Un económetra, Isaiah Andrews, ha sido este año el ganador de la medalla Clark, el premio que concede la Asociación Americana de Economía al mejor economista americano menor de 40 años.
La carrerra de Andrews ha sido fulgurante. Tras doctorarse por MIT en 2014, en 2018 obtuvo la cátedra en Harvard, con solo 32 años. Ese mismo año fue nombrado por el Economist como uno de los 8 mejores jóvenes economistas de la década, y en 2020 recibió una MacArthur Fellowship, también conocida como la beca de los genios y dotada con 600,000 dólares de libre disposición. Ha sido recientemente nombrado coeditor de la American Economic Review, una de las revistas más importantes de la profesión, y la concesión de la medalla Clark con solamente 34 años certifica su estatus de superestrella.
El galardón valora especialmente la labor que ha desempeñado Andrews al acercar de nuevo la econometría al estudio de los problemas que resultan más relevantes para el trabajo empírico. Andrews ha estudiado sobre todo cuestiones de inferencia, es decir, intenta cuantificar el grado de incertidumbre que tienen las estimaciones, proponiendo métodos que sean fiables en condiciones más generales y que sean útiles para los investigadores aplicados. El comité destaca tres áreas de su trabajo.
En primer lugar, una de sus líneas de trabajo aborda el tema de los sesgos de publicación. El origen del problema es que hay algunos resultados que tienen mucha mayor probabilidad de ser publicados por los journals académicos, especialmente cuanto son significativamente distintos de cero. Esto hace que sea muy difícil interpretar los resultados que son finalmente publicados. Por ejemplo, imaginemos que hay 100 equipos de economistas en todo el mundo estudiando si los programas de formación de los desempleados son efectivos, y que únicamente 5 de estos estudios encuentra un efecto positivo. Si solamente se publican los 5 estudios que han encontrado un efecto positivo, la visión que tendremos sobre la efectividad de estos programas será muy sesgada. En un artículo titulado “Identification of and Correction for Publication Bias”, Andrews y su co-autor Max Kasy señalan el caso del impacto del salario mínimo sobre el empleo, donde los estudios que encuentran un efecto negativo significativo tienen tres veces más posibilidades de publicarse. Para poder estimar cual es el efecto real, Andrews y Kasy propone métodos que utilizan la información proporcionada por replicaciones realizadas siguiendo el mismo diseño o por meta estudios que incluyen tanto trabajos publicados como trabajos sin publicar. Este método permite `descontar’ cómo de inflados están los resultados publicados. En el caso del salario mínimo, este ajuste reduce el efecto negativo observado en los estudios publicados a la mitad.
En otro trabajo más reciente, `Inference on Winners’ (con Toru Kitigawa y Adam McCloskey), estudia otro problema común de inferencia al que se enfrentan los investigadores aplicados y los policy makers. En muchas ocasiones, para saber que tratamiento es el más efectivo, estimamos la efectividad de distintos programas y seleccionamos el programa con una performance más alta. Es probable que el “ganador” sea un buen programa, pero no debemos olvidar que también es probable que parte de su éxito se deba al azar y, que la próxima vez que se aplique, su efectividad no será tan alta como cuando quedó primero de la `competición’. Haciendo un símil futbolístico, el equipo que mejor ha quedado en la liga esta año, el Atleti con 86 puntos, estadísticamente es poco probable que el año que viene logre conseguir tantos puntos como ha conseguido este año. Andrews y sus co-autores proponen un método que permite corregir este sesgo del ganador, de forma que seamos capaces de ajustar correctamente a la baja nuestras expectativas.
En una segunda línea de investigación de Andrews estudia como medir la sensibilidad de las estimaciones a los supuestos realizados sobre el modelo. Un ejemplo trivial sería el sesgo que cometemos si intentamos estimar el efecto de la educación sobre los ingresos utilizando datos observacionales. Esta estimación exageraría el beneficio de los estudios, porque los individuos que estudian más años también es probable que tengan una mayor habilidad que es recompensada en el mercado laboral. Para poder corregir este sesgo de variable omitida sería posible hacer distintos supuestos sobre como de fuerte es la relación entre estudios y habilidad, y entre habilidad e ingresos. El trabajo de Andrews con sus co-autores Gentzkow y Shapiro generaliza este tipo de corrección a una amplia gama de modelos y numerosos investigadores han adoptado este tipo de análisis de sensibilidad. Esto permite que los economistas puedan evaluar mejor la calidad de sus modelos y la validez de sus resultados, y también que puedan calcular cómo cambiarían sus resultados si adoptan supuestos distintos.
Por último, su tercera línea de trabajo aborda los llamados problemas de identificación débil (weak identification), es decir, situaciones en las que los datos contienen relativamente poca información sobre la relación de interés. En varios trabajos con su directora de tesis, Anna Mikusheva, se proponen métodos que pueden aplicarse para una amplia gama de modelos incluso cuando existe un problema de identificación débil. Esta linea de trabajo ha tenido mucha influencia tanto en el estudio de los modelos GMM como en modelos estructurales.
Andrews combina dos cualidades que es difícil encontrar juntas. Es un gran económetra, de una calidad técnica muy avanzada, que dedica su talento a estudiar con rigor problemas que afectan directamente a los economistas empíricos. Es un premio muy merecido a un autor cuyo trabajo nos ha ayudado a ser más conscientes de las limitaciones de nuestras estimaciones y nos ha proporcionado métodos para hacer un trabajo mucho más fiable.