Economía computacional

La economía computacional utiliza modelos económicos basados ​​en computadora para resolver problemas económicos formulados analítica y estadísticamente. Un programa de investigación con este fin es la economía computacional basada en agentes (ACE), el estudio computacional de los procesos económicos, incluyendo economías completas , como sistemas dinámicos de agentes que interactúan . ^{[ 3 ]} Como tal, es una adaptación económica del paradigma de sistemas adaptativos complejos . ^{[ 4 ]} Aquí, el "agente" se refiere a "objetos computacionales modelados como interactuando según reglas", no a personas reales. ^{[ 5 ]} Los agentes pueden representar entidades sociales, biológicas y/o físicas. El supuesto teórico de optimización matemática por agentes en equilibrio se reemplaza por el postulado menos restrictivo de agentes con racionalidad limitada que se adaptan a las fuerzas del mercado, ^{[ 6 ]} incluyendo contextos de teoría de juegos . ^{[ 7 ]} Partiendo de condiciones iniciales determinadas por el modelador, un modelo ACE se desarrolla hacia adelante en el tiempo impulsado únicamente por las interacciones de los agentes. El objetivo científico del método es probar los hallazgos teóricos con datos del mundo real de manera que las teorías con respaldo empírico se acumulen con el tiempo. ^{[ 8 ]}

Los modelos de aprendizaje automático ofrecen un método para resolver conjuntos de datos vastos, complejos y no estructurados . Diversos métodos de aprendizaje automático, como el método del kernel y el bosque aleatorio, se han desarrollado y utilizado en la minería de datos y el análisis estadístico. Estos modelos proporcionan una clasificación superior, mayor capacidad predictiva y flexibilidad en comparación con los modelos estadísticos tradicionales, como el método STAR . Otros métodos, como el aprendizaje automático causal y los árboles causales , ofrecen ventajas distintivas, incluyendo pruebas de inferencia.

El uso de herramientas de aprendizaje automático en la investigación económica presenta ventajas y desventajas notables. En economía, se selecciona y analiza un modelo de una sola vez. La investigación económica seleccionaría un modelo basado en principios, lo probaría y analizaría con datos, seguido de una validación cruzada con otros modelos. Por otro lado, los modelos de aprendizaje automático incorporan efectos de "ajuste". A medida que el modelo realiza análisis empíricos, valida, estima y compara diversos modelos simultáneamente. Este proceso puede generar estimaciones más robustas que las de los métodos tradicionales.

La economía tradicional normaliza parcialmente los datos basándose en principios existentes, mientras que el aprendizaje automático presenta un enfoque más positivo/empírico para el ajuste de modelos. Si bien el aprendizaje automático destaca en la clasificación, la predicción y la evaluación de la bondad de ajuste, muchos modelos carecen de la capacidad de realizar inferencias estadísticas, que son de mayor interés para los investigadores económicos. Las limitaciones de los modelos de aprendizaje automático implican que los economistas que lo utilizan deben desarrollar estrategias para una inferencia causal estadística robusta , un aspecto fundamental de la investigación empírica moderna. Por ejemplo, los investigadores económicos podrían intentar identificar factores de confusión , intervalos de confianza y otros parámetros que no están bien definidos en los algoritmos de aprendizaje automático. ^{[ 9 ]}

El aprendizaje automático puede facilitar el desarrollo de modelos económicos heterogéneos más complejos . Tradicionalmente, los modelos heterogéneos requerían un extenso trabajo computacional. Dado que la heterogeneidad puede deberse a diferencias en gustos, creencias, capacidades, habilidades o limitaciones, optimizar un modelo heterogéneo es mucho más tedioso que el enfoque homogéneo (agente representativo). ^{[ 10 ]} El desarrollo del aprendizaje por refuerzo y el aprendizaje profundo puede reducir significativamente la complejidad del análisis heterogéneo, creando modelos que reflejen mejor el comportamiento de los agentes en la economía. ^{[ 11 ]}

La adopción e implementación de redes neuronales y aprendizaje profundo en el campo de la economía computacional puede reducir el trabajo redundante de limpieza y análisis de datos, disminuyendo significativamente el tiempo y el costo del análisis de datos a gran escala y permitiendo a los investigadores recopilar y analizar datos a gran escala. ^{[ 12 ]} Esto alentaría a los investigadores económicos a explorar nuevos métodos de modelado. Además, una menor importancia del análisis de datos permitiría a los investigadores centrarse más en temas como la inferencia causal, las variables de confusión y el realismo del modelo. Con la orientación adecuada, los modelos de aprendizaje automático pueden acelerar el proceso de desarrollo de una economía precisa y aplicable mediante el análisis y la computación de datos empíricos a gran escala. ^{[ 13 ]}

Los métodos de modelado dinámico se utilizan frecuentemente en la investigación macroeconómica para simular fluctuaciones económicas y evaluar los efectos de los cambios de política. Los modelos DSGE constituyen una clase de modelos dinámicos que dependen en gran medida de técnicas y soluciones computacionales. Estos modelos emplean principios económicos microeconómicos para capturar las características de la economía real en un entorno con incertidumbre intertemporal . Dada su complejidad inherente, los modelos DSGE son, en general, intratables analíticamente y suelen implementarse numéricamente mediante software informático. Una ventaja importante de los modelos DSGE es que facilitan la estimación de las decisiones dinámicas de los agentes con flexibilidad. Sin embargo, muchos investigadores han criticado los modelos DSGE por su dependencia de supuestos de forma reducida que, en gran medida, resultan poco realistas.

El uso de herramientas computacionales en la investigación económica ha sido la norma y la base desde hace mucho tiempo. Estas herramientas incluyen diversos programas informáticos que facilitan la ejecución de operaciones matriciales (como la inversión de matrices) y la resolución de sistemas de ecuaciones lineales y no lineales. Se utilizan varios lenguajes de programación en la investigación económica para el análisis y modelado de datos. Algunos lenguajes de programación típicos en la investigación económica computacional son C++ , MATLAB , Julia , Python , R y Stata .

Entre estos lenguajes de programación, C++, como lenguaje compilado, es el más rápido, mientras que Python, como lenguaje interpretado, es el más lento. MATLAB, Julia y R logran un equilibrio entre rendimiento e interpretabilidad. Stata, uno de los primeros programas de análisis estadístico, fue la opción más convencional. Los economistas adoptaron Stata como uno de los programas de análisis estadístico más populares debido a su amplitud, precisión, flexibilidad y repetibilidad.