¿Mintió Donald Trump cuando, en el ya famoso momento del debate electoral, afirmó que los inmigrantes se comían las mascotas de los ciudadanos de Springfield, Ohio? Una hipótesis plausible es que no. Ante la incredulidad de los moderadores Trump respondió ‘he visto a gente diciéndolo en TV’, presentándolo como evidencia de su afirmación. Es posible pues que Trump no mintiera deliberadamente; sin embargo, habría cometido el primer error de la de la escalera de la mala inferencia que Alex Edmans describe en su reciente libro May Contain Lies. How stories, statistics and studies exploit our biases — and what we can do about it: Confundir una afirmación con un hecho real. Este error, claro está, estaría inducido por el sesgo de confirmación que nos lleva a creer en aquella información que nos gustaría que fuera cierta, que reafirma nuestros puntos de vista y prejuicios.
Sirva esta introducción para decir que el libro de Edmans es altamente recomendable. De hecho, debería ser lectura obligada para todo el mundo, incluyendo, como no, a quienes ostentan poder: políticos, empresarios, sindicalistas, influencers, deportistas, etc. Como sugiere esta reseña, también debería incluirse en un curso obligatorio para estudiantes de bachillerato y, ¿por qué no?, pensé yo, también para universitarios. Aquí va mi contribución al respecto. Sin ubicarse explícitamente en la literatura del pensamiento crítico, el libro trata precisamente de eso: de cómo pensar mejor y de forma más inteligente ante un mundo crecientemente complejo y sobrecargado de información.
El libro está estructurado en tres partes: En la primera, el autor nos explica los principales sesgos cognitivos que afectan nuestra capacidad para pensar bien: el sesgo de confirmación y el pensamiento en blanco y negro. El primero nos induce a (mal)interpretar y buscar información que confirme nuestras creencias y prejuicios. El segundo nos hace ver el mundo de una forma binaria, de extremos, sin matices ni grises.
La segunda parte expone “la escalera de la mala inferencia”: no confundir afirmaciones con hechos; no interpretar casos puntuales como representativos de la realidad; y, cuando se cuenta con una muestra de datos representativa, tener cuidado con las conclusiones, evitando la “tortura de los datos” y la típica atribución de causalidad a simples correlaciones (un tema tratado varias veces en este blog). Finalmente, Edmans señala el error potencial de generalizar evidencia válida en un contexto pero no necesariamente en otro.
Muchos libros etiquetados como de ‘pensamiento crítico’ dedican mucho menos espacio a discutir y explicar qué constituye un buen análisis empírico y estadístico de los datos, y se enfocan más en el análisis formal de lo que es un buen argumento. La aproximación de Edmans, aunque ecléctica, me parece totalmente acertada. Pensar críticamente implica intentar entender como es realmente el mundo, la realidad, la verdad. Y para ello, hoy en día, es sin duda indispensable saber interpretar correctamente los muchos datos disponibles.
Finalmente, la tercera parte propone acciones para pensar mejor y de manera crítica, tanto a nivel individual como organizacional y social. En las organizaciones, por ejemplo, se destaca el papel de la diversidad. Edmans nos explica cómo, aunque deseable per se, la diversidad demográfica (de género, y étnica), debe complementarse con otras dimensiones tanto o más relevantes para lograr una diversidad cognitiva (como la formación y experiencia). También aborda políticas de inclusión que faciliten e incentiven que todas las personas aporten, para que esa diversidad se traduzca efectivamente en una mejor inteligencia colectiva.
El libro es de lectura fácil y amena, aunque es recomendable leerlo un par de veces para profundizar adecuadamente en sus enseñanzas. Está lleno de evidencia científica que justifica sus planteamientos, así como de ejemplos y anécdotas que ilustran sus conceptos. Dado que Edmans es profesor de Finanzas, muchos (aunque no todos) de los ejemplos provienen del ámbito de la economía y del mundo de la empresa, especialmente relacionados con la sostenibilidad empresarial. Aun así, tanto los ejemplos como las explicaciones, independientemente de la temática, son de interés para todo el mundo.
Los ejemplos con más fuerza son aquellos que Edmans comparte de su propia vida personal y profesional. Uno de mis favoritos es cuando nos relata su emoción al ser contactado por una famosa inversora que le pidió un análisis empírico para justificar la posible creación de un fondo de inversión basado en la idea de que las empresas con una mayor presencia de mujeres en sus consejos de administración tendrán también un mejor desempeño económico-financiero (una cuestión que, por cierto, este blog ha tratado aquí y aquí).
Ilusionado, Edmans se sumergió en la tarea; desafortunadamente, los resultados no fueron los esperados, sino más bien lo contrario: de las 24 medidas distintas de diversidad de género en los consejos de administración que consideró, 22 estaban negativamente correlacionadas con el desempeño financiero de las empresas. Solo dos presentaron una correlación positiva, una de ellas sin ser estadísticamente significativa y la otra con un efecto pequeño. Transmitir estos resultados significó, claramente, el fin (o más bien, el no inicio) de una colaboración interesante (¿y lucrativa?) con la famosa inversora. Pero así es la integridad científica: los resultados son los que son.
Cuál fue su sorpresa, sin embargo, cuando medio año después la misma inversora lanzó el susodicho fondo, basándose en una supuesta evidencia empírica sobre el efecto de la presencia de mujeres en los consejos de administración. Una empresa de consultoría utilizó métricas particulares: comparó la presencia de 3 o más mujeres en el consejo con la de ninguna y empleó el margen de beneficio en lugar de las medidas más estándar de rentabilidad para los accionistas. Esto es un ejemplo de minería (o tortura) de datos; a base de estimar regresiones usando diversas métricas de las variables de interés, se obtienen correlaciones por simple azar. También es, por supuesto, un ejemplo de falta de integridad en la investigación.
¿Qué líneas de defensa tenemos ante esta y otras ‘mentiras’? Por un lado, la alfabetización estadística para interpretar correctamente los datos. Por otro, tácticas para distinguir entre buena información y estudios que nos mienten. En la crítica mencionada al libro se cuestiona el uso del término “mentira”, dado que este suele referirse a falsedades deliberadas. A mí, sin embargo, el término me parece adecuado. ¿Acaso el ejemplo de minería de datos explicado más arriba no es una mentira? Formalmente y strictu sensu, lo que se nos cuenta no es falso, pero se nos ocultan las decenas de regresiones en las que los resultados no eran los que deseaban los autores. Como decía Mark Twain, hay mentiras, malditas mentiras y estadísticas. Y el mundo en el que vivimos, saturado de información y datos, está efectivamente lleno de mentiras al acecho. La lectura del libro de Alex Edmans es, sin duda, una buena forma de aprender cómo defenderse ante ellas.
Hay 2 comentarios
Excelente entrada, aunque el libro no tiene versión en castellano. En cuanto a la noción de mentira, me gustaría resaltar estas palabras sobre lo que no se ve en las estadísticas:
Fuente: ChatGPT4o
"Los antiguos griegos usaban el término hypokritēs (ὑποκριτής) para referirse a los actores de teatro, que desempeñaban diferentes papeles en las obras dramáticas. La palabra proviene del verbo hypokrinomai, que significa "responder" o "dar respuesta", en relación al diálogo que los actores sostenían en escena. Para ellos, el hypokritēs no tenía una connotación negativa en el contexto teatral; era simplemente alguien que representaba un personaje o adoptaba una postura distinta a la propia para los fines de la interpretación dramática.
Con el tiempo, la palabra adquirió una connotación moral, pasando a significar "fingimiento" o "hipocresía" en el sentido de actuar de una forma que no corresponde con las verdaderas intenciones o creencias de una persona. Esto ocurrió al usarse el término para señalar a quienes mostraban una fachada que ocultaba sus intenciones o naturaleza real, convirtiéndose así en el origen del concepto de hipocresía tal como lo entendemos hoy en día."
En relación con la entrada, en cuanto a sortear sesgos no detectables en los mecanismos habituales de medición y recolección de datos, yo estoy desarrollando un sistema de simulación de la conducta del humano en base a determinadas reglas que conforman modelos concretos que definen escenarios sociales y económicos particulares.
Pero este trabajo, o herramienta didáctica resultaría mucho más valiosa si contara con el adecuado feedback y las críticas oportunas de economistas y científicos sociales interesados en aplicar esta metodología.
Por ello, si alguien me pudiera dar alguna referencia sobre el tema en cuestión, le estaría sumamente agradecido, todo lo que sea por enriquecer mi limitado punto de vista.
Aquí dejo el enlace a la beta abierta (en desarrollo) del simulador HRDS --- AQUÍ ---- O también: https://hrds.beldic.com
Un cordial saludo.
Los comentarios están cerrados.