación de que la reacción del gobierno hacia el virus ha sido ampliamente exagerada.

Utilizando datos de 11 países europeos, 12 estados de los Estados Unidos y Canadá, Ioannidis y su equipo muestran que la tasa de infección es mucho mayor que la previamente pensada, lo que sugiere que, tanto la incidencia de casos asintomáticos y moderadamente sintomáticos es mayor de lo pensada, como que la tasa de fatalidad es mucho menos que la previamente estimada.

En lo que tiene que ver con la edad de las víctimas,

“La gente de [menos] de 65 años de edad tiene riesgos muy pequeños de muerte por COVID-19 incluso en epicentros de la pandemia y las muertes de gente de [menos] de 65 años sin condiciones subyacentes predisponentes son notablemente infrecuentes. Estrategias que se enfoquen específicamente en proteger a individuos ancianos de alto riesgo deberían considerarse al administrar la pandemia.”

En el otro artículo, “Forecasting for COVID-19 has failed,” [“La predicción del COVID-19 ha fallado”], Ioannidis y coautores apuntan las razones por las que las predicciones fueron tan increíblemente inexactas. Entre las predicciones tempranas están que Nueva York necesitaba hasta 140.000 camas de hospital para víctimas golpeadas por el COVID-19: el número total de hospitalizados fue de 18.569.

En California, el 17 de marzo del 2020, se predijo que “al menos 1.2 millones de personas mayores de 18 años necesitarían hospitalización por la enfermedad,” lo que requeriría de 50.000 camas de hospital adicionales. De hecho, “en última instancia los pacientes de COVID-19 ocuparon menos de 2 entre 10 camas.”

El 27 de marzo del 2020, el vicerrector de Iniciativas Globales de la Universidad de Pennsylvania, Ezekiel Emanuel, predijo que habría 100.000.000 de casos de COVID-19 en Estados Unidos en las cuatro semanas posteriores ̶ ligeramente menos que una en cada tres estadounidenses. No sorprende que esta predicción ya ha sido quitada.

Adivinar, con exactitud o sin ella, es inocua en sí misma: eso es obvio. Pero, cuando se hacen por científicos dignatarios, particularmente en el proceso de informar a políticos en medio de las circunstancias de la crisis, a menudo conduce a reacciones instintivas en todos los niveles. Los factores causales citados son, o deberían ser, bien conocidos para los economistas (economists): ellos incluyen el uso de malos datos o el uso equivocado de datos de alta calidad; supuestos inapropiados o incorrectos; estimaciones erradas de sensibilidad; resultados o evidencia del pasado interpretados erróneamente; problemas de dimensionalidad; y efectos de pensamiento grupal y de montarse en el tren.

Desde un nivel elevado, las predicciones epidemiológicas fallaron por la misma razón por la que, a menudo, se tambalean las predicciones econométricas: la importación acrítica a los reinos de las ciencias sociales, de técnicas de modelaje provenientes de la física o la matemática aplicada. Esto no debería ser particularmente revelador. En “The Counter-revolution of Science” (1956), F.A. Hayek hizo ver (noted) los efectos perniciosos de aplicar conceptos rígidamente cuantitativos en donde la acción humana está operando, atribuyéndolos a “una ambición de imitar a la ciencia en sus métodos en vez de su espíritu.”

Usando las guías de Ioannidis, un subconjunto de elementos que conduce a fallas en la predicción en la epidemiología no puede tan sólo examinarse, sino hacer una analogía directa con las contrapartes económicas y econométricas.

PROBLEMAS CON LOS DATOS

El tema de la calidad y aplicación de datos en economía es uno que surgió a partir de la cuantificación creciente (growing) de las ciencias sociales. Datos que ya sea son erradamente registrados, engañosamente exactos, o totalmente fabricados, han sido un problema de proporciones legendarias en econometría (econometrics) y en la elaboración de política (policy) económica.

Aunque primeramente se identificó (identified) como problema serio hace 70 años (menos de tres años después de la publicación de este (this) trabajo decisivo), la matematización de la economía ha procedido con celeridad sin virtualmente (virtually) abrazar las advertencias de Oskar Morgenstern. (Sin ser creyente en conspiraciones, vale la pena mencionar que datos de mala calidad pueden ser, tanto una herramienta política, como una fuente de imprecisión, en ambos, epidemiología y economía).

Similarmente, hay evidencia creciente de que algunos datos relacionados con el COVID-19 han sido problemáticos: erróneos (erroneous) o mal calculados. En lo que tiene que ver con pruebas, inclusive un error del 1% en las decenas de millones de pruebas para coronavirus que se están haciendo, equivaldría a cientos de miles de diagnósticos malos, con los efectos en cadena a que dan lugar tales resultados.

SUPUESTOS ERRADOS

A menudo, supuestos (assumptions) insostenibles y sobre simplificados en formulaciones económicas se defienden como pragmáticos o inevitables. Estos son problemáticos incluso cuando las metodologías son apropiadas, los datos sólidos y los cálculos correctos (correct):

“Muchos modelos [epidemiológicos] asumen homogeneidad; esto es, que todas las personas tienen iguales posibilidades de mezclarse entre sí y de infectarse entre sí. Este es un supuesto que no se sostiene y, en realidad, es posible que la norma sea una heterogeneidad de exposiciones y mezclas. A menos que sea reconocida esta heterogeneidad, las estimaciones de la proporción de gente que tarde o temprano será infectada antes de adquirir la inmunidad, pueden estar marcadamente infladas.”

Epidemiológicamente, el descuido en la homogeneidad es visto en su mayor severidad y trágicamente cuando se compara el resultado de proteger insuficientemente (insufficiently) a las poblaciones menos vulnerables, a la vez que simultáneamente se cierran escuelas (closing schools) y se fustiga (excoriating) a jóvenes/universitarios estudiantes -entre los grupos menos afectados- por sus inclinaciones sociales.

ESTIMACIONES DE SENSIBILIDAD

El objeto del análisis de sensibilidad es determinar cómo una variable independiente o grupos de variables independientes afectan a variables dependientes. Según sea la regresión (u otra operación) que se lleva a cabo, y, en particular, en presencia de exponentes, un pequeño error en los factores independientes puede conducir a enormes varianzas en los resultados. (Esta es una de las características de un sistema caótico: el llamado efecto mariposa (butterfly effect) se refiere a sistemas cuyos resultados o estados finales muestran un tremendo grado de sensibilidad a las condiciones iniciales).

Hay técnicas que se pueden usar para determinar dónde, cuándo y en qué grado, las estimaciones tienen un impacto desproporcionado en el resultado de las simulaciones o cálculos, ya sea que ello venga en forma de resultados salvajemente pretenciosos o bien irrealmente disminuidos. A menudo, no obstante, la sensibilidad no se ve en los modelos, sino en los acontecimientos del mundo real, para cuya aproximación se diseñaron aquellos.

Ioannidis mencionó la “imposibilidad inherente” de arreglar esos modelos, cuando la omnipresencia de modelos que utilizan “variables exponenciadas [conducen a] pequeños errores [que] resultan en variaciones grandes de la realidad.” Morgenstern manifestó (evinced) preocupaciones similares en 1950, en relación con las propensiones a ajustar curvas por la nueva ola de la práctica económica; aquí en las funciones de producción, pero la crítica en verdad es extensible:

“Considere, por ejemplo, el problema importante de si funciones de producción lineares o no lineares deberían considerarse en los modelos económicos. La no linealidad es una gran complicación y, por tanto, es mejor evitarla lo más posible. La verdadera no linealidad en el sentido matemático estricto se evita en la física tanto como sea posible. Incluso la mecánica cuántica es tratada como linear en un nivel superior. Muchos fenómenos aparentemente no lineares, ante mayor investigación, bien pueden tratarse como lineares… Esta distinción es principalmente un asunto de la precisión de la medición, que es exactamente en donde la debilidad es más fuerte en economía. Es asombroso que los economistas parecen dudar menos en introducir la no linealidad que los físicos científicos, en donde la tradición de la exploración matemática es mucho más vieja y la experiencia con la observación y la medición mucho más firme.”

Yo no me dignaría corregir una luminaria tal como el Dr. Morgenstern, pero, agregaría que la debilidad no es mas fuerte sólo en economía, sino en todos los entendimientos que cuantifican rígidamente la acción humana, ya sea individual o en masse.

POBRE EVIDENCIA PASADA DE EFECTOS DE INTERVENCIONES ASEQUIBLES

Ignorados por la vasta mayoría de personas que sufren o sufrirán con los efectos de las cuarentenas, los esfuerzos por “aplastar la curva” se fundamentaron en información de la Gripe Española de 1918. Así que, datos de calidad impecable provenientes de una pandemia que sucedió hace un siglo, que involucró un patógeno diferente, se usaron para esculpir la respuesta gubernamental al brote del nuevo coronavirus -cuando estaba terminando una guerra mundial sustancial y cuando las condiciones de vida, longevidad, estado de la ciencia médica, talante de las interacciones sociales e incontables otras variables, eran inconmensurablemente diferentes.

Ioannidis y sus coautores comentan (comment) que “[m]ientras que algunas intervenciones… es posible que tengan efectos beneficiosos, asumir que serán beneficios enormes es incongruente con la (débil) evidencia del pasado y eso debería evitarse. Los grandes beneficios pueden ser viables con medidas precisas, enfocadas.”

La idea de que un único (e incluso un pequeño puñado) de estudios puede usarse para reforzar argumentos indefendibles o para apoyar planes cuestionables, también es ocasionalmente (occasionally) visto en la formulación de política económica.

DIMENSIONALIDAD

“Casi todos los modelos que han tenido un papel prominente en la toma de decisiones [pandémicas],” continúa Ioannidis, “se enfocaron en los resultados del COVID-19, a menudo sólo en uno sólo de los resultados o unos pocos de ellos (por ejemplo, las muertes o necesidades de los hospitales). Los modelos cruciales para la toma de decisiones necesitan tomar en cuenta el impacto en muchos frentes (por ejemplo, otros aspectos del cuido de la salud, otras enfermedades, dimensiones de la economía, etcétera.)” Algunos remedios para esto incluyen el escrutinio interdisciplinario de los resultados de los modelos y echar una mirada a puestas en marcha en el pasado en el marco de pandemias ̶ incluyendo aquellas para las que del todo no hubo respuesta.

Si bien la dimensionalidad, como un problema específico, también aflige (afflicts) al modelaje económico, comentarios generales en este sentido hacen eco cercano de los maltrechos pero impasibles largos escritos contra uno de los elementos primordiales de la educación económica: el ceteris paribus, por el que uno considera relaciones causales o empíricas, a la vez que mantiene constantes a otras influencias.
Si bien es una herramienta útil para fines educativos (educational), al introducirla en el diseño de políticas los resultados pueden ser muy costosos.

(En ciertos momentos, el enfoque del ceteris paribus es defendido por econometristas quienes lo asimilan a la práctica de ignorar la resistencia del aire en los experimentos gravitacionales. Es un argumento vergonzosamente solapado que mezcla al fenómeno físico con el de la ciencia social.)

EFECTOS DE PENSAMIENTO GRUPAL Y DE MONTARSE EN EL TREN

Ioannidis cita al pensamiento grupal entre los epidemiólogos como una fuente de error para predecir. Cuando se hace una predicción del día del juicio final -especialmente por celebridades científicas- el acto de introducir una prognosis que sea más atenuante puede traerle un riesgo sustancial a la carrera de uno, y, por tanto, ser suprimida. Alternativamente, los resultados publicados o difundidos de líderes del pensamiento puede ser una forma de fondeo. Como lo escriben (write) Ioannidis y su equipo,

“Los modelos pueden ajustarse para obtener resultados y predicciones deseables; por ejemplo, cambiando el insumo de los que se consideran son valores plausibles de variables claves. Esto es cierto para modelos que dependen de la teoría y la especulación, pero incluso puede pasar lo mismo con la predicción guiada por datos, dependiendo de cómo el modelaje se lleva a cabo. En presencia del pensamiento grupal y efectos de montarse en el tren, los modeladores pueden ajustar conscientemente sus predicciones a lo que son el pensamiento y expectativas dominantes ̶ o pueden ser obligados a hacerlo así.”

Ciertamente la profesión de la economía no es inmune a esto. Se manifiesta de diversas formas, una de las cuales es la falta de voluntad para admitir sus errores de parte de economistas de la corriente principal (como lo atestigua el uso continuo de modelos fallidos o malos datos). Debido a una conveniencia política, muchos economistas instintivamente no critican la teoría o las prácticas dentro de su institución o escuela de pensamiento. La naturaleza altamente “aislada” de revistas y seminarios es testigo de ello, al igual que lo hacen las genuinas cámaras de resonancia en los medios sociales. Esta no es tan sólo una observación personal; ella y sus efectos han sido citados (cited) en diversas partes. Helo aquí (Here) nada menos que en un lugar tan prominente, como el Fondo Monetario Internacional:

“Las debilidades analíticas estaban en la esencia de algunas de las limitaciones a la vigilancia del FMI… [como resultado de]… la tendencia entre grupos homogéneos y cohesivos de considerar los asuntos sólo dentro de cierto paradigma y de no desafiar sus premisas básicas.”

También se hacen ver sesgos cognitivos (Cognitive) y de confirmación (confirmation).

EL AMPLIFICADOR DE LOS MEDIOS

No obstante, las predicciones absurdas, ya sea por causa de uno o de todos los elementos arriba señalados, serían inocuas si se limitaran a circular entre pequeños grupos de científicos o dentro de las enrarecidas páginas de revistas en que colegas revisan lo presentado. Pero, aunque se le vislumbre como una institución democrática vital, un órgano propagandístico de los partidos políticos o algo intermedio, está lejos de ser una teoría de la conspiración hacer ver que los medios de comunicación dominantes son negocios masivos, que en esencia compiten por ingresos con base en la atención. Al igual que con los políticos, los mensajes más escandalosos y aterradores logran mayor atención y tienen la prebenda de ser defendidos en nombre de una “vigilancia.”

Y, en la misma forma en que predicciones tremendamente negativas permiten evaluaciones auto engrandecedoras de resultados de políticas -como en la afirmación (claim) de Nial Ferguson, de que las cuarentenas salvaron vidas- las proyecciones económicas de final del mundo casi siempre están asociadas con resultados óptimos que no se pueden comprobar.

Un ejemplo de eso se encuentra en la aseveración del presidente Obama de que, sin los rescates financieros y los programas de la Fed administrados como resultado de la crisis financiera del 2008, el mundo podía haber caído en una recesión permanente. (La idea de que una “recesión permanente” habría sino una que simplemente transcurrió para caer en un nivel bajo permanente de actividad económica, predeciblemente pasó sin ser desafiada.) Los mejores (y menos comunes) contrafactuales imposibles de probar son buenas suposiciones; la mayoría son engañosos.

ADÓNDE LOS ECONOMISTAS PUEDEN AYUDARLES A LOS EPIDEMIÓLOGOS

Habiendo dicho todo eso, el artículo concluye con una nota redentora, encomiando a los equipos de epidemiólogos y advirtiendo (warning) que sería “horrorosamente retrógrado si este debate [sobre el modelaje] marcara el inicio de un retorno a una era en que las predicciones, sobre las que se toman enormes decisiones, se mantienen en una gaveta bajo llave (por ejemplo, por el gobierno ̶ como es el caso de Australia).”

La cotidianeidad de dejar que individuos y localidades evalúen y actúen en concierto con los apetitos acerca de los riesgos propios, debe, en algún nivel, ser frustrante cuando se comparan con la creación de vastas poblaciones artificiales de agentes o cuando se usan los grandes datos para cribar a través de repositorios de datos colosales. Sin duda alguna parecería un enorme desperdicio de tiempo gastar energía escribiendo códigos y sumergirse en resultados, tan sólo para recomendar que los ciudadanos ejerciten su mejor juicio.

Simplemente, construir y correr modelos computacionales no es, por supuesto, dañino en sí mismo: es en el salto (leap) que va de la producción a la ejecución (implementation) en donde emergen los peligros. De nuevo, he aquí a Hayek en “La Contrarrevolución de la Ciencia” (1956):

“La demanda universal de un control o dirección ‘consciente’ de los procesos sociales es una de las características más importantes de nuestra generación. Esto expresa quizá más que cualquier otro cliché el peculiar espíritu de la época. Todo lo que no sea conscientemente dirigido como un todo se toma como torpe, como prueba de su irracionalidad y la completa necesidad de reemplazarlo por un mecanismo deliberadamente diseñado… Esta creencia de que los procesos que son conscientemente dirigidos son necesariamente superiores a cualquier proceso espontáneo, es una superstición sin fundamento. Sería más verdadero decir [como lo hizo Whitehead] que, al contrario, ‘la civilización avanza al aumentar la cantidad de operaciones importantes que podemos realizar sin pensar acerca de ellas.’”

Predicciones histéricas, salvajemente fuera de lugar, acerca del COVID-19 en última instancia causarán más daño que bien, y sus orígenes se encuentran en el mismo conjunto de problemas que regularmente hacen que se tambaleen las predicciones econométricas. En la versión epidemiológica, en vez de predecir (predicting) una nueva Gran Depresión (Great Depression) ellas lograron una depresión artificial, un aluvión de iniciativas ocultas de coerción, cierres de escuelas y cuarentenas ̶ que, muy posiblemente, llenaron el polvorín que fue encendido con el asesinato de George Floyd. Y eso es lo que podemos ver, directamente enfrente nuestro: durante una generación se estarán presentando los costos en última instancia de cirugías dejadas de hacer (foregone), cierres de escuelas, tasas crecientes de abuso con drogas (drug abuse), alcoholismo (alcoholism) y suicidios (suicides) y otros efectos demoledores (and other knock-on effects) de las respuestas gubernamentales ridículas al brote del novel coronavirus.

¿Qué pueden los economistas enseñarles a los epidemiólogos? En lo referente a predicciones, la humildad es clave y la discreción es la mejor parte de su valor. Si se encuentra en una posición de poder o influencia, no tema aburrir a los políticos hasta la muerte. Tenga en cuenta, y permanezca estando consciente, de la profunda impredecibilidad de la acción humana. Y siempre, ante todo, tenga presente que la existencia de hasta una sola persona (y, más realísticamente, de millones) introduce complejidades que son difíciles de predecir y virtualmente imposibles de simular.

Peter C. Earle es economista y escritor, quien se unió al American Institute for Economic Research (AIER) en el 2018 y previamente pasó más de 20 años como corredor y analista en mercados en Wall Street. Su investigación se centra en mercados financieros, temas monetarios e historia económica. Su nombre ha sido citado en el Wall Street Jornal, Reuters, NPR y en muy diversas publicaciones. Pete tiene una maestría en economía aplicada de la American University, una maestría (en finanzas) y una licenciatura en ingeniería de la Academia Militar de los Estados Unidos en West Point.