Página 1

PECANDO EN EL SÓTANO: QUÉ SON

¿LAS NORMAS? LOS DIEZ MANDAMIENTOS
DE ECONOMETRÍA APLICADA
Peter E. Kennedy
Universidad Simon Fraser
Resumen. Las realidades desagradables de los datos del mundo real obligan a
los economometristas a violar las prescripciones de la teoría econométrica
como lo enseñan nuestros libros de texto.
Leamer (1978) describe vívidamente este comportamiento como pecar sin
sentido en el sótano, con los pecadores transformándose en sumos sacerdotes
a medida que ascienden al tercer piso para enseñar teoría econométrica. Pero
este pecado no es completamente sin sentido – aplicado los econométricos
siguen (o deberían) algunas reglas de comportamiento no escritas, en efecto
limitando el pecado y promoviendo una marca de honor entre los
pecadores. Este papel expone estas reglas y elimina de ellas una lista no
autorizada de los Diez
Mandamientos de la econometría aplicada.
Palabras clave Econometría aplicada; Metodología; Procesamiento de datos.
1. Introducción
No es ningún secreto que hay un mundo de diferencia entre lo aplicado y lo
teórico. econometría. Esta diferencia es dramáticamente ilustrada por una cita
frecuente pasaje de Leamer (1978, p.vi):
Resulta que el modelado econométrico se realizó en el sótano de la
construcción y los cursos de teoría econométrica se impartieron en el piso
superior (el tercero). Estaba perplejo por el hecho de que se usara el mismo
idioma en ambos lugares. Aún más sorprendente fue la transfiguración de
particular individuos que pecaron sin motivo en el sótano y se
metamorfosearon en el más alto de los sumos sacerdotes a medida que
ascendían al tercer piso.
En defensa de los econométricos aplicados, este artículo sostiene que el
pecado cometido en el sótano de la profesión no es del todo desenfrenado: un
conjunto no escrito las reglas gobiernan estas transgresiones, creando un
código de honor entre econométricos pecadores De hecho, 'no escrito' puede
ser una palabra demasiado fuerte aquí: aunque no todos estos
las reglas se pueden encontrar en la literatura de econometría, las reglas que
faltan aparecen, aunque poco a poco, en varias ramas de la literatura
estadística aplicada. El propósito de este documento es unir estas reglas y, a
partir de ellas, crear un documento no autorizado
Lista de los diez mandamientos de la econometría aplicada. No se hace ningún
reclamo de novedad, pero una mayor conciencia de estas reglas debería
mejorar la econométrica aplicada
0950-0804 / 02/04 0569–21
REVISTA DE ENCUESTAS ECONÓMICAS vol. 16, N ° 4
© Blackwell Publishers Ltd. 2002, 108 Cowley Rd., Oxford OX4 1JF, Reino
Unido y 350 Main St., Malden,
MA 02148, EE. UU.

Página 2
trabajar, pedir a los instructores que los incorporen a los cursos de
econometría aplicada, y convencer a los autores de libros de texto para que los
agreguen a nuevas ediciones. 1
Estas reglas son fundamentales para realizar un trabajo econométrico aplicado
competente, por lo que fundamental que para evitar malentendidos es
necesario comenzar ofreciendo alguna perspectiva sobre dónde encajan en la
jerarquía del material econométrico. En la metáfora de Leamer, la teoría
econométrica, se enseña en el tercer piso. Esto consiste de cosas como probar
el teorema de Gauss-Markov, derivando el Cramer-Rao más bajo atado, y
enseñando los detalles de las asíntotas. Prueba de teorema y algebraica
las derivaciones definen este piso.
Desde el punto de vista de los econométricos aplicados, existen varias
preocupaciones con esta actividad del tercer piso. Leamer (1988) se queja de
que hay demasiado asintóticos, y esa dependencia de los asintóticos es muy
peligrosa en la aplicación econometría: los profesionales trabajan con tamaños
de muestra finitos, para los cuales asintóticos los resultados pueden inducir a
error. Worswick (1972, p. 79) se queja de que Me parece que los
econométricos no están involucrados en herramientas de forja para organizar
y medir hechos reales tanto como hacer una maravillosa variedad de juegos de
simulación herramientas que harían maravillas si alguna vez apareciera un
conjunto de hechos en la forma correcta.
La implicación de tales quejas para los economistas aplicados se expresa
mejor por la historia de Pagan (1999, p. 374) del maestro Zen y su alumno,
concluyéndose
Lo importante no es lo que sabes sobre algo, sino cómo tú lo usas.
En el segundo piso nos adentramos en el mundo de la econometría aplicada,
en el que a los estudiantes se les enseña, de manera práctica, cómo realizar
una amplia variedad de técnicas econométricas avanzadas, como pruebas de
raíces unitarias y cointegración, corregir el sesgo de selección de muestra,
realizar pruebas de Hausman y estimar usando Tobit, Poisson y modelos
probit ordenados. Para seguir al maestro Zen de Pagan historia, se trata de
usar los resultados del tercer piso, pero a un nivel avanzado: el foco está en las
técnicas, no en los conceptos básicos que definen la actividad del sótano. Para
muchos, tales como Chatfield (1991, p. 247), esto parece extraño:
Es lamentable que la mayoría de los libros de texto se concentren en la
estimación fácil etapa, cuando es más probable que ocurran problemas en la
etapa de especificación anterior.
Intriligator, Bodkin y Hsiao (1996, p.xiv) están de acuerdo:
Al menos el 80% del material en la mayoría de los libros de texto existentes
en econometría se centra exclusivamente en técnicas econométricas. Por el
contrario, la práctica de la economía Por lo general, los médicos dedican el
20% o menos de su tiempo y esfuerzo a la econométrica técnicas per se; el
resto se gasta en otros aspectos del estudio, particularmente en la construcción
de un modelo econométrico relevante y el desarrollo de datos apropiados
antes de la estimación y la interpretación de Resultados después de la
estimación.
570
KENNEDY
© Blackwell Publishers Ltd. 2002

Página 3
Pasando al primer piso, encontramos cursos de econometría de más
naturaleza elemental, cubriendo temas teóricos y aplicados como el uso y
interpretación de variables ficticias, la lógica de las pruebas de F y chi-
cuadrado, y pruebas y corrección de errores no esféricos. En este piso, como
en los pisos superiores, Una queja común (Wild, 1994; Chatfield, 1995a) es
que la enseñanza es técnica. orientado en lugar de orientado a problemas. En
palabras de Bailar (1988, p. 7), instructores 'no estaban enseñando
razonamiento estadístico. Estaban enseñando mecánica manipulaciones ". Un
examen de los típicos libros de texto de econometría hace poco para disipar
este punto de vista: las tareas en estos textos principalmente configuran a los
estudiantes para aplicar una técnica, en lugar de crear para ellos un escenario
del mundo real en el que, sin dirección, deben abordar una cuestión empírica.
A juzgar por nuestros libros de texto de econometría, el primer piso es el piso
inferior del Edificio econométrico: no hay un piso debajo de este, solo un
edificio separado vivienda cursos introductorios de estadística. Pero ¿qué pasa
con el sótano de la construcción econométrica? Según Leamer, aquí es donde
la economía del mundo real Se realiza el modelado métrico. ¿Hace lo que
enseñamos en los pisos superiores adecuadamente preparar a los estudiantes
para trabajar en el sótano? Un tema de este documento es que nuestro
los estudiantes no están bien preparados para el trabajo econométrico del
mundo real. No alertamos a los fundamentos verdaderos de hacer trabajo
aplicado (las 'reglas para pecar'), requisitos previos para la aplicación exitosa
de los conceptos y técnicas que aprenden En otros pisos.
No es difícil encontrar rumores de descontento entre economistas aplicados
con respecto a la forma en que se enseña la asignatura. Magnus (1999, p. 60)
identifica una preocupación importante:
Mi preocupación como teórico econométrico no es que haya tensión entre
nosotros. (los teóricos) y ellos (los economistas aplicados). Por el contrario,
tal La tensión puede ser saludable e inspiradora. Mi preocupación es más bien
la falta de tensión.
Hay dos campos, una brecha entre ellos y poca comunicación.
Magnus y Morgan (1999, p. 379) concluyen que 'claramente hay un gran
problema de instrucción de nivel medio '. Y Wooldridge (2000, p. Iii), señala
'Hay un ampliando la brecha entre la forma en que se enseña la econometría
introductoria y la forma en que los investigadores empíricos piensan, aplican e
interpretan econométrica métodos'. Estas quejas se dirigen más a la actividad
del primer y segundo piso. que en la actividad del sótano. En contraste, este
artículo se enfoca en el sótano, proponer reglas de comportamiento
econométrico aplicado que molesten a los econométricos - verán estas reglas
como no enseñables 2 o más elementales que ambas los estudiantes de
pregrado y posgrado seguramente los habrán aprendido antes etapa en su
carrera académica. Los lectores pueden juzgar el problema anterior por sí
mismos; mi opinión es que, independientemente de la capacidad de
enseñanza, tenemos la obligación moral de informar estudiantes de estas
reglas y, a través de tareas adecuadas, socializarlas para incorporarlos a los
procedimientos operativos estándar que siguen al hacer trabajo
empírico Sobre este último tema, mis muchos años de experiencia enseñando,
practicar, supervisar, arbitrar y editar la econometría aplicada (pero no mi
¡leer libros de texto de econometría!) me ha llevado a creer que estas reglas
están lejos
ECONOMETRÍA APLICADA
571
© Blackwell Publishers Ltd. 2002

Página 4
más importante de lo que creen los instructores, y que los estudiantes de todos
los niveles no concédeles el respeto que se merecen. Magnus y Morgan
(1999a, p. 1) afirman que 'el establecimiento de una econometría aplicada
creíble es posiblemente la más importante tarea de la econometría hoy
'. Identificar las 'reglas del pecado' es seguramente un requisito previo para
mover la profesión en esta dirección. 3
2. Las reglas del pecado

Regla # 1: Use el sentido común y la teoría económica.

La razón de esta regla es que el sentido común no es tan común. En efecto,
a veces parece que no se ha pensado mucho en el trabajo empírico, dejemos
solo buen pensamiento, como Preece (1987, p. 397) enfatiza:
Los procedimientos de buena práctica estadística se basan en la experiencia y
sentido común; es una buena práctica detenerse y pensar antes de ejecutar un
regresión. Tal pensamiento no necesita involucrar una econometría
complicada, como es evidente en Este comentario de Trosset (1998, p. 23):
Me sorprendió la frecuencia con la que presté un servicio sin hacer nada que
investigador académico reconocería como estadística. Una y otra vez estaba
agradecido (y pagado) por hacer preguntas y sugerir perspectivas que
Me pareció poco más que sentido común. Esta altamente desarrollado
El sentido común es una mercancía fácilmente pasada por alto, pero
extraordinariamente valiosa. En el contexto econométrico, este pensamiento
debería hacer que los investigadores coincidan por variables capita con
variables per cápita, utilice tipos de cambio reales para explicar real
importaciones / exportaciones, emplean tasas de interés nominales para
explicar la demanda de dinero real, seleccionar formas funcionales apropiadas
para variables dependientes restringidas a mentir entre cero y uno, resista
tratar de explicar una variable sin tendencia con una tendencia variable, evite
cardinalizar variables explicativas cualitativas ordenadas, tenga cuidado con
la falacia de la regresión (Friedman, 1992), y nunca inferir causalidad de la
correlación.
Hotelling y col . (1948, p. 103) han captado muy bien la esencia de esta regla:
Desafortunadamente, a muchas personas les gusta hacer su trabajo estadístico
como dicen sus oraciones - simplemente sustituyen en una fórmula que se
encuentra en un lugar muy respetado libro.

Regla # 2: Evita los errores de tipo III .

Un error tipo III, introducido en Kimball (1957), ocurre cuando un
investigador produce La respuesta correcta a la pregunta incorrecta. 4 Un
corolario de esta regla, como lo señala Chatfield (1995, p. 9), es que vale la
pena una respuesta aproximada a la pregunta correcta mucho más que una
respuesta precisa a la pregunta equivocada. Tukey (1962, pag. 13-14) afirma
esto de una manera más acusatoria:
Mucho mejor una respuesta aproximada a la pregunta correcta , que a menudo
es vaga, que una respuesta exacta a la pregunta incorrecta, que siempre se
puede hacer precisa.
572
KENNEDY
© Blackwell Publishers Ltd. 2002

Página 5
El fenómeno en cuestión aquí es que el objetivo / hipótesis / objetivo relevante
La especificación puede ser completamente diferente de lo que se sugiere
inicialmente.
Los econométricos experimentan esto regularmente cuando colegas o
estudiantes pasan por consejo, anteponiendo su solicitud con palabras en el
sentido de que no quieren ocupan gran parte del tiempo del econométrico para
que expliquen solo la técnica detalle con el que quieren ayuda. Acceder a esto
suele ser un error, ya que articulado por Joiner (1982, p. 333)
Encontramos repetidamente que preguntas simples sobre detalles
aparentemente menores a menudo traen a la luz malentendidos de cuestiones
importantes. Magnus (1999, págs. 56-7) ofrece un ejemplo y opina que
'preguntar lo correcto la pregunta es un aspecto no trivial y difícil de la
investigación '.
La lección principal aquí es contundente: hacer preguntas, especialmente
tontas preguntas, para asegurarse de que tiene una comprensión completa del
contexto de la "detalles técnicos" en discusión; a menudo resulta que tu colega
no formuló su pregunta de investigación adecuadamente.

Regla # 3: Conozca el contexto.

Esta regla es una extensión natural de la regla anterior. Es crucial que uno se
convierta íntimamente familiarizado con el fenómeno investigado: su historia,
instituciones, restricciones operativas, peculiaridades de medición, costumbres
culturales, y así sucesivamente, yendo más allá de una revisión exhaustiva de
la literatura. Como Zellner (1992) enfatiza, 'OBTENER LOS
HECHOS'. Nuevamente, se deben hacer preguntas: exactamente cómo
fueron los datos recogidos? ¿Las agencias gubernamentales imputaron los
datos usando datos desconocidos? fórmulas? ¿Cuáles fueron las reglas que
rigen la subasta? ¿Cómo fueron los entrevistados? ¿seleccionado? ¿Qué
instrucciones se dieron a los participantes? Que contabilidad
se siguieron las convenciones? ¿Cómo se definieron las variables? ¿Cuál es el
precisa redacción del cuestionario? ¿Qué tan cerca coinciden las variables
medidas con sus contrapartes teóricas?
Los datos son números con un contexto (Moore, 1990); conoce el
contexto! Tweedie et al . (1998) y Pfannkuch y Wild (2000) proporcionan
ejemplos de cómo un cuidadoso El examen del procedimiento de generación
de datos ha dado lugar a ideas sustantivas. Burdekin y Burkett (1998) y
Wilcox (1992) son ejemplos de cómo no saber El contexto puede conducir a
un error.
Belsley y Welch (1988, p. 447) han resumido esto claramente:
No intente modelar sin comprender los aspectos no estadísticos del sistema de
la vida real que está intentando someter a análisis estadístico. Estadístico el
análisis realizado en ignorancia del tema es solo eso: ignorante análisis
estadístico.

Regla # 4: inspeccionar los datos .

Incluso si un investigador conoce el contexto, necesita familiarizarse
íntimamente. con los datos específicos con los que está trabajando. Los
economistas son particularmente propenso a la queja de que los investigadores
no conocen muy bien sus datos, un
ECONOMETRÍA APLICADA
573
© Blackwell Publishers Ltd. 2002

Página 6
fenómeno empeorado por la revolución informática, lo que permite a los
investigadores obtener y trabajar con datos electrónicamente presionando
botones. Típico de estos
las quejas son Reuter (1982, p. 137) Los economistas son únicos entre los
científicos sociales en que están capacitados solo para analizar, no recopilar
datos ... Una consecuencia es la falta de escepticismo sobre el calidad de los
datos ... y Maier (1999, p. 5) Es una queja recurrente en las ciencias sociales
que los investigadores, desde el estudiante en formación al erudito avanzado,
no sé lo suficiente sobre el datos que usan. La inspección de los datos implica
estadísticas resumidas, gráficos y limpieza de datos, para ambos verifican y
"tienen una idea" de los datos. Las estadísticas resumidas pueden ser muy
simples, tales como medias de cálculo, errores estándar, máximos, mínimos y
matrices de correlación, o más complicadas, como el cálculo de índices de
condición (Belsley, 1991) y diagnósticos de observación influyentes (Belsley,
Kuh y Welch, 1980).
La ventaja de los gráficos es que los gráficos transmiten mientras que las
estadísticas estrecho, o, como Tukey (1977, p.vi) señala: 'El mayor valor de
una imagen es cuándo nos obliga a notar lo que nunca esperábamos ver '. Con
el debido respeto a Tukey, sin embargo, su análisis exploratorio de datos
(EDA), no se puede recomendar - Es evidente que muchos estadísticos
(Ehrenberg, 1979), y especialmente economometristas, simplemente no
utilizarán la gama de técnicas que defiende. Pero El espíritu o 'actitud' de la
EDA, como lo describe Cobb (1987, p. 329) es crucial:
Me resulta útil distinguir técnicas exploratorias como el tallo y la hoja.
diagramas y diagramas de caja, desde actitudes exploratorias: ¿paga un autor?
atención a cosas tales como residuos, valores atípicos y el posible valor de
transformando? Las primeras (técnicas) son relativamente superficiales, pero
las estos últimos (residuos, valores atípicos, transformación) se encuentran
cerca del corazón del análisis de datos. Lo que se recomienda aquí es que se
adopte la actitud de EDA – investigadores debe complementar 5 sus
estadísticas de resumen con gráficos simples: histogramas,
diagramas residuales, diagramas de dispersión de datos residuales y gráficos
contra el tiempo. 6 6 La limpieza de datos busca inconsistencias en los datos,
¿son observaciones imposible, poco realista o sospechoso? Según Rao (1997,
p. 152), 'Cada número es culpable a menos que se demuestre su inocencia
'. Day y Liebowitz (1998) es un clásico ejemplo de tal trabajo de
detective. Las preguntas aquí son en su mayoría simples, pero podrían
volverse más complicado en un contexto particular. ¿Sabes cómo faltan datos?
fueron codificados? ¿Son todos los dummies codificados cero o uno? ¿Hay
alguna observación nacida en dos meses diferentes? ¿Todas las observaciones
obedecen las restricciones lógicas que deben ¿satisfacer? Hamermesh (2000,
p. 366) lamenta que "los médicos entierren a sus médicos errores en el
suelo; enterramos los errores en nuestros datos bajo un cúmulo de técnica
econométrica ', e insta (p.364) a econométricos a poner' datos limpieza por
delante de la piedad econométrica '.
574
KENNEDY
© Blackwell Publishers Ltd. 2002
 Página 7
Chatfield (1985, p. 230) resume el mensaje principal de esta regla:
Se debe enseñar a los estudiantes que en lugar de preguntar 'qué técnica debo
usar ¿aquí?' deberían preguntar '¿Cómo puedo resumir y comprender la
principal característica de este conjunto de datos?

Regla # 5: Mantenlo sensiblemente simple.

Esta regla de KISS, basada en Zellner (1992, 2001) 'lo mantiene
sofisticadamente simple', como advierte Zellner, no debe confundirse con el
anuncio comercial 'mantenerlo regla simple y estúpida porque algunos
modelos simples son estúpidos y contienen lógica errores o estar en
desacuerdo con los hechos. Zellner señala que, como en la ciencia, el progreso
en la economía resulta de comenzar con modelos simples, ver cómo funcionan
en aplicaciones, y luego modificarlas si es necesario. Como ejemplos que cita
especificaciones de forma funcional de los premios Nobel - el bienestar social
de Tinbergen funciones, el trabajo de Arrow y Solow en la función de
producción de CES, Los modelos de consumo de Friedman, Becker, Tobin y
Modigliani, y los de Lucas modelo de expectativas racionales.
Comenzar un análisis con modelos simples puede defenderse por muchos
motivos. Hacerlo es consistente con la historia de la inferencia / progreso
científico; sencillo los modelos se caracterizan por antecedentes más fuertes
(Zellner, 2001); construcción modelo los costos son más bajos; los datos
sucios, no experimentales de la economía requieren simples modelos que no
imponen demandas poco realistas a los datos o, como lo señala Griliches
(1985, p. 199), la estimación de modelos econométricos sofisticados es
'mucho es más probable que sea sensible a errores e inconsistencias en los
datos '; empírico la evidencia en la literatura de pronósticos muestra que los
modelos simples superan más modelos complicados (Makridakis y Hibon,
2000); las fuentes de falla del modelo son más fácil de detectar; aprender
cómo y por qué un modelo simple funciona mal es información importante
para el proceso de desarrollo del modelo; 'análisis simples son más fáciles de
explicar que los complejos, y a menudo son menos propensos a conducir a
errores graves o descuidos '(Joiner, 1982, p. 339); y percepciones subjetivas,
Se facilitan los ingredientes esenciales del descubrimiento, como lo señala
Wainer (1997, p. 3) 'la revelación acompaña a la simplicidad' y Keuzenkamp
y McAleer, (1995, p. 16) 'en investigaciones empíricas, los modelos simples
pueden inspirar conocimiento, mientras que complejos los modelos rara vez lo
hacen '. Keuzenkamp y McAleer (1995) presentan una defensa exhaustiva y
persuasiva de simplicidad, abordando una variedad de cuestiones espinosas,
como la simplicidad definido. Zellner (2001) también aborda el tema de
definir la simplicidad. El papel de las especificaciones simples en econometría
se ilustra de manera más dramática
explicando cómo los economometristas desarrollan sus especificaciones. La
mayoría de las economías los tricos dirán que creen en el 'top-down' o 'general
a específico' enfoque: comience con un modelo grande / complejo y mediante
pruebas juiciosas reducirlo a una especificación final. El problema con este
enfoque, en Magnusv (1999, pp. 61–2) palabras, ... es que no funciona. Si
intenta estimar un modelo tan grande, que tiene todo lo que se te ocurra,
obtienes resultados sin sentido.
ECONOMETRÍA APLICADA
575
© Blackwell Publishers Ltd. 2002

Página 8
Todos los que han realizado trabajos econométricos empíricos lo saben. El
segundo el problema es que realmente no puedes descubrir nada nuevo e
interesante en de esta manera, porque lo interesante es la construcción del
modelo superior y no se nos dice cómo se hace esto. Por lo tanto, ningún
economista aplicado procede en de esta manera. En cambio, siguen el enfoque
de abajo hacia arriba. En la parte inferior El primer enfoque comienza con un
modelo simple y se acumula a partir de ahí. Esto es en de hecho, cómo
funcionan los científicos en otras disciplinas.
Magnus continúa lamentando cómo este fenómeno ha dado lugar a una
desafortunada tendencia a que los resultados se presenten como si vinieran de
arriba hacia abajo Acercarse. La principal ventaja del enfoque general a
específico es que si el general El modelo incorpora el modelo verdadero que
genera los datos, luego las pruebas son imparciales.
Pero no se puede encontrar ese modelo verdadero, por lo que esta ventaja es
cuestionable. Además, como Magnus señala anteriormente, no es realista
pensar que podemos estimar un modelo general que incorpore todas las
variables explicativas concebibles y formas funcionales Keuzenkamp y
McAleer (1995, págs. 15–18) proporcionan un argumento convincente
crítica de la metodología general a específica.
Con tantos practicantes que afirman estar utilizando el enfoque de arriba hacia
abajo, pero parece estar utilizando un enfoque de abajo hacia arriba, sospechas
de pecados graves abundar. Este pecado puede describirse más o menos de la
siguiente manera. Los practicantes comienzan con modelos simples que se
expanden cada vez que fallan. Las fallas son identificadas a través de pruebas
de especificación errónea, como la evaluación de pronósticos fuera de
muestra.
Las expansiones son, por un lado, modestas porque introducen una capa
adicional de complejidad (una nueva variable, por ejemplo), pero por otro
lado bastante general en que cubren una gama de roles posibles para el nuevo
elemento (retrasos generosos, para ejemplo), según lo permitan los grados de
libertad. Se realizan pruebas para crear un nuevo modelo simple que se
somete a pruebas de especificación errónea, y este proceso de
El descubrimiento se repite. De esta forma, la simplicidad se combina con la
generalización metodología específica, produciendo un proceso de
compromiso que, juzgado por su amplia aplicación, se considera un pecado
aceptable. (El pecado relacionado de la minería de datos es discutido en la
Regla 7 a continuación.) El conflicto entre simplicidad y complejidad surge en
otro contexto.
Reemplazar 'sofisticadamente' de Zellner con 'sensatamente' es protegerse
contra el primero ser interpretado como una licencia para emplear lo último y
más sofisticado econométrico técnicas, algo que sucede con frecuencia porque
tales técnicas son novedosas y disponible, no porque sean apropiados. Solo
cuando se enfrenta con obvios problemas tales como simultaneidad o sesgo de
selección deberían técnicas más avanzadas ser empleado, y luego, como lo
enfatizó Hamermesh (2000, p. 378), solo después de un Se ha aplicado el
cálculo de costo-beneficio, como lo ilustra su propio trabajo.
Wilkinson y col . (1999, p. 598) subrayan esta opinión: No elija un método
analítico para impresionar a sus lectores o desviar crítica. Si los supuestos y la
fuerza de un método más simple son razonables para su problema de datos e
investigación, úselo. La navaja de Occam se aplica a los métodos así como a
las teorías.
576
KENNEDY
© Blackwell Publishers Ltd. 2002

Página 9
Regla # 6: Use la prueba de trauma interocular.
Los resultados del trabajo empírico moderno generalmente llenan muchas
páginas, a medida que los investigadores intentan Una variedad de formas
funcionales y conjuntos de variables explicativas. Esta regla advierte
Los investigadores deben analizar detenidamente esta plétora de resultados:
¡ver los resultados hasta que la respuesta te golpee entre los ojos! Parte de esta
regla es verificar que Los resultados tienen sentido. ¿Son los signos de
coeficientes como se esperaba? ¿Son importantes variables estadísticamente
significativas? ¿Son razonables las magnitudes de coeficientes? Son los
implicaciones de los resultados consistentes con la teoría? ¿Hay alguna
anomalía? ¿Son alguna restricción obvia evidente? Aplique la prueba de 'risa',
lo que Hamermesh (2000, pag. 374) llama a la prueba de 'olfateo': 'preguntarse
si los hallazgos fueron cuidadosamente explicó a un laico pensativo, que el
oyente podría evitar reírse '. Pero otra parte de esta regla es más sutil y
subjetiva. Al mirar largo y duro en resmas de salida de computadora, un
investigador eventualmente, a través de ambos medios conscientes y
subconscientes, reconocen el mensaje que transmiten (que podría ser un
mensaje negativo) y sentirse cómodo con él. Este procedimiento subjetivo
debe ser visto como separado y complementario de procedimientos formales
de prueba estadística utilizados para investigar lo que está sucediendo. En
efecto, Los resultados de tales procedimientos de prueba forman parte de la
masa de resultados estadísticos.
Uno está tratando de interpretar. 7 7

Regla # 7: Comprenda los costos y beneficios de la minería de datos .

Mukherjee y col . (1998, p. 30) afirman que históricamente ... cualquier
intento de permitir que los datos desempeñen un papel en la especificación del
modelo ... a- montado en minería de datos, que fue el mayor pecado que
cualquier investigador pudo cometer. Por otro lado, Hoover (1995, p. 243)
sostiene que ... la minería de datos se entiende mal, y una vez que se entiende
correctamente, se ve no ser pecado en absoluto.
¿Quién está aquí? ¿La minería de datos es un pecado o no? Ambos tienen
razón: algunas variantes de 'minería de datos' se puede clasificar como el
mayor de los pecados del sótano, pero otros Las variantes de 'minería de datos'
pueden verse como ingredientes importantes en el análisis de datos.
Desafortunadamente, estas dos variantes generalmente no son mutuamente
excluyentes, por lo que frecuentemente entran en conflicto en el sentido de
que para obtener los beneficios de este último, uno ejecuta el riesgo de incurrir
en los costos de la primera. Hoover y Pérez (2000, p. 196) ofrecen una
definición general de minería de datos como refiriéndose a 'una amplia clase
de actividades que tienen en común una búsqueda en diferentes formas de
procesar o empaquetar datos estadísticamente o econométricamente con el
propósito de hacer que la presentación final cumpla con ciertos criterios de
diseño '. Dos marcadamente diferentes puntos de vista de minería de datos se
encuentran dentro del alcance de esta definición general. Uno La visión de
'minería de datos' es que se refiere a experimentar con (o 'pescar a través de')
los datos para producir una especificación. Kramer y Runde (1997) presentan
un ejemplo instructivo El problema con esto, y por qué es visto como un
pecado, es que este procedimiento está casi garantizado para producir una
especificación adaptada a la
ECONOMETRÍA APLICADA
577
© Blackwell Publishers Ltd. 2002

Página 10
peculiaridades de ese conjunto de datos en particular, y en consecuencia será
engañoso en términos de lo que dice sobre el proceso subyacente que genera
los datos. Además, los procedimientos de prueba tradicionales utilizados para
'santificar' la especificación son ya no es legítimo, porque estos datos, ya que
se han utilizado para generar la especificación, no se puede juzgar imparcial si
se utiliza para probar esa especificación. Esta objeción a la minería de datos es
la base de las quejas sobre Hendry (1980, pag. 403) edicto que "Las tres reglas
de oro de la econometría son prueba, prueba y prueba".
Aplicadas indiscriminadamente, estas reglas y sus asociados 'generales a
específicos' La metodología de búsqueda de especificaciones puede conducir a
problemas como el sesgo de prueba previa y distorsión de las tasas de error
tipo I, bromas sobre tener más estadísticas de prueba que observaciones y
referencia al comentario frecuentemente citado de Ronald Coase de que 'Si
usted torturar los datos el tiempo suficiente, la naturaleza lo confesará '. Una
vista más comprensiva reconoce (como Hendry siempre ha mantenido), que la
especificación del modelo debería no seguir ciegamente los procedimientos de
prueba, es necesario que esté bien pensado combinación de teoría y datos, y
que los procedimientos de prueba utilizados en tales Las búsquedas de
especificaciones deben diseñarse para minimizar los costos de la minería de
datos.
Ejemplos de tales procedimientos son reservar datos para predicciones fuera
de muestra pruebas, ajuste de niveles de significación y evitar criterios
cuestionables como maximizando R 2 . Hoover y Pérez (1999), y comentarios
asociados, proporcionan un buen resumen de las innovaciones recientes en
este frente, y de las críticas relacionadas.
Hendry y Mizon (1990) es una excelente discusión de los problemas que
rodean el ingrediente de prueba de especificación del modelo.
Una vista alternativa de 'minería de datos' es que se refiere a experimentar con
(o 'pescando') los datos para descubrir las regularidades empíricas que pueden
informar teoría económica. Este enfoque de minería de datos, comparado por
algunos con Exploratorio El análisis de datos (Tukey, 1977) ha sido bien
recibido en la corriente principal de la estadística
análisis por el reciente lanzamiento de la revista Data Mining and Knowledge
Recuperación . Hand y col . (2000) describen la minería de datos como el
proceso de búsqueda información interesante o valiosa en grandes conjuntos
de datos. Su mayor virtud es que puede descubrir regularidades empíricas que
apuntan a errores / omisiones en teoría especificaciones, un ejemplo del cual
es descrito por Kennedy (1998, p. 87).
El espíritu de este enfoque es capturado por el comentario de Thaler (2000, p.
139) que 'Algunos economistas parecen sentir que la teoría basada en datos es,
de alguna manera, poco científica.
Por supuesto, todo lo contrario, es cierto '. Peña (2001, p. 9) cita a George Box
como enfatizando 'la necesidad de cambiar continuamente el modelo como
comprensión desarrolla '. El arte del econométrico aplicado es permitir la
teoría basada en datos evitando los considerables peligros inherentes a la
minería de datos. En resumen, este segundo tipo de 'minería de datos'
identifica regularidades en o características de los datos que deben tenerse en
cuenta y entenderse en el contexto de la teoría subyacente. Esto puede sugerir
la necesidad de repensar la teoría. detrás del modelo de uno, lo que resulta en
una nueva especificación fundada en una más amplia- comprensión
basada Esto debe distinguirse de una nueva especificación creada
reestructurando mecánicamente la antigua especificación para que se ajuste a
los datos; esto arriesgaría incurrir en los costos descritos anteriormente cuando
se discute la primera variante de 'datos
minería'.
578
KENNEDY
© Blackwell Publishers Ltd. 2002

Página 11
El problema aquí es cómo se debe elegir la especificación del modelo. Como
siempre, Leamer (1996, p. 189) tiene una visión divertida:
A medida que deambula por la espesura de modelos, puede llegar a cuestionar
el significado de la Escritura econométrica que presume que se le da el
modelo a usted al nacer por un sabio y benéfico Espíritu Santo.
En la práctica, las especificaciones del modelo provienen tanto de la teoría
como de los datos, y la ausencia del Espíritu Santo de Leamer, propiamente
dicho. Un ingrediente importante en las búsquedas de especificaciones, a
menudo olvidadas, son capturadas por la pregunta de Smith (1998)
'¿Por qué estás haciendo esto?' y explicado por Magnus (1999, p. 61)
Lo mejor que podemos esperar es que un modelo sea válido localmente. Esto
implica que el modelo debe depender de la pregunta central que el
investigador desee para responder ... Todo lo demás: su modelo, los datos que
necesita, su Método de estimación: depende de ello. Ahora, esto puede parecer
obvio, pero es No es obvio para la mayoría de los econométricos.
Si esto no es obvio para los economometristas, rápidamente se hace obvio en
el momento emprenden trabajo aplicado, como lo señala Feldstein (1982, p.
829):
El econométrico aplicado, como el teórico, pronto descubre por experiencia.
que un modelo útil no es "verdadero" o "realista", sino uno que es
parsimonioso, plausible e informativo.
El proceso mediante el cual se desarrolla una especificación, combinando la
teoría económica, sentido común, y una mezcla juiciosa de abajo hacia arriba
y de arriba hacia abajo, incorpora claramente elementos de 'minería de datos',
una terminología con fuerte contenido emotivo En versiones preliminares de
este artículo, econométricos se quejó de esta regla, originalmente titulada
'Mina de datos con cuidado', más de cualquier otro. La intención de esta regla
es admitir que la minería de datos llegó para quedarse, y a la luz de eso,
asegúrese de que los profesionales sean plenamente conscientes de sus
posibles costos.
Este punto de vista no es nuevo en la literatura económica. Backhouse y
Morgan (2000, pag. 176) resumir un simposio sobre minería de datos,
publicado en junio de 2000 número de la Revista de Metodología Económica ,
al señalar que algunos de los documentos en este simposio abogan por un
aumento en la minería de datos pero 'cubran esto con
fuertes advertencias sobre la necesidad de que dicha minería de datos se
realice en una manera adecuada ".

Regla # 8: Prepárate para comprometerte.

Esta regla refleja la observación de Trosset (1998, p. 24) de que
En prácticamente todas las aplicaciones, hay una brecha (a menudo, un gran
abismo) entre
detalles de la aplicación y teoría estadística estándar ... brechas entre
La aplicación y la teoría requieren que se haga un compromiso.
Leamer (1997, p. 552) le da un énfasis especial cuando enumera sus
elecciones para el
tres aspectos más importantes de los análisis de datos reales: 'compromiso,
compromiso,
compromiso'. Su expresión más elocuente en la literatura econométrica,
ECONOMETRÍA APLICADA
579
© Blackwell Publishers Ltd. 2002

Pagina 12
sin embargo, se debe a Valavanis (1959, p. 83):
La teoría econométrica es como una receta francesa exquisitamente
equilibrada, deletreando precisamente con cuántas vueltas mezclar la salsa,
cuántos quilates de especias agregar, y por cuántos milisegundos para hornear
la mezcla a exactamente 474 grados de temperatura Pero cuando el cocinero
estadístico recurre a las materias primas, encuentra que los corazones de fruta
de cactus no están disponibles, por lo que sustituye trozos de
Cantalupo; donde la receta requiere fideos, usó trigo desmenuzado; y
él sustituye el tinte verde por el curry, las pelotas de ping-pong por los huevos
de tortuga, y para Chalifougnac vintage 1883, una lata de trementina.
El problema aquí es que en el tercer piso a los estudiantes se les enseñan
soluciones estándar para problemas estándar, pero, como señaló Joiner (1982,
p. 335) 'En la práctica, no hay problemas estándar, solo soluciones estándar ',
y se hizo eco de McCabe (1982, pag. 373) 'Por lo general, cuando identifico
una situación que tiene un problema claro con una solución óptima precisa, he
cometido un error '. Los econométricos aplicados se enfrentan continuamente
a compromisos incómodos, y debe estar dispuesto a realizar modificaciones
ad hoc a las soluciones estándar. ¿Debería un poder ser utilizado? ¿Se puede
ignorar el desgaste de la muestra? ¿Deben estas pruebas de raíz unitaria ser
creído? ¿La agregación es legítima aquí?

Regla # 9: No confunda significancia estadística con magnitud

significativa .
Tamaños de muestra muy grandes, como los que se han vuelto comunes en
Los datos seccionales, gracias a la revolución informática, pueden dar lugar a
estimaciones coeficientes con errores estándar muy pequeños. Una
consecuencia de esto es que Los coeficientes de magnitud trivial pueden ser
significativamente diferentes de cero. En la literatura psicométrica este
problema ha dado lugar a libros titulados '¿Qué pasa si hay ¿No hubo pruebas
de significación? (Harlow et al ., 1997) y las políticas de revistas para no
publicar artículos que no informan el tamaño del efecto (la magnitud de un
tratamiento impacto, generalmente medido en términos de desviaciones
estándar del fenómeno en pregunta). El sabor de esta controversia se puede
resumir en Rosnow y El comentario de Rosenthal (1989, p. 1277) dice que
'Ciertamente, Dios ama el .06 casi tan tanto como el .05 ', y por la opinión de
Loftus (1993, p. 250) de que' la prueba de hipótesis es exagerado,
sobreutilizado y prácticamente inútil como un medio de iluminar lo que el
los datos en algún experimento están tratando de decirnos ". Nester (1996)
tiene una colección de citas similares que regañan pruebas de importancia.
En econometría, Leamer (1978) ha dado representación formal a este
fenómeno, al relacionar el nivel de significación con el tamaño de la muestra,
y McCloskey (1998, cap.8) resume sus varios artículos sobre el tema,
castigando la profesión por su tendencia a rendir homenaje indebido a las
pruebas de significación. Vistas de Tukey (1969)
Este uso de pruebas de significación como 'santificación' de una teoría, con un
resultado desafortunada tendencia de los investigadores a dejar de buscar
nuevas ideas.
McCloskey y Ziliak (1996, p. 112) resumen convincentemente este punto de
vista de la siguiente manera: Ningún economista ha logrado el éxito científico
como resultado de una estadística coeficiente significativo Observaciones
masivas, sentido común inteligente, elegante
580
KENNEDY
© Blackwell Publishers Ltd. 2002

Página 13
teoremas, nuevas políticas, razonamiento económico sagaz, perspectiva
histórica, contabilidad relevante: todo esto ha llevado al éxito
científico. Estadístico significado no tiene.
Leamer (1996, p. 176) cree que una razón importante para este estado de
cosas es ese Se realiza una cantidad angustiosa de análisis de datos sin
beneficio de ningún claro preguntas Cuando las preguntas no están
explícitamente sobre la mesa, es fácil Fantasear que los modelos son
verdaderos o falsos cuando en realidad son a veces útil para responder las
preguntas y, a veces, engañoso. Sostiene que las preguntas interesantes no son
hipótesis agudas en las que el nulo toma la forma de un valor de parámetro
específico (porque todas esas hipótesis son seguramente falso), sino más bien
que las preguntas que abordan los economistas, o deberían ser
Se trata de vecindarios de valores de parámetros específicos. Reconociendo
esto puede aliviar muchas de las críticas a las pruebas de significación.
Milton Friedman articula una actitud prometedora hacia este problema:
citado por Hamermesh (2000, p. 376):
Durante mucho tiempo he tenido relativamente poca fe en juzgar los
resultados estadísticos por formales pruebas de significación Creo que es
mucho más importante basar conclusiones sobre una amplia gama de
evidencia proveniente de diferentes fuentes durante un largo periodo de
tiempo. La santificación a través de pruebas de significación debe ser
reemplazada por búsquedas de evidencia adicional, tanto corroborando
evidencia, y, especialmente, desconfirmando evidencia. Si su teoría es
correcta, ¿hay implicaciones comprobables? ¿Puedes explicar una gama de
hallazgos interconectados? ¿Puedes encontrar un paquete de evidencia?
¿coherente con su hipótesis, pero inconsistente con hipótesis alternativas?
Abelson (1995, p. 186) ofrece algunos ejemplos. Un concepto relacionado
abarca:
¿Puede su teoría abarcar a sus rivales en el sentido de que puede explicar otros
modelos? resultados? Ver Hendry (1988). Zellner (1992) recomienda hacer un
esfuerzo especial para obtener hechos inusuales
Regla # 10: Informe un análisis de sensibilidad.
Todos saben, como lo expresa Weick (1992, p. 100), que Las presentaciones
de los resultados de la investigación suelen ser cuentas notoriamente
engañosas. de cómo se realizó la investigación en sí. Debido a esto, es muy
difícil para los lectores de trabajos de investigación juzgar el alcance
a lo que la minería de datos puede haber influido indebidamente en los
resultados. De hecho, los resultados contaminados por decisiones subjetivas
de especificación tomadas durante el calor de La batalla econométrica
deberían considerarse la regla, como John Maynard Keynes (1940, pag. 155)
reconocido hace mucho tiempo: Se recordará que los setenta traductores de la
Septuaginta estaban cerrados en setenta habitaciones separadas con el texto
hebreo y sacado con
ECONOMETRÍA APLICADA
581
© Blackwell Publishers Ltd. 2002

Página 14
ellos, cuando surgieron, setenta traducciones idénticas. Lo mismo
milagro se garantiza si setenta correlacionadores múltiples se callaron con el
mismo material estadístico? De estas observaciones se derivan dos
prescripciones importantes. Primero, investigadores debería explicar
completamente su búsqueda de especificaciones para que los lectores puedan
juzgar ellos mismos cómo los resultados pueden haber sido afectados. Mayer
(1993, cap. 10) hace Una sugerencia divertida que captura el sabor de este
debate – investigadores debería publicar todas las regresiones que se
ejecutaron, ¡no solo las buenas! Esto es Básicamente, un enfoque de
"honestidad es la mejor política", defendido por Leamer pag. vi):
No se espera que los pecadores eviten los pecados; solo necesitan confesar sus
errores abiertamente. En segundo lugar, se debe informar un análisis de
sensibilidad que indique en qué medida Los resultados sustantivos de la
investigación se ven afectados por la adopción de diferentes especificaciones.
sobre qué personas razonables podrían estar en desacuerdo. Por ejemplo, son
los resultados sensibles al período de muestra, la forma funcional, el conjunto
de explicativo variables, ¿o la medición o representación de las
variables? Levine y Renelt (1992) es un ejemplo notorio. Abelson (1995)
subraya que la anticipación de La crítica es fundamental para una buena
investigación y análisis de datos.
3. Los diez mandamientos de la econometría aplicada
Disculpándome con Thomas (1976) y con Driscoll (1977), me he tomado la
libertad
de eliminar de estas reglas Diez Mandamientos para economistas aplicados.
1. Utilizarás el sentido común y la teoría económica.
Corolario: No harás tu econometría como dices tus oraciones.
2. Harás las preguntas correctas.
Corolario: Colocarás relevancia antes que elegancia matemática.
3. Conocerás el contexto .
Corolario: No realizarás análisis estadísticos ignorantes.
4. Inspeccionarás los datos .
Corolario: colocará la limpieza de datos por delante de la econométrica
devoción.
5. No adorarás la complejidad .
Corolario: No aplicará aproximaciones asintóticas en vano.
Corolario: no hablarás griego sin saber inglés
Traducción.
6. Debes mirar larga y duramente tus resultados .
Corolario: aplicará la prueba de la risa.
7. Debes tener cuidado con los costos de la minería de datos .
Corolario: No adorarás a R 2 .
Corolario: No cazarás significación estadística con una escopeta.
Corolario: No adorarás el nivel de significancia de 0.05%.
582
KENNEDY
© Blackwell Publishers Ltd. 2002

Página 15
8. Estarás dispuesto a comprometer .
Corolario: No adorarás recetas de libros de texto.
9. No confundirás significado con sustancia .
Corolario: no ignorarás el poder.
Corolario: No probarás hipótesis agudas.
Corolario: Deberás buscar evidencia adicional.
10. Confesarás en presencia de la sensibilidad .
Corolario: anticiparás las críticas.

4. Conclusiones
Conocer las 'reglas de pecar' presentadas anteriormente no es suficiente, como
la anécdota presentado anteriormente en la nota a pie de página 6
ilustra. Inspeccionar los datos requiere saber cómo inspeccionar, qué buscar y
cómo interpretar lo que se encuentra, no mencione recordar mirar; la prueba
de trauma interocular parece trivial, pero es difícil de realizar; saber que es
necesario comprometerse no significa que un El investigador sabe cómo
comprometerse. Magnus y Morgan (1999, p. 378) suma esto muy bien:
Aprender a ser un econométrico aplicado aparentemente implica aprender
las reglas apropiadas del procedimiento científico y cuándo ignorarlas,
aumentar la experiencia que permite opciones, decisiones y juicios para
hacerse casi inconscientemente, y aprender las habilidades tácitas para
emprender la obra.
La conclusión aquí es que gran parte de la habilidad de pecar de manera
aceptable es crítico, subjetivo y difícil, como lo articuló Welch (1986, p. 405):
Incluso con un vasto arsenal de diagnósticos, es muy difícil escribir reglas que
puede usarse para guiar un análisis de datos. Tanto es realmente subjetivo y
sutil ... Gran parte de lo que enseñamos en estadística aplicada no está escrito
abajo, y mucho menos en una forma adecuada para la codificación formal. Es
simplemente "tradición". Parece que tal 'tradición' solo puede aprenderse por
experiencia y observando los maestros 8 - en resumen, sudando en el
sótano. Pero incluso esto puede no ser suficiente, como nos advierte Pagan
(1987, p. 20): Pocos negarían que en manos de los maestros las metodologías
actuar de manera impresionante, pero en manos de sus discípulos todo es
mucho menos Convincente.
Para aquellos de nosotros que somos discípulos, aprender las 'reglas del
pecado' es crucial. requisito previo para realizar una econometría aplicada de
calidad. A juzgar por la econometría libros de texto, y por lo que estudiantes
de todo el mundo me han contado sobre qué sucede en sus clases de
econometría 'aplicada', la profesión está colocando énfasis inadecuado en los
fundamentos practicados en el sótano. Cómo ¿Se ha producido este estado de
cosas? Cuatro posibles razones siguen.
ECONOMETRÍA APLICADA
583
© Blackwell Publishers Ltd. 2002

Página 16
Primero, en palabras de Hendry y Richard (1983, p. 112), hacer trabajo
aplicado es difícil: El proceso de generación de datos es complicado, los datos
son escasos y de incertidumbre. relevancia, la experimentación no está
controlada y las teorías disponibles son altamente abstracto y raramente
indiscutible.
Verbeek (2000, p. 1) tiene una manera más contundente de expresar esto: 'La
econometría es mucho más fácil sin datos ". Estas observaciones explican
comentarios como los siguientes por Wickens (1997, p. 523):
Después de solo 30 años como econométrico aplicado (una subespecie baja
rara vez que se encuentra en los salones de la fama de Econometrica ) Todavía
estoy luchando con el problema de cómo combinar la teoría con la evidencia.
La cita de Wickens apunta a una segunda razón por la falta de énfasis en lo
básico del trabajo aplicado: hacer un trabajo aplicado de calidad aporta poco
prestigio en el profesión, un hecho lamentado por Hendry y Leamer: "Como
profesión no lo hacemos valoramos mucho el trabajo empírico '(Hendry et
al. , 1990, p. 180).
Una tercera razón se desprende de una cita anterior de Magnus (1999),
lamentando la falta de tensión, y por lo tanto la falta de comunicación, entre
teóricos econométricos y economistas aplicados. Es natural y común para
departamentos de economía para asignar teóricos econométricos para enseñar
aplicada cursos de econometría. Si hay poca comunicación entre econométrica
teóricos y econométricos aplicados, no es sorprendente que las 'reglas de
pecar 'no se enseña.
Cuarto, como señaló J. Bailar (1994, p. 18), "Enseñamos lo que disfrutamos
enseñando". y lo que sabemos enseñar, no lo que el mundo necesita '. Este es
probablemente el quid del problema: los instructores de econometría creen
que sus estudiantes no necesitan aprender las "reglas de pecar" descritas
anteriormente, y en cualquier caso serían incómodo enseñándoles porque estas
reglas no tienen el rigor intelectual y respuestas limpias tan apreciadas por los
economistas teóricos. Una visión más controvertida. es expresado por B.
Bailar (1988, p. 7):
Parte del problema es que muchas de las personas que enseñan, ya sea en
cursos de pregrado o posgrado, tienen poca o ninguna experiencia práctica en
lo que enseñan: sus horizontes se limitan en gran medida a lo que aparece en
las revistas y libros de texto. La tarea de enseñanza es incuestionablemente
difícil. Tukey (1969, p. 90) expresa esto dificultad elocuente:
Desvíelos de depender de la "autoridad" del libro de texto estándar
soluciones, pero sin poder sustituir una segunda religión por la primera.
Estimular la formulación inteligente de problemas, sin poder decir bastante
Cómo se hace esto. Exigir altos estándares de razonamiento estadístico, pero
sin especificando un modelo simple de estadísticas que podría servir como
criterio para Cualidad de razonamiento.
584
KENNEDY
© Blackwell Publishers Ltd. 2002
 Página 17
Sin embargo, hay alguna esperanza en el horizonte. Como avances en
informática La tecnología reduce el costo de hacer y enseñar el trabajo
aplicado, a medida que más revistas Proporcionar acceso a los datos utilizados
en sus artículos publicados, y como más autores sienten obligación de incluir
CD ROM llenos de datos con sus libros de texto, enseñanza de la econometría
aplicada puede avanzar hacia la adopción de las 'reglas del pecado' como
temas importantes, Pero no será suficiente simplemente enumerar estas reglas,
como ha sido hecho aquí, o proporcionar ejemplos empíricos con datos del
mundo real. Los instructores tienen que diseñar tareas que obliguen a los
estudiantes a valerse por sí mismos en el mundo real contextos, con
instrucciones generales vagas, en lugar de paso a paso específico
instrucciones diciéndoles qué hacer. Estas tareas no son fáciles de diseñar:
deben centrarse en cuestiones específicas que deberían ser evidentes para los
estudiantes mientras investigan los datos, y deben tener respuestas modelo que
muestren los pasos que los estudiantes deberían haber tomado y los resultados
que deberían haber descubierto. Tal aprendizaje al hacer es cómo los
estudiantes adquirirán los "hábitos mentales" propugnados.
por Wild (1994), que refleja la visión de Magnus y Morgan (1999, p. 377) de
que "aprendemos siendo socializados, no instruidos".
Agradecimientos
Para comentarios sobre borradores anteriores de este documento, estoy en
deuda con Bill Becker, David Belsley, Chris Chatfield, David Colander,
David Hendry, Ed Leamer, Lonnie Magee, Jan Magnus, Michael McAleer,
Les Oxley, Ron Smith, Michael Veall, Jeff Wooldridge y Arnold
Zellner, algunos de los cuales se opusieron fuertemente a algunos de sus
contenidos.
Notas
1. Los econométricos que ven los primeros borradores de este documento se
han preguntado si está destinado a ser grave. No es un documento serio en el
sentido de que contribuya al debate académico sobre metodología
econométrica, un ámbito en el que no está permitido pecar. Es un papel serio
en el sentido de que ofrece comentarios y consejos relevantes para el mundo
real de la aplicación econometría, donde pecar es omnipresente.
2. Sorprendentemente, algunos creen que las estadísticas aplicadas no
deberían enseñarse porque es inalcanzable, mejor aprendido en el trabajo
después de la graduación, y tiene una oportunidad demasiado alta
costo; ver Anderson y Loynes (1987) para referencias y refutaciones.
3. Smith (1998) presenta algunas reglas similares, pero en el contexto de
aconsejar a los investigadores que pregunten a sí mismos preguntas como
'¿Por qué estoy haciendo esto?' y '¿Cuánto apostarías? ¿Las predicciones de
este modelo? Él cree (correspondencia personal) "que la mayoría
El pecado frecuente en la econometría aplicada es la aplicación mecánica de
reglas y procedimientos en entornos inapropiados 'y, por lo tanto, está en
contra de proponer reglas, por bien intencionadas que sean, por temor a que
los maestros los conviertan rápidamente en mandatos específicos, que los
estudiantes entonces se aplicarán de manera inapropiada '. Mi intención es que
estas reglas sean pautas genéricas para comportamiento, para ser aplicado en
contexto.
4. Esto no debe confundirse con el error tipo III de los psicólogos, introducido
en Kaiser (1960), preocupado por concluir el significado en la dirección
equivocada. Los politólogos tienen otra definición (no escrita) de error tipo
III: ¡confuso tipo I y tipo II errores! Un error de tipo IV está proporcionando
la respuesta incorrecta a la pregunta incorrecta.
5. Los gráficos se recomiendan como un complemento de las estadísticas
resumidas, no como un sustituto.
ECONOMETRÍA APLICADA
585
© Blackwell Publishers Ltd. 2002

Página 18
McAleer (1999) argumenta las ventajas del diagnóstico estadístico sobre los
gráficos, señalando, entre otras cosas, que los ojos pueden jugar trucos. Por
otro lado, Hartwig y Dearing (1979, p. 16) señalan que 'Debe recordarse que
los resúmenes numéricos son solo eso; resumen las características de las
distribuciones. Por lo tanto, el análisis debe comenzar con los datos, no con
resúmenes de los datos '.
6. Una anécdota puede dar alguna perspectiva a esto y a la razón por la cual
estas reglas necesitan énfasis. Los estudiantes en mi curso de posgrado de
econometría aplicada han tenido un tercer curso de teoría de suelos. Su
primera tarea es realizar algunas pruebas de Chow en una variante
de los datos infames de Anscombe (1973), para los cuales inspeccionar los
datos revela cómo pueden ser engañosas las estadísticas de pruebas
tradicionales. A pesar de mi extensa primera conferencia sobre
inspeccionando los datos, invariablemente estos estudiantes manipulan estos
datos electrónicamente, sin mirarlos!
7. En una nota personal, esta regla ha tenido el mayor impacto en mi propio
trabajo. Soy continuamente sorprendido de cómo después de varios días de
preocuparse por una gran cantidad de resultados, una sensación
de lo que está sucediendo con los datos se hace evidente, a menudo en forma
de revelación.
8. A pesar de la afirmación de Welch de que es muy difícil escribir reglas para
la codificación formal, Hendry (2000, cap. 20) cree que el software de
PCGET, automatizando el 'general a procedimiento de selección de modelo
específico, es muy exitoso.
Referencias
Abelson, RP (1995) Estadísticas como argumento basado en
principios . Hillsdale, Nueva Jersey: Lawrence Erlbaum.
Anderson, CW y Loynes, RM (1987) La enseñanza de la estadística
práctica . Nueva York:
Wiley
Anscombe, FJ (1973) Gráficos en análisis estadístico. Estadístico
estadounidense 27, 1, 17–21.
Backhouse, RE y Morgan, MS (2000) Introducción: la minería de datos es
metodológica
¿problema? Revista de Metodología Económica , 7, 171–81.
Bailar, BA (1988) Práctica estadística e investigación: las interacciones
esenciales. Diario de
Asociación Americana de Estadística , 83, 1-8.
Bailar, JC (1994) Una perspectiva más amplia. En JR Kettenring et al .,
(Eds), Modern
Educación Interdisciplinaria en Estadística Universitaria (págs. 18–20)
Washington, DC:
Academia Nacional de Prensa.
Belsley, DA (1991) Acondicionamiento de diagnósticos . Nueva York: Wiley.
——, Kuh, E. y Welch, RE (1980) Diagnósticos de regresión: identificación
de datos influyentes
y fuentes de colinealidad . Nueva York: John Wiley.
—— y Welch, RE (1988) Modelando el consumo de energía - usando y
abusando
Diagnóstico de regresión. Journal of Business and Economic Statistics , 6,
442–7.
Burdekin, RCK y Burkett, P. (1998) Historia económica y econometría:
Una nota de advertencia del frente de hiperinflación. Cartas de Economía
Aplicada , 5,
251–4.
Chatfield, C. (1985) El examen inicial de datos. Revista de la Royal Statistical
Society ,
A148, 214–31.
—— (1991) Evitar dificultades estadísticas. Ciencia estadística , 6, 240–68.
—— (1995) Solución de problemas: una guía estadística (2ª ed.). Londres:
Chapman y
Salón.
—— (1995a) Modelo de incertidumbre, minería de datos e inferencia
estadística. Diario de la real
Sociedad Estadística , A158, 419–44.
Cobb, GW (1987) Libros de texto introductorios: un marco para la
evaluación. Diario de la
Asociación Americana de Estadística , 82, 321-39.
Day, TE y Liebowitz, SJ (1998) Préstamos hipotecarios a minorías: ¿dónde
está el sesgo?
Consulta económica , 36, 3–28.
586
KENNEDY
© Blackwell Publishers Ltd. 2002

Página 19
Driscoll, M. (1977) Los diez mandamientos de inferencia
estadística. Matemática americana
Mensual , 84, 628.
Ehrenberg, ASC (1979) Reseña de libro. Estadística Aplicada , 28, 79–83.
Feldstein, MS (1982) Inflación, normas fiscales e inversión: algunas pruebas
econométricas.
Econometrica , 50, 825–62.
Friedman, M. (1992) ¿Alguna vez mueren las viejas falacias? Revista de
literatura económica , 30, 2129–
32)
Griliches, Z. (1985) Datos y econométricos: la alianza incómoda. Económico
americano
Review, Papers and Proceedings , 75, 196–200.
Hamermesh, DS (2000) El oficio de la métrica laboral. Revisión de Relaciones
Laborales e Industriales ,
53, 363–80.
Hand, DJ, Blunt, G., Kelly, MG y Adams, NM (2000) Minería de datos por
diversión y
lucro. Ciencia estadística , 15, 111–31.
Harlow, LL, Mulaik, SA y Steiger, JH (1997) ¿Qué pasaría si no hubiera
significado?
Pruebas? Mahwah, Nueva Jersey: Lawrence Erlbaum.
Hartwig, F. y Dearing, BE (1979) Análisis de datos exploratorios . Newbury
Park, CA: Sabio
Publicaciones
Hendry, DF (1980) Econometría: ¿alquimia o ciencia? Economica , 47, 387–
406.
—— (1988) Abarcando. Revisión económica del Instituto Nacional , 125, 88–
92.
—— (2000) Econometría: ¿alquimia o ciencia? (nueva edición). Oxford,
Reino Unido: Oxford
Prensa universitaria.
——, Leamer, EE y Poirier, DJ (1990) El diálogo ET: una conversación sobre
metodología econométrica. Teoría econométrica , 6, 171–261.
——, y Mizon, GE (1990) Econometría procrustean: o estirar y exprimir
datos.
En CWJ Granger (ed.), Modeling Economic Series: Readings in Econometric
Metodología (págs. 121–36). Oxford: Oxford University Press.
——, y Richard, JF (1983) El análisis econométrico de series de tiempo
económicas.
Revista estadística internacional , 51, 111–48.
Hoover, KD (1995) En defensa de la minería de datos: algunas reflexiones
preliminares. En KD
Hoover y SM Sheffrin (eds), el monetarismo y la metodología de la
economía:
Ensayos en honor de Thomas Mayer (págs. 242–57). Aldershot: Edward
Elgar.
—— y Pérez, SJ (1999) La minería de datos reconsiderada: abarcando y lo
general a
specific approach to specification search. Econometrics Journal 2, 167–91.
—— (2000) Three attitudes towards data mining. Journal of Economic
Methodology , 7,
195–210.
Hotelling, H., Bartky, W., Deming, WE, Friedman, M. and Hoel, P. (1948)
The teaching
of statistics. Annals of Mathematical Statistics , 19, 95–115.
Intriligator, MD, Bodkin, RG and Hsiao, C. (1996) Econometric Models,
Techniques,
and Applications (2nd edn). Upper Saddle River, NJ: Prentice Hall.
Joiner, B. (1982) Practicing statistics, or what they forgot to say in the
classroom. In JS
Rustagi and DA Wolfe (eds), Teaching of Statistics and Statistical Consulting
(pp. 327–42). New York: Academic Press.
Kaiser, HF (1960) Decisiones estadísticas direccionales. Revisión
psicológica , 67, 160–67.
Kennedy, PE (1998) A Guide to Econometrics (4th edn). Cambridge, MA:
MIT Press.
Keuzenkamp, HA y McAleer, M. (1995) Simplicidad, inferencia científica y
modelado econométrico. Economic Journal , 105, 1–21.
Keynes, JM (1940) Sobre el método de investigación estadística:
comentario. Economic Journal , 50,
154-6.
Kimball, AW (1957) Errores del tercer tipo en consultoría estadística, Journal
of the
Asociación Americana de Estadística , 52, 133–42.
Kramer, W. y Runde, R. (1997) Las existencias y el clima: un ejercicio de
minería de datos o todavía
Otra anomalía del mercado de capitales. Empirical Economics , 22, 637–41.
Leamer, EE (1978) Búsquedas de especificaciones: Inferencia ad hoc con
datos no experimentales.
Nueva York: John Wiley.
ECONOMETRÍA APLICADA
587
© Blackwell Publishers Ltd. 2002
 Página 20
—— (1988) Cosas que me molestan. Registro económico , 64, 331-5.
—— (1996) Preguntas, teoría y datos. En SG Medema y W. Samuels (eds),
Fundamentos de la investigación en economía: ¿Cómo hacen los economistas
la economía? (págs. 175–
90) Aldershot, Reino Unido: Edward Elgar.
—— (1997) Revisitando el estudio de Tobin sobre el gasto alimentario en
1950. Journal of Applied
Econometría , 12, 533–53.
Levine, R. y Renelt, D. (1992) Un análisis de sensibilidad de las regresiones
de crecimiento entre países.
American Economic Review , 82, 942–63.
Loftus, GR (1993) Una imagen vale más que mil valores p: sobre la
irrelevancia de
Prueba de hipótesis en la era del microordenador. Métodos de investigación
del comportamiento, instrumentos
y Computadoras , 25, 250–6.
Magnus, JR (1999) El éxito de la econometría. De Economist , 147, 55–71.
—— y Morgan, M. (1999) Lecciones del experimento de conocimiento
tácito. En J. Magnus
y M. Morgan (eds), Metodología y conocimiento tácito: dos experimentos en
Econometría (págs. 375–81). Chichester, Reino Unido: Wiley.
—— y Morgan, M. (1999a) Introducción: econometría aplicada y diseño de
dos
experimentos En J. Magnus y M. Morgan (eds), Metodología y conocimiento
tácito:
Dos experimentos en econometría (págs. 1–10). Chichester, Reino Unido:
Wiley.
Maier, M. (1999) The Data Game (3rd edn). Aramonk, Nueva York: ME
Sharpe.
Makridakis, S. y Hibon, M. (2000) La competencia M3: resultados,
conclusiones y
trascendencia. Revista Internacional de Pronósticos , 16, 451–76.
Mayer, T. (1993) Verdad versus precisión en economía. Aldershot, Reino
Unido: Edward Elgar.
McAleer, M. (1997) Comentarios. Revista de Econometría Aplicada , 12,
553–7.
McCabe, GP (1982) Consultoría estadística: reacción y comentarios. En JS
Rustagi y
DA Wolfe (eds), Enseñanza de estadística y consultoría estadística (pp. 371–
4). Nuevo
York: Academic Press.
McCloskey, DN (1998) La retórica de la economía. Madison, WI:
Universidad de
Prensa de Wisconsin.
McCloskey, DN y Ziliak, ST (1996) El error estándar de regresión. Diario de
Literatura económica 34, 97-114.
Moore, DA (1990) Incertidumbre. En LA Steen (ed.), Sobre los hombros de
gigantes: un nuevo
Enfoque de la alfabetización cuantitativa (págs. 95-137). Washington, DC:
Academia Nacional
de ciencias.
Mukherjee, C., White, H. y Wuyts, M. (1998) Econometría y análisis de datos
para
Países en desarrollo. Londres: Routledge.
Nester, MR (1996) Credo de un estadístico aplicado. Estadística Aplicada ,
45, 401-10.
Pagan, AR (1987) Tres metodologías econométricas: una evaluación
crítica. Diario de
Encuestas económicas , 1, 3–24.
—— (1999) Los experimentos de Tilburg: impresiones de un abandono 'En J.
Magnus y M.
Morgan (eds), Metodología y conocimiento tácito: dos experimentos en
econometría
(págs. 369-74). Chichester, Reino Unido: Wiley.
Peña, D. (2001) George Box: una entrevista. Revista Internacional de
Pronósticos , 17, 1–9.
Pfannkuch, M. y Wild, CJ (2000) Pensamiento estadístico y práctica
estadística: temas
extraído de estadísticos profesionales. Ciencia estadística , 15, 132-52.
Preece, DA (1987) Buena práctica estadística. El estadístico , 36, 397–408.
Rao, CR (1997) Estadísticas y verdad: poner la oportunidad a trabajar (2ª
ed.). Singapur:
Científico mundial.
Reuter, P. (1982) La economía irregular y la calidad de las estadísticas
macroeconómicas. En V.
Tanzi (ed.), La economía subterránea en los Estados Unidos y en el
extranjero (pp. 125–43).
Vito Lexington: Lexington Books.
Rosnow, R. y Rosenthal, R. (1989) Procedimientos estadísticos y la
justificación de
conocimiento en ciencia psicológica. Psicólogo estadounidense , 44, 1276-
1284.
Smith, RP (1998) Métodos cuantitativos en la investigación de la paz. Journal
of Peace Research , 35,
419–27.
588
KENNEDY
© Blackwell Publishers Ltd. 2002
 Página 21
Thaler, RH (2000) De homo economicus a homo sapiens. Journal of
Economic
Perspectivas , 14, 133–41.
Thomas, DH (1976) Antropología de figuras: primeros principios de
probabilidad y estadística .
Nueva York: Holt, Rinehart y Winston.
Trosset, MW (1998) Comentario. Ciencia estadística , 13, 23-4.
Tukey, JW (1962) El futuro del análisis de datos. Anales de Estadística
Matemática , 33, 1–
67)
—— (1969) Análisis de datos: ¿santificación o trabajo de
detective? Psicóloga estadounidense , 24,
83-91.
—— (1977) Análisis de datos exploratorios. Lectura, MA: Addison Wesley.
Tweedie, R. y col . (1998) Consultoría: problemas reales, interacciones reales,
resultados reales.
Ciencia estadística , 13, 1–29.
Valavanis, S. (1959) Econometría . Nueva York: McGraw-Hill.
Verbeek, M. (2000) Una guía para la econometría moderna . Nueva York:
Wiley.
Wainer, H. (1997) Visual Revelations . Nueva York: Copérnico.
Weick, KE (1992) Jolts como sinopsis de estudios organizacionales. En PJ
Frost y RE
Stablein (eds), Doing Exemplary Research (págs. 99-104). Newbury Park,
CA: Sabio
Publicaciones
Welch, RE (1986) Comentario. Ciencia estadística , 1, 403–5.
Wickens, M. (1997) Comentarios. Revista de Econometría Aplicada , 12,
523–7.
Wilcox, DW (1992) La construcción de datos de consumo de Estados Unidos:
algunos hechos y sus
implicaciones para el trabajo empírico. American Economic Review , 82, 922–
41.
Wild, CJ (1994) Abrazando la 'visión más amplia' de las
estadísticas. Estadístico estadounidense , 48, 163–
71)
Wilkinson, L. y el Grupo de trabajo sobre inferencia estadística. (1999)
Métodos estadísticos en
revistas de psicología. Psicólogo estadounidense , 54, 594–604.
Wooldridge, JM (2000) Introducción a la Econometría . Cincinnati: Suroeste.
Worswick, GDN (1972) ¿Es posible el progreso en la ciencia? Economic
Journal , 82, 73–86.
Zellner, A. (1992) Estadísticas, ciencia y políticas públicas. Revista de la
estadística americana
Asociación , 87, 1–6.
—— (2001) Mantenlo sofisticadamente simple. En H. Keuzenkamp, M.
McAleer y A.
Zellner (eds), Navaja de Occam, simplicidad e inferencia
científica . Cambridge, Reino Unido:
Prensa de la Universidad de Cambridge.
ECONOMETRÍA APLICADA
589
© Blackwell Publishers Ltd. 2002