Conecta con Minuto5

Nada es Gratis

La difícil lectura de los datos oficiales de la epidemia

Publicada

el

José E. Boscá, José Cano, Rafael Doménech y Javier Ferri

Esta nota es un resumen adaptado, con alguna información extra, de la sección relacionada con la evolución de la epidemia del Boletín de Seguimiento no.9 de Fedea.

En los últimos meses hemos escrito en este blog algunas notas que se centran o utilizan series de datos oficiales de la epidemia. El lector interesado puede encontrar algunos precedentes aquí, aquí, aquí o aquí. En este post actualizamos la información sobre las series más relevantes de datos epidemiológicos, y comentamos algunos aspectos que, como economistas acostumbrados a tratar con datos económicos, nos sorprenden y preocupan. La información que ofrecemos está basada en datos oficiales, incluidos en los informes sobre la enfermedad del coronavirus que el Ministerio de Sanidad (www.mscbs.gob.es) y el Instituto de Salud Carlos III (ISCIII) (cnecovid.isciii.es) – avalado también por el Ministerio de Sanidad – publican periódicamente. El intervalo temporal abarca desde el inicio de la pandemia hasta el 4 de febrero de 2021.

1. El extraño caso de las CC.AA y sus provincias

En el Gráfico 1 se recogen las diferencias en el número de contagiados totales en España, según agregación por CC.AA o por provincias, a partir de dos ficheros que colgó el ISCIII en su web el día 5 de febrero desagregados por Comunidades Autónomas y por provincias. Los datos se suman para el conjunto de España en ambos casos. Así, los dos ficheros coinciden en que el 4 de febrero se habían contagiado 2.913.479 personas en España. Sin embargo, la distribución en el tiempo de los totales por CC.AA y por provincias es sorprendentemente bastante distinta, con diferencias que en algunos subperiodos superan los 25.000 infectados, algo de difícil justificación.

Gráfico 1: Diferencias en número de contagiados entre el total de CC.AA y Provincias (número de contagiados)

 Fuente: ISCIII y elaboración propia.

2. La aparición misteriosa de contagiados en el pasado

Otro hecho misterioso consiste en la aparición de nuevos contagiados en los meses pasados conforme transcurre el tiempo. Y no son de una magnitud menor. Por ejemplo, hemos tomado la información de contagiados por CC.AA que publicó el ISCIII con fecha 13 de octubre de 2020, donde se contabilizaban los contagiados en todos los días anteriores al 10 de Octubre desde el inicio de la pandemia. Luego hemos comparado esta información con la que ofrecía el ISCIII a fecha 5 de febrero de 2021 para el mismo periodo anterior. La diferencia se representa en el Gráfico 2. Entre el 1 de enero de 2020 y el 30 de junio ‘aparecieron’ 31.000 nuevos casos, que no estaban computados a mitad de octubre. Entre el 1 de Julio y el 8 de octubre, emergieron 54.000 nuevos casos. Como una curiosidad, según la última información publicada el 5 de febrero de 2021 por el ISCIII, en enero de 2020 se reportaron 635 contagios, y hasta el 8 de marzo de 2020 se habían producido ya más de 12.500 contagios. Como contraste, y con la información disponible hasta el 9 de marzo de 2020, se habían reportado hasta el 8 de marzo de 2020 sólo 999 casos.

En principio, la actualización y mejora de los datos más recientes no debe ser causa de sorpresa sino consecuencia de la incorporación con unos días de retraso de la información no disponible en el momento de publicación de los avances. El problema es cuando estos cambios ocurren sobre los datos publicados hace meses o incluso un año. Es este caso, los cambios cuestionan la calidad de la información publicada originalmente.

Gráfico 2: Diferencias en número de contagiados hasta octubre, según información con el fichero 5/febrero/2021 o con el fichero 13/octubre/2020 (número de contagiados)

 Fuente: ISCIII y elaboración propia.

Los problemas de datos con los contagiados se extienden también a los fallecidos, hospitalizados y casos que han ingresado en UCI. El Gráfico 3 representa la diferencia, en tantos por cien, entre los casos UCI que se ofrecían en octubre de 2020 y los más recientes del fichero del 5 de febrero de 2021. Las disparidades, positivas y negativas, están alrededor del 20 por cien.

Gráfico 3: Diferencias en número de ingresados en UCI hasta octubre, según información con el fichero 5/febrero/2021 o con el fichero 13/octubre/2020 (en %)

Fuente: ISCIII y elaboración propia.

3. La escurridiza incidencia acumulada

En las noticias de TV y otros medios de comunicación nos hemos acostumbrado a seguir a diario el dato sobre la incidencia acumulada por 100.000 habitantes a 14 días (IA). Esta información procede de los boletines diarios sobre la enfermedad SARS-CoV-2 que publica el Ministerio de Sanidad. Como se ha indicado, el ISCIII publica también el número de contagiados diarios, de los que resulta sencillo calcular también la incidencia acumulada a 14 días. Esta serie es en principio más fiable en cuanto se realiza la asignación correcta entre el momento en el que se realiza el test PCR y la detección del contagio.

En el Gráfico 4 representamos las series de IA del Ministerio y la comparamos con la calculada a partir de la serie del ISCIII. Existe un claro desajuste entre ambas. Para el caso de toda España, observamos que la IA del Ministerio infravalora la ‘verdadera’ IA en las fases de crecimiento del número de contagios, mientas que en el descenso ambas series se unen. Esta diferencia alcanzó un máximo de 240 durante la tercera ola, el 17 de enero de 2021. Es decir, la IA reportada por los medios de comunicación era significativamente menor que la verdadera IA publicada unos días después, pero desconocida para la opinión pública.

El porqué sucede esto en los periodos de auge de la enfermedad y no en las moderaciones es, en principio, una incógnita sujeta a conjeturas, para personas que, como nosotros, no conocemos los detalles del proceso administrativo de recogida, gestión, limpieza y publicación de datos. El caso de Cataluña es paradigmático de este comportamiento del conjunto de España. En la Comunidad Valenciana, la diferencia entre ambas series de IA llegó a ser de más de 850 contagiados por 100.000 habitantes durante varios días a mediados de enero de 2021. El caso de Cantabria sigue una pauta diferente, con un desfase entre ambas series mantenido tanto en las fases ascendentes como descendentes de las olas. En muchas CC.AA. las diferencias entre ambas series son de una magnitud y desfase suficientemente grandes como para obtener resultados poco robustos cuando, por ejemplo, se trata de evaluar los efectos de las restricciones de movilidad o a la actividad de algunos sectores sobre el control de la pandemia.

Gráfico 4: Incidencia Acumulada a 14 días. Actualizaciones diarias Ministerio vs. datos corregidos por ISCIII

Fuente: Ministerio de Sanidad, ISCIII y elaboración propia.

4. La estremecedora cifra del 8 a 1

Hay un dato que, pese a lo llamativo, está pasando desapercibido. Cuando dividimos el total de fallecidos por Covid entre el total de enfermos que han pasado por UCI obtenemos una cifra cercana a 3, y bastante constante entre las distintas olas. De hecho, durante la primera ola, la ratio de fallecidos sobre ingresados en UCI fue de 3, para reducirse a 2,7 en la segunda y tercera ola. Si suponemos, siendo pesimistas, que de los ingresados por Covid en UCI termina falleciendo un tercio, eso significa que por cada fallecido por Covid en una UCI hay 8 contagiados que fallecen fuera de las UCIs.

¿Dónde están muriendo estas personas y qué perfil tienen? Una pista es que, entre los mayores de 80 años, el número de decesos por cada ingresado en UCI fue de 21 a 1 en la primera ola, de 23 a 1 en la segunda ola y de 32 a 1 en la tercera ola (1). La historia terminará reconociendo la deuda que tenemos contraída con nuestros mayores.

5. El perfil distorsionado de las olas

También nos hemos acostumbrado a ver publicado en varios medios la serie suavizada de nuevos casos de contagios, en la que aparece la tercera ola como la más intensa de las vividas, con diferencia. Sobre las series oficiales efectuamos una corrección, como explicamos aquí, a partir de las pruebas de detección realizadas y de diferentes estudios de seroprevalencia. El Gráfico 5 muestra los perfiles oficiales de las olas (azul) y los estimados (naranja) con nuestra corrección. Un elemento de confianza en nuestra corrección es que la correlación retardada siete días entre los casos corregidos y los nuevos hospitalizados a lo largo de toda la pandemia es 0,95 mientras que la misma correlación con los casos oficiales sería de 0,42. Puede observarse que, a diferencia de los datos oficiales, nuestra estimación apunta a que el pico de esta última ola ha sido aproximadamente la mitad de elevado que en la primera ola.

Gráfico 5: Casos detectados y casos corregidos (contagiados estimados). España. Media móvil 7 días.

Fuente: Ministerio de Sanidad, ISCIII y elaboración propia.

La conclusión de todo lo anterior es clara: un año después del inicio de la pandemia en España siguen existiendo graves problemas de inconsistencias en los datos publicados que plantean preguntas para las que no existe una respuesta directa, y que afectan a la calidad y credibilidad de la información transmitida a la opinión pública. En absoluto pensamos que ello sea resultado de una intención por ocultar la gravedad de la situación sanitaria. Nuestro objetivo es mostrar la importancia que tiene dedicar esfuerzos a mejorar la calidad de los datos y su homogeneidad en el tiempo, y a ofrecer explicaciones técnicas detalladas de los cambios que se introducen. Realmente es difícil pensar que con estos datos los investigadores de distintas disciplinas puedan estar en las mejores condiciones para hacer un análisis robusto de la pandemia en nuestro país.

(1) Agradecemos a Ángel Meneses su ayuda en este punto.

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: Javier Ferri

Comentarios

comentarios

Seguir Leyendo
Publicidad
Loading...

Nada es Gratis

Elecciones pandémicas: última edición desde Estados Unidos

Publicada

el

De Leticia Arroyo Abad (CUNY & CEPR), Noel Maurer (GWU) y Omar Wasow (Princeton University)

Mientras que esperamos embarbijados a la vacuna, nos dedicamos a analizar qué pasó en las elecciones estadounidenses del 2020. La pandemia del coronavirus cambió drástica­mente la contienda electoral estadounidense. La crisis marcó fuego las campañas elec­tor­ales: la acción—o inacción—ante esta crisis no pasó desapercibida en los ojos del elector­ado. Todo se politizó: el uso de barbijos, las medidas de restricción de movilidad y hasta la producción de vacunas. El presidente Trump y sus compatriotas republicanos mini­mizaron el peligro del virus a lo largo del 2020 a tal punto que desafiaron muchas de las políticas de distanciamiento social. El actual presidente Biden y sus compañeros demó­cratas no perdieron la oportunidad de recalcar las falencias de la administración de Trump. Y con razón, la desorganización y la desinformación sobre la pandemia fueron una constante durante el 2020. En la práctica, la campaña fue muy distinta, especial­men­te por parte de los demócratas. Atrás quedaron los días de golpear puertas y de ac­tos mutitudinarios, el coronavirus le dio la bienvenida a la campaña virtual por medio de Zoom y sus sinónimos.

El coronavirus no nos dio respiro. Las muertes llegaron a 230.000 cuando abri­eron las urnas la mañana del martes 3 de noviembre. Y las pérdidas de empleo fueron astronómicas, peores que en el primer año de la temida Gran Depresión. La imagen del presidente Trump se mantuvo estable pero la la mayoría del pueblo estadounidense no estaba conforme con su manejo de la crisis sanitaria. Todas estas condiciones apuntarían a una masiva derrota de Trump en estas elecciones, especialmente en las zonas más azotadas por el virus.

Mirando en el espejito retrovisor, sabemos que la gripe española no decidió las elecciones de 1918, pero los votantes hicieron uso del famoso voto castigo en contra de los diputa­dos y los gobernadores. Pero el castigo no fue muy grande, en realidad fue bastante módico (aquí). ¿Se repite la historia en las elecciones bajo el manto del coronavirus? Por ahora notamos dos diferencias importantes. A pesar de la rapidez de la difusión de ambas pandemias, el patrón geográfico fue distinto. En el caso de la gripe española la difusión fue más radial con el epicentro en el noreste y traslandándose con celeridad hacia el resto del país. La pandemia actual afectó a grandes franjas del país llegando al interior del país más tarde (Gráfico 1).

Gráfico 1: Fecha aproximada de llegada del virus por distrito

Coronavirus, 2020
La Gripe Española, 1918

Pero hay otra differencia sustancial, los municipios más flagelados por el virus quisieron seguir apostando por Trump (Gráfico 2). ¡Nada que ver con lo que pasó en el 1918! Hace un poco más de un siglo, nuestro análisis revela que en los municipios más golpeados por la gripe española, los votantes castigaron a los diputados y a los gobernadores a cargo. Para cuantificar un poco este resultado, nuestra análisis indica que en un municipio con una tasa de mortalidad por el coronarivus promedio, una desviación estándar movió la aguja a favor de Trump tan sólo 0.5 puntos porcentuales (Gráfico 3). Comparado con el desempleo, el pacto del coronavirus es sólo un poco menos importante. Un incremento de una desviación estándar en la tasa de desocupación, es decir de cinco puntos porcentuales, implicó un viraje en contra del presidente Trump de 0.8 puntos porcentuales (Gráfico 4 (a)).

Gráfico 2: Voto decisivo a favor de Trump en las elecciones del 2020

Gráfico 3: Impacto de la tasa de mortalidad por el coronavirus en el porcentaje de votos a favor

El efecto del coronavirus a favor del partido republicano fue similar o mayor en magnitud al impacto de los factores educacionales o étnicos. Teniendo en cuenta la mortalidad por el coronavirus, las condiciones económicas y los efectos fijos estatales, los votantes con títulos universitarios y los votantes afro-americanos expresaron claramente su des­ap­robación en las urnas. A pesar de toda la tinta digital derramada sobre el viraje de los latinos a favor de Trump, la situación es más compleja. Como uno de los autores bien lo sabe y vive, la comunidad latina es un crisol de nacionalidades. Si miramos con más de­ten­imiento vemos que sólo los cubanos apoyaron a Trump. Ni el vo­to mexicano ni el centroamericano ni el dominicano fueron decisivo en estas elecciones. En contraste, los asiáticos en las grandes ciudades y suburbios apoyaron a Trump (Gráfico 4). En resumen, el impacto del coronavirus tuvo repercusiones comparables a estos cambios tan publicitados.

Gráfico 4: Determinantes del porcentaje de votos a favor de Trump

¿Cómo podemos explicar este resultado tan enigmático? Puede ser que sea una cuestión endógena: los votantes »trumpistas«, opuestos al distanciamiento social y al uso de mascarillas fueron víctimas de sus conductas imprudentes. Para poder distinguir el efecto del coronavirus, utilizamos la estrategia de variables instrumentales. Los resultados nos dan seguridad de que la relación es realmente causal: las localidades con mayor incidencia del coronavirus renovaron su apoyo a Trump como presidente. Cabe resaltar que el impacto es muy módico. En la jerga estadística, si bien nuestros coeficientes son muy precisos (los errores estándares son pequeñitos), el efecto es pequeño.

Es posible que este curioso efecto del coronavirus sea el resultado de aprendizaje partidario. Si bien los votantes responsabilizaron a los políticos en la pandemia de 1918, las elecciones no fueron partidistas. El manejo de la crisis no cayó en fosas republicanas o demócratas. ¡Vaya contraste con las elecciones del 2020! Es evidente que la pandemia actual fue (es) sumamente partidista. En este sentido, la orientación política pre-existente de los votantes puede que haya jugado un rol clave en castigar o apoyar a los políticos a cargo. La población más “trumpista” habría redoblado su apoyo al presidente a pesar de la creciente ola de muertes. Más aún cuando los demócratas criticaron más a Trump por el mal manejo de la crisis sanitaria. Heersink y coautores (aquí) bautizaron este fenómeno como retrospección partidista.

Hemos encontrado evidencia empírica que corrobora que este fenómeno de retrospección partidista estaba en marcha durante estas elecciones. Basado en entrevistas a lo largo del 2021, un estudio señala que los votantes independientes expresaron (marginalmente) más apoyo a Trump cuando les recordaron la gravedad de la pandemia (aquí). De manera similar, otro estudio muestra que en las elecciones internas del partido democrático, los votantes preferían a Joe Biden, el candidato más seguro, al problemático Bernie Sanders cuando el coronavirus irrumpía en la vecindad (aquí). Esta posibilidad es muy interesante y estamos recolectando datos para testear estas posibilidades más rigurosamente.

En resumen, es probable que el mejor precedente histórico del efecto del coronavirus en el 2020 no sea el caso de la gripe española pero el brote de fiebre amarilla de 1793. Nadie tenía idea que su difusión era por los mosquitos, la etiología de la enfermedad es totalmente desconocida. Es por ello que no es claro que los votantes en 1793 hubieran esperado que el gobierno pudiera lidiar con esta crisis sanitaria. Sin embargo, los miembros de los partidos federalista y republicano se culpaban entre sí por esta crisis.  Los votantes en las elecciones subsiguientes no culparon a los políticos a cargo sino que apoyaron a quienes ya preferían con anterioridad.

Es claro que tenemos que hacer más investigación sobre este tema, pero por ahora podemos decir que si bien todas las pandemias son políticas, no todas son iguales. Es posible que cuando la crisis sanitaria se politiza –tal como en el 2020 y en 1793—la rendición de cuentas en materia democrática no funciona de la manera que debería o que esperamos.

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: admin

Comentarios

comentarios

Seguir Leyendo

Nada es Gratis

¿Rescates bondadosos? Puede ser, pero no lo fiaría todo

Publicada

el

Por Diego Martínez López

Los rescates de gobiernos en dificultades pueden adoptar, como el diablo, múltiples formas y motivaciones. Tantas que incluso sus consecuencias difieren sobremanera si se trata de un país soberano o, por el contrario, de una hacienda regional o local. Mientras que en el primer caso, la penalización financiera y, sobre todo, política es elevada (aquí), cuando se trata de gobiernos subcentrales, la ciudadanía es mucho más transigente e incluso se admite la venta política del rescate conseguido como un logro. En esta entrada me concentraré en estos rescates subcentrales y, sobre la base de un trabajo que he comenzado a circular, pretendo llamar la atención sobre circunstancias que a mi juicio no desmerecen interés.

Las medidas adoptadas por los gobiernos federales en apoyo de las haciendas subnacionales desde el comienzo de la Covid-19 nos ofrecen un variado escaparate. Australia, Canadá, Brasil o Estados Unidos les han proporcionado asistencia financiera a través de sus Bancos Centrales. Noruega, Italia, Polonia y España han ofrecido fondos extras, complementarios a los ya regulares de los sistemas de financiación. Surge aquí una fisura en el enfoque standard en los rescates: se han realizado transferencias discrecionales de recursos hacia las haciendas regionales y locales sin mediar un endeudamiento masivo y previo de éstas. Y pueden apuntarse varias motivaciones, no necesariamente excluyentes.

La primera podemos calificarla como el enfoque “bondadoso”: el gobierno federal, preocupado los desequilibrios financieros verticales (entre niveles de gobierno), además de las externalidades negativas derivadas del colapso de un sistema sanitario en manos regionales, adopta estas medidas excepcionales. Esta aproximación no se descarta como una motivación importante pero me atrevería a decir que no es la única. Las interacciones estratégicas entre gobiernos, votantes y presupuestos o la existencia de funciones objetivo de los gobiernos que trascienden (y no precisamente en el sentido elevado del término) la maximización del bienestar social, invitan a pensar de manera alternativa. Profundicemos en esta idea.

Sobre la base del modelo canónico de Goodspeed (2002, 2017), y a fin de encajar conceptualmente el que se produzcan rescates de haciendas subcentrales no motivados directamente por el exceso de endeudamiento ni por la bondad de los gobernantes, he desarrollado dos líneas argumentales. La primera ofrece una novedad sobre la literatura anterior: el gobierno federal debe endeudarse para facilitar transferencias discrecionales a los subcentrales. ¿A qué les recuerda? A partir de este supuesto de partida, ocurre un hecho virtuoso: en la medida en que el gobierno federal traslada a los regionales y locales las exigencias de los mercados financieros, que le prestan dinero para pagar la ayuda, no se van a producir excesos de endeudamiento en aquellos. Eso no impide que los gobiernos subcentrales mantengan su influencia sobre la transferencia que reciben. Solo que ésta va a fluir vía tipos impositivos y no a través del endeudamiento. Es decir, las haciendas regionales y locales se pueden hacer merecedoras del rescate si sus ingresos tributarios no les permiten proveer un determinado nivel de gasto público. De ahí la importancia de que estas haciendas cuenten con suficiente espacio fiscal para no apelar a “excusas” de este tipo. No debe olvidarse que en estos modelos el gobierno federal está preocupado por los votos que consigue en las distintas jurisdicciones, aunque sobre eso volveré más adelante.

En este contexto, las ayudas discrecionales hacia las haciendas subcentrales pueden viajar en el tiempo con cierta consistencia temporal, esto es, si se reciben más recursos hoy será al precio de recibir menos mañana, con una relación de intercambio dada por el tipo de interés que debe pagarse a los mercados financieros. Con otras palabras, las ayudas de hoy pueden estar previniendo rescates futuros al trasladar recursos en el tiempo; podríamos hablar incluso de rescates preventivos. Y aquí sugiero que, al menos parcialmente, las transferencias discrecionales a las haciendas subcentrales en plena pandemia Covid-19 responden a esa motivación. Eso sí, para que este esquema funcione de manera eficiente el gobierno federal debe ser muy respetuoso con su propia restricción presupuestaria intertemporal, a través de una política fiscal sostenible a medio plazo y, desafortunadamente, no parece la situación más frecuente (aquí y aquí).

La segunda línea argumental que he desarrollado se encuentra enraizada en la economía política que acompaña a este tipo de rescates. Es posible que el agradecimiento de los votantes por el dinero extra conseguido para su jurisdicción no se manifieste directamente hacia los políticos federales sino hacia los regionales/locales. Cabe también el que una secuencia de elecciones federales, regionales y locales, asomando en lontananza, afecte a la disciplina fiscal, y con ello a la facilidad con que se relajan las restricciones presupuestarias a través de transferencias discrecionales. Incluso existe la posibilidad de que los políticos federales vinculen su supervivencia electoral a financiar rescates poco justificados pero que permiten aproximarse a grupos de interés y/o ejercer un liderazgo futuro sobre la base de una recién creada dependencia financiera (véase aquí para proyectos privados).

En este punto, mi planteamiento ha sido el de romper la inmediatez del vínculo entre decisiones federales de rescate y posibles votos a recibir desde esas jurisdicciones. Ese vínculo, en efecto, existe pero defiendo que no es tan primario como para derivar apoyo electoral directamente de los votantes por el rescate recibido en sus territorios. El gobierno federal evalúa su decisión de conceder ayudas discrecionales a las haciendas locales o regionales más allá de la directa satisfacción de los votantes porque es posible que la supervivencia política de ese gobierno dependa de pactos territoriales, de contiendas electorales jugadas en otros ámbitos diferentes del federal, de una estrategia de liderazgo financiero respecto a las haciendas subcentrales que todos los ministros de hacienda anhelan y, por supuesto y lo más probable, de una mezcla de todos estos factores.

El modelo teórico que he utilizado es muy sencillo y estilizado. En definitiva, me limito a comparar condiciones de primer orden de diferentes problemas de optimización (que amplio para introducir spreads en la deuda pública regional y la posibilidad de que parte de ésta sea asumida por el gobierno regional). Pero eso permite, creo, extraer resultados atractivos para la verificación empírica en la medida en que, como comentaba al principio, estamos asistiendo a rescates de haciendas subcentrales más o menos encubiertos, más o menos preventivos, a raíz de la Covid-19. Por supuesto, la traslación de algunas de estas ideas al caso español resulta especialmente tentadora, dado el panorama político que nos envuelve, por decirlo de forma suave.

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: admin

Comentarios

comentarios

Seguir Leyendo

Nada es Gratis

Elicitando creencias con incentivos monetarios

Publicada

el

Por Pablo Brañas-Garza (@BehSnaps) con Antonio Alfonso (@alfonsocostillo) y Ignacio Garijo, Emilio Nieto, Iván Sánchez, Paula Piña, Cristina Prados, Julia Sánchez, Felipe Calvo, Adrián Cruz, Álvaro Gómez, Gonzalo Marín, María J. González, Elisa Gómez, Miguel Villar, Hilda Montenegro, Trinidad Carrascosa, Manuel Alcocer, José L. Macías, Gonzalo González, Yadira Vásquez y Fernando González.

La elicitación de creencias (lo que las personas esperan de otros) es un tema relevante en Teoría de Juegos. Pensemos por ejemplo en un experimento típico del Dilema de Presos donde los participantes sólo pueden elegir entre Cooperar o No Cooperar. Observando “solamente” las decisiones de los sujetos tendremos una comprensión limitada de los hechos puesto que No Cooperar (NC) puede deberse a dos situaciones completamente diferentes:

– El participante puede creer que su rival Cooperará: E(C)

– El participante puede creer que su rival No Cooperará: E(NC)

En el primer caso, la decisión de NC basada en creencias del tipo E(NC) nos indica básicamente que el sujeto cree que su rival es racional y, él hace mejor respuesta. Este comportamiento está muy relacionado con la cooperación condicional. En el caso contrario, elegir NC bajo las creencias E(C) indica que el sujeto se aprovecha de la bondad de su rival, es decir, es un free-rider.

Lo uno y lo otro son cosas completamente diferentes y, por tanto, si no somos capaces de elicitar las creencias de los sujetos, nuestra capacidad de entender los “tipos” es ciertamente pequeña.

La elicitación de creencias

En los últimos 20 años se ha desarrollado esta literatura extensivamente. Los primeros mecanismos eran, precisamente, del tipo del ejemplo anterior. En juegos con estrategias binarias los participantes hacían una predicción así misma binaria y, si acertaban, recibían una compensación monetaria adicional.

Los años posteriores se han centrado en la búsqueda de un mecanismo de elicitación más general para la obtención de creencias en juegos con estrategias no binarias y más de un rival (n>2 jugadores). En esto casos, el menú de mecanismos es bastante amplio: desde mecanismos más o menos sencillos del tipo “predice si tu rival va a elegir 0€, 0,5€, 1€, …, 5€” (ver este trabajo con Ismael Rodriguez-Lara y Anxo Sánchez), “predice la media de lo que harán los demás participantes” o “predice la estrategia más usada (moda) por los participantes” (por ejemplo aquí con Valerio Capraro y Ericka Rascón) hasta mecanismos realmente complicados como “usando la siguiente tabla con las celdas A, B, C, D y E dinos el porcentaje de participantes que han elegido cada estrategia (recuerda que tiene sumar 100)”.

Además, está el problema del mecanismo de pago: ¿pagamos sólo al que acierte exactamente la distribución? ¿les permitimos un poco de error? ¿les pagamos en función del error? A este tema se dedican exactamente las scoring rules, reglas de pago donde el experimentalista decide cuánto penaliza el error, desde poco hasta todo (ver ejemplo aquí con Maripaz Espinosa).

Nuestro experimento

El pasado 21 de diciembre hicimos un experimento “online” desde la clase de Microeconomía III: Teoría de Juegos de la Universidad Loyola en Sevilla (@LoyolaAnd, @LoyolaEcon). El experimento se diseñó para enseñar a los estudiantes cómo medir las predicciones de las personas. Los participantes del experimento tenían que predecir si personas de diferentes tramos de edad se vacunaría del Covid cuando le llegara su turno. El experimento se lanzó desde WhatsApp usando los contactos de los alumnos. Se consiguió una participación de más de 2000 sujetos en 36 horas.

El experimento tenía dos partes. En la primera los participantes declaraban la probabilidad de vacunarse (desde 0% hasta 100%). En la segunda parte, los sujetos hacían tres predicciones.

En la Caja 1 se les explica la tarea y las reglas de pago. Como se puede observar le pedimos a los participantes que hagan tres predicciones, donde en cada caso tiene que acertar la moda (el número más popular) y se le explica el mecanismo de pago. El participante que acertara una de las tres (elegida al azar) se llevaría 100€ y si, se diera el caso de más de un ganador, el premio se sortearía entre ellos.

Caja 1: Instrucciones

Decidimos este mecanismo (predecir la moda) porque ya lo habíamos usado en trabajos anteriores con cierto éxito. Predecir la moda es cognitivamente menos demandante que otras opciones.

En la Caja 2 aparecen las tres predicciones que se solicitan a los participantes: ¿qué probabilidad de vacunarse crees que han escogido la mayoría de los jóvenes? ¿y los adultos? ¿y los mayores? En todos los casos tenía que predecir la moda.

Para evitar efectos de orden, es decir, que la posición/orden de las preguntas genere un sesgo, hicimos dos variantes del experimento:

– Orden J-A-M: predicción sobre jóvenes → adultos → mayores

– Orden M-A-J: predicción sobre mayores → adultos → jóvenes

Los sujetos participaban aleatoriamente en una de las dos variantes. Técnicamente esto se conoce como between-subjects design, puesto que se comparan muestras de sujetos han participado en un diseño diferente. Usando una asignación aleatoria obtuvimos 982 participantes siguieron el orden J-A-M y 1033 que hicieron el orden M-A-J.

Caja 2: Predicciones

Al acabar el experimento su eligió al azar una de las tres predicciones y entre todos los ganadores (los que acertaron la moda) se sorteó el premio. Uno de ellos fue contactado para pagarle los 100€.

Los resultados

La Figura 1 muestra los resultados agregados. Para cada grupo se pinta la media y el SEM. Parece que el resultado es muy claro. Los participantes creen que los jóvenes serán menos proclives a vacunarse que los mayores. La diferencia es notable (pasamos de 56,7% para >30 años a un 76,05% para >60 años) y claramente significativa.

Figura 1: Creencias para los grupos de edad

Una de las cuestiones que más nos interese saber es si las predicciones fueron buenas, es decir, si los resultados observados coinciden con los predichos. La respuesta es claramente negativa. La Figura 2 los valores observados. A excepción del caso de los mayores de 60, donde la predicción es bastante buena, en el resto de los casos (menores de 30 y entre 30 y 60) las predicciones son pesimistas: la gente predice valores más bajos.

Figura 2: Valores observados para los grupos de edad

En cualquier caso, hay que tomar estos valores con cautela porque la distribución de participantes por tramos de edad está lejos de estar balanceada.

Diferencias en predicciones según el sexo y edad de los participantes

También nos interesa ver si las características de los participantes en el experimento tienen algún impacto en las predicciones. La Figura 3 muestra las predicciones realizadas por mujeres (arriba) y por hombres (abajo).

Figura 3: Creencias para los grupos de edad por sexo

Vemos que las predicciones de hombres y mujeres son muy similares. Sin embargo, las predicciones de las mujeres son siempre algo más bajas, aunque la tendencia es la misma: tanto mujeres como hombres predicen que los mayores serán más proclives a vacunarse o que los jóvenes serán más reacios.

De la misma manera podemos ver si los sujetos más jóvenes de la muestra predicen cosas similares que los más mayores. Para ello, tomamos la mediana de la distribución (22 años) y dividimos la muestra en dos. La Figura 4 muestra las predicciones realizadas por los más jóvenes (arriba) y más mayores (abajo).

Los jóvenes claramente tienen una visión más positiva (y más acertada según la Figura 2) de su propio grupo que los participantes mayores ya que predicen que casi el 60% del grupo de menores de 30 se vacunarán mientras que los mayores de 21 predicen que dicho porcentaje será del 55%. Además, si comparamos la predicción para los mayores encontramos que los participantes más jóvenes consideran que las personas mayores serán menos proclives a vacunarse (72,9% vs. 77.8%). En suma, la tendencia es notablemente más plana para los jóvenes.

Figura 4: Creencias para los grupos de edad por edad

Efectos de orden

Finamente, vamos a ver el tema del orden. Nos preguntamos si el orden en el que aparecen las preguntas es relevante. Recordemos que el orden J-A-M sigue la pauta creciente (jóvenes → adultos → mayores) y que el orden M-A-J lleva la secuencia al revés (predicción sobre mayores → adultos → jóvenes).

La Figura 5 muestra las predicciones según el orden. Los resultados nos indican que aquellos que usan el orden M-A-J penalizan más a los jóvenes y también, aunque en menor medida, a los adultos. Es muy interesante que ninguno de los dos órdenes altera las predicciones para los mayores (76,3% vs. 75,6%). En cualquier caso, tanto el orden J-A-M como el M-A-J, ofrecen el mismo resultado: la probabilidad de vacunarse aumenta con la edad. Sin embargo, se observa con claridad que se penaliza más a los jóvenes cuando se pregunta sobre ellos después de los mayores.

Figura 5: Creencias para los grupos de edad. Efectos de orden

El efecto orden es un problema común en muchas encuestas. Las decisiones que toman los participantes en la pregunta j-ésima tienen impacto es preguntas posteriores. En un trabajo reciente junto con Riccardo Ciacci y Ericka Rascón hemos analizado el problema del orden en encuestas sobre expectativas educativas de los padres sobre sus hijos y hemos encontrado resultados importantes. Las expectativas reveladas por los padres son sensibles al orden de las preguntas en las encuestas. Obviamente esto es un problema.

Conclusiones

En esta entrada presentamos un experimento lanzado por los alumnos de Economía de la Universidad Loyola Andalucía donde preguntamos a los participantes sobre la probabilidad de vacunarse de Covid cuándo haya vacuna. En segundo lugar, pedimos a los participantes que hagan predicciones sobre la probabilidad de vacunarse para tres tramos de edad diferentes. Encontramos que las predicciones son pesimistas para los más jóvenes y dichas predicciones no se alinean con los valores verdaderos. El pesimismo hacia los jóvenes es más acusado entre las participantes mujeres y entre los participantes mayores. Además, encontramos un claro efecto orden causado por la presentación de las preguntas.

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: admin

Comentarios

comentarios

Seguir Leyendo
Publicidad
Publicidad
...

Facebook

Destacado