Prof. D. David F. Hendry

Discurso de investidura como Doctor Honoris Causa del Prof. D. David F. Hendry

28 de enero de 2009, Aula Magna (Campus de Getafe) 

Es un gran placer y un verdadero honor recibir el doctorado honoris causa de la Universidad Carlos III. Y es aun mayor dada mi larga relación con esta universidad desde que se firmó en 1989, donde algunos de mis antiguos alumnos y compañeros se dedican ahora a la investigación y a la enseñanza, y en la que a menudo he disfrutado de estimulantes visitas. Me encuentro especialmente honrado por el distinguido precedente de que mi propio director de tesis, y más tarde íntimo compañero, Denis Sargan recibiera el mismo honor en 1993. Así mismo estoy muy agradecido al Profesor Espasa por su amable y generosa distinción. 

Mi primer interés por la econometría comenzó al quedarme perplejo ante como podía aprender el funcionamiento de las economías mediante su observación: recuérdese que los datos económicos son principalmente no experimentales, por lo que sus implicaciones no resultan obvias. En la Universidad de Aberdeen, donde estudié mi licenciatura en Economía Política, mi pupitre de su bonita biblioteca estaba situado por casualidad al lado de unos libros sobre macroeconomía empírica, escritos por especialistas en econometría como Jan Tinbergen, Laurence Klein y Jacob Marschak, de los que los dos primeros ganaron sendos Premios Nobel después. Construir modelos empíricos de las economías parecía ser la meta mas científica que podía explorar, y en consecuencia, es a lo que me dedique en la London School of Economics durante mi doctorado y posteriormente. 

Rápidamente descubrí que tarea se antojaba titánica. Mis primeros intentos de realizar previsiones me llevaron a cometer numerosos errores pese a utilizar lo que entonces era lo más actual: La teoría económica para el gasto de los consumidores; La tecnología econométrica para la creación de los modelos empíricos; y datos provenientes de la Oficina Nacional de Estadística del Reino Unido. 

¿Por que aquellas previsiones estaban tan equivocadas? Un cambio muy importante en los impuestos sobre las ventas—anunciado e introducido después de haber realizado mis previsiones—alteró el comportamiento de los consumidores. Este mismo motivo sirve para explicar por qué las previsiones sobre el PNB realizadas antes de que Lehman Brothers fuera a la quiebra han demostrado estar muy alejadas de la realidad después. Aún así, las mías no fueron las previsiones más desacertadas. Citando a Douglas Adams en The Salmon of Doubt, 2002: 

"Por extraño que parezca, la industria que es el motor primario de este increíble ritmo de cambio—la industria informática—resulta bastante incapaz a la hora de predecir el futuro por sí misma. Hay dos cosas en particular que no vio venir: una fue la llegada de Internet, ...; la otra fue el final del siglo." 

Mi error de previsión me planteó dos cuestiones. En primer lugar, la construcción posterior de un modelo teórico a partir de datos que incluyan el periodo de cambio ha de producir resultados incorrectos a menos que el cambio este adecuadamente justificado. En segundo lugar, existían muchos otros modelos empíricos sobre el gasto de los consumidores en el Reino Unido, y no solo todos fracasaron al prever aquel periodo, sino que además sus resultados contradictorios tiraban por tierra los demás. En conjunto, revelaron un problema básico en la metodología de la disciplina. Concluí que existían dificultades manifiestas con el planteamiento "convencional", en especial con el rompecabezas de la plétora de modelos contrapuestos y fallos de previsión, dos elementos que entraban en conflicto con la validez de la teoría económica subyacente y los métodos econométricos. 

A la hora de emprender una investigación básica sin aplicación práctica inmediata, no se puede realmente saber de lo que se había, ya que de lo contrario no sería realmente nueva, sino una mera vuelta de tuerca sobre lo ya conocido. Sin embargo, cuando un problema de investigación se resuelve finalmente, la respuesta a menudo parece obvia cuando se vuelve la mirada atrás, por mas difícil de entender que fuera en ese momento. Es igual que caminar en medio de la niebla, y una luz brille de vez en cuando e ilumine todo a tu alrededor. En palabras de Isaac Newton: "no sé lo que puedo parecerle al mundo, pero a mis ojos sólo he sido como un niño que juega a la orilla del mar y que se divierte encontrando aquí y allá una piedrecita más suave o una concha más bonita de lo normal, mientras el gran océano de la verdad yace sin ser descubierto delante de mí." 
(Cita de Sir David Brewster, (1855) Memoirs of the Life, Writings, and Discoveries of Sir Isaac Newton. Thomas Constable & Co: Edinburgh & London.) 

Esta dificultad se debe al paso del conocimiento actual concrete a un saber más general, y es un problema genérico para los avances científicos, y en particular para la construcción de modelos econométricos, tal y como explicaré a continuación. La evolución de la teoría y practica de la construcción de modelos econométricos y la elaboración de previsiones se convirtió en aquel momento en una larga odisea personal, que ocupó la mayor parte de mi tiempo desde 1967. El enfoque de lo general a lo simple (Gets) se desarrolló muy lentamente, puesto que en muchas ocasiones había que descubrir los problemas primero, solucionarlos después, y elaborar una metodología viable dependía de la resolución de todos ellos. En la actualidad hemos alcanzado una buena comprensión de ambos, la modelización econométrica basada en el método Gets y la creación de previsiones, y me gustaría emplear unos minutos para explicarlos. Han dependido en gran medida del apoyo de muchos otros investigadores, no solo de "los hombros de gigantes" de Newton que nos precedió, sino también de muchos compañeros coetáneos. Estoy encantado de que los doctores Jennifer Castle y Jurgen Doomik se encuentren aquí hoy, ya que han desempeñado un papel clave en la ultima década, por lo cual les estoy muy agradecido. 

Para resumirlo he formulado tres Mantras para recitar:

Primero, como los cambios afectan de forma intermitente todas las variables económicas: 

1. El cambio es la norma.

En las copias repartidas se ilustra esta afirmación utilizando determinados datos históricos del Reino Unido, pero también queda claro a lo largo de los últimos 2 años, que han sido testigos de grandes cambios en los precios de acciones y mercancías, tipos de cambio, tipos de interés y volúmenes de préstamo, etc. Las fluctuaciones de los precios de las mercancías en el 2008 han sido extremas, como ilustra la figura 1; y el préstamo hipotecario se ha desplomado como muestra la figura 2.
A continuación, las relaciones entre las variables están directa e indirectamente alteradas por los cambios—puesto que la mayoría de las variables económicas están bastante relacionadas entre sí—en la modelización empírica: 

2. Nada es correcto hasta que algo lo es. 

En consecuencia, el avance en la creación de modelos empíricos automáticos es esencial para tratar de manera conjunta todas las complejidades de la realidad. El predominio de inconstancias hace difíciles la modelización y la predicción, pero no todos los cambios nacen de la misma forma. 

3. Los cambios de localización son perniciosos para la predicción. 

Los cambios estructurales son de muchas clases, pero los cambios de localización son cruciales, esto es, los cambios en las medias de los niveles o tasas de crecimiento. La tercera figura ilustra este cambio, y lo contrasta con la denominada "distribución de colas pesadas" donde sucesos extremos (denominados "cisnes negros") son mucho más comunes que para una distribución normal, pero ni con mucho frecuentes para explicar lo que observamos. Cuando la media de una distribución cambia, lo que una vez fueron sucesos improbables se vuelven comunes. 

La cuarta figura ilustra la inmensa magnitud de cambios a lo largo del tiempo. Las cuatro líneas muestran cambios en el nivel de precios del Reino Unido. Desde 1860, que se indican AP. Observasen las unidades en el eje vertical a medida que nos desplazamos por los cuatro paneles desde el siglo XIX, la Primera Guerra Mundial, el periodo de entreguerras, hasta después de la Segunda Guerra Mundial: lo que en principio parecía una variación razonable se ve eclipsada por posteriores observaciones. ¿A alguien Ie hubiera gustado hacer una predicción en algún momento? 

Los cambios en la mayoría de series temporales macroeconómicas son igualmente drásticos: y los datos de muchos otros países son mucho peores tras producirse hiperinflaciones o invasiones. La figura cinco registra las números de quiebras y patentes, producción industrial per cápita, y precios de acciones reales en el Reino Unido desde aproximadamente 1700. Todas las cuatro series son muy inconstantes ya que tanto las medias como las varianzas cambian en gran medida. Sin embargo, muchos modelos teóricos económicos están en diferencias de niveles. Las medias y varianzas de los cambios en los logaritmos de estas variables también varían a través de las épocas, si bien no varían en el tiempo, experimentando cambios de varianza y localización. 

De hecho, la mayoría de tasas de crecimiento no son constantes, como muestra la figura seis para las tasas medias de crecimiento del Reino Unido a lo largo de 20 años, en algunos casos incluso con tendencia. Tampoco es el desempleo—en la actualidad una cuestión preocupante en el Reino Unido, EE UU y España—donde los cuatro paneles de la figura siete para el periodo anterior a la Primera Guerra Mundial, periodo de entreguerras, periodo posterior a la Segunda Guerra Mundial, y en general, revelan que tanto medias y varianzas han cambiado en gran medida a lo largo del tiempo. 

En la teoría económica, se utilizan supuestos ceteris paribus para mantener constantes "las fuerzas exógenas": pero esto no es aceptable desde el punto de vista empírico bajo inconstancia. Nancy Cartwright afirma: "Si nada interfiere...se observa una regularidad". En procesos inconstantes, siempre hay algo que interfiere. 

Recapitulando, el análisis indica modelos teóricos económicos que se superponen en sistemas generales que tienen en cuenta todas las variables, sus tiempos de reacción y formas funcionales, cambios potenciales, etc. que podrían ser importantes. En consecuencia, se podría comenzar la predicción con modelos que tienen muchas variables en lugar de pocas. Resulta natural usar el enfoque Gets para lograrlo: un fallo al capturar cambios de localización que directamente alteren los parámetros de un modelo, o se encuentren inducidos por efectos desconocidos, pueden arruinar los resultados. 

Así, la selección de modelos se vuelve esencial para reducir la especificación original a un tamaño manejable, sin perder demasiada merza explicativa. Esto requiere una búsqueda. ¿Cómo se encuentra la fuente del Nilo (digamos)? Todos los caminos pueden explorarse; norte, sur, este y oeste, hasta conseguir buenos resultados, como se hacía históricamente. El planteamiento Gets es aplicable a la selección de modelos: busca todas las rutas de reducción en un modelo general hasta que todo lo que sea insignificante desaparezca, y la simplificación no pueda prolongarse más. Los costes de estas búsquedas son sorprendentemente bajos. 

En 1997, el programa informático de ajedrez Deep Blue venció al vigente campeón del mundo, Gary Kasparov. El motivo crucial para el éxito de Deep Blue fue la búsqueda de muchas rutas (pasos adelante aquí) para determinar su próximo movimiento. El planteamiento Gets busca imitar este logro, y superar a los especialistas en econometría, pero en una fracción de segundo. La selección de modelos automática basada en Gets ha sufrido muchos y grandes avances—ahora tiene la sensatez como para dejar que el ordenador aguante la presión, por una parte porque ahorra trabajo, y por otra porque es vital si existen muchas variables posibles que explorar. Esto representa otro cambio en econometría de la actividad que requiere mucha mano de obra a la que requiere grandes inversiones, una tendencia a largo plazo. 

La selección de modelos automática es un nuevo "instrumento" que ya ha demostrado unos resultados sorprendentes. Permite la selección de modelos en entornos antes considerados insolubles, y puede manejar modelos complejos, extendiendo en gran medida las posibilidades de la modelización econométrica. La selección de modelos final proporciona una estimación prácticamente imparcial de buena correlación; las variables irrelevantes e innecesarias se retienen de forma adventicia a una pequeña tasa objetivo (digamos 1 de 100); no obstante, las variables relevantes se conservan casi tan frecuentemente como si el modelo correcto ya se supiera y tan solo fuera necesario  comprobarse, con estimaciones de parámetros que son casi imparciales a pesar de la selección; y todo esto, mientras se detectan y eliminan múltiples cambios de localización cuando se presentan. El algoritmo funciona también en la práctica, que a menudo cito a Arthur C. Clarke Arthur C. Clarke, Perfiles del futuro, 1961: 'Toda tecnología suficientemente avanzada no se distingue de la magia.' He progresado desde la alquimia. 

Sin embargo, la selección de modelos, independientemente de lo estupenda que sea, no solventa problemas de predicción causados por los futuros cambios de localización. Es importante dejar claras las implicaciones que estos cambios comportan en la evaluación de las predicciones. Imaginense una predicción que mantuviese que una nave espacial llegara a la luna el 4 de julio de 2009, pero golpeada por un meteorito y naturalmente destruida: ¡un infinito numero de resultados erróneos en la predicción! Está claro que se producen fallos en las previsiones, pero no tienen implicaciones para las leyes de Newton, que no hay duda de que no se desestiman pese a ser la base de predicciones totalmente erróneas. Ni siquiera se desechan en los algoritmos de la NASA, que rápidamente adapto sus predicciones, como ocurrió con el Apollo 13. 
La misma lógica se aplica a la predicción económica: el fallo de una predicción no supone una teoría incorrecta, ni siquiera un mal modelo, sino que sencillamente revela datos que son distintos de los anteriores. Sin embargo, si los modelos econométricos van a servir para evitar la predicción errónea de forma sistemática, entonces, al igual que la NASA, han de ser capaces de adaptarse y quizás tratar de "predecir" los cambios que aguardan. 

Espero que esta rápida perspectiva general haya sido clara y de interés. Permítanme agradecer de nuevo al Rector y a la Facultad de la Universidad Carlos III la concesión de mi doctorado honoris causa y a Toni por su halagadora distinción.