stringtranslate.com

Economía computacional

La economía computacional es una disciplina de investigación interdisciplinaria que combina métodos de la ciencia computacional y la economía para resolver problemas económicos complejos. [1] Esta materia abarca el modelado computacional de sistemas económicos . Algunas de estas áreas son únicas, mientras que otras establecieron áreas de la economía al permitir análisis de datos robustos y soluciones de problemas que serían arduos de investigar sin computadoras y métodos numéricos asociados . [2]

Los métodos computacionales se han aplicado en diversos campos de investigación económica, incluidos, entre otros:   

Econometría : enfoques no paramétricos, enfoques semiparamétricos y aprendizaje automático .

Modelado de sistemas dinámicos: optimización, modelado de equilibrio general dinámico estocástico y modelado basado en agentes . [3]

Historia

La economía computacional se desarrolló simultáneamente con la matematización del campo. A principios del siglo XX, pioneros como Jan Tinbergen y Ragnar Frisch impulsaron la informatización de la economía y el crecimiento de la econometría. Como resultado de los avances en econometría, los modelos de regresión , las pruebas de hipótesis y otros métodos estadísticos computacionales se adoptaron ampliamente en la investigación económica. En el frente teórico, los modelos macroeconómicos complejos , incluido el modelo de ciclo económico real (RBC) y los modelos de equilibrio general dinámico estocástico (DSGE), han impulsado el desarrollo y la aplicación de métodos de solución numérica que dependen en gran medida de la computación. En el siglo XXI, el desarrollo de algoritmos computacionales creó nuevos medios para que los métodos computacionales interactúen con la investigación económica. Se han explorado activamente enfoques innovadores como los modelos de aprendizaje automático y el modelado basado en agentes en diferentes áreas de la investigación económica, ofreciendo a los economistas un conjunto de herramientas ampliado que con frecuencia difiere en carácter de los métodos tradicionales.  

Aplicaciones

Modelado basado en agentes

La economía computacional utiliza modelos económicos basados ​​en computadoras para resolver problemas económicos formulados analítica y estadísticamente. Un programa de investigación, para tal fin, es la economía computacional basada en agentes (ACE), el estudio computacional de los procesos económicos, incluidas las economías completas , como sistemas dinámicos de agentes que interactúan . [4] Como tal, es una adaptación económica del paradigma de sistemas adaptativos complejos . [5] Aquí, el "agente" se refiere a "objetos computacionales modelados como interactuando de acuerdo con reglas", no personas reales. [3] Los agentes pueden representar entidades sociales, biológicas y/o físicas. El supuesto teórico de optimización matemática por agentes en equilibrio es reemplazado por el postulado menos restrictivo de agentes con racionalidad limitada que se adaptan a las fuerzas del mercado, [6] incluidos los contextos de teoría de juegos . [7] A partir de las condiciones iniciales determinadas por el modelador, un modelo ACE se desarrolla hacia adelante a través del tiempo impulsado únicamente por las interacciones de los agentes. El objetivo científico del método es probar los hallazgos teóricos contra datos del mundo real de formas que permitan que las teorías sustentadas empíricamente se acumulen con el tiempo. [8]

Aprendizaje automático en economía computacional

Los modelos de aprendizaje automático presentan un método para resolver conjuntos de datos vastos, complejos y no estructurados. Se han desarrollado y utilizado varios métodos de aprendizaje automático, como el método kernel y el bosque aleatorio, en la minería de datos y el análisis estadístico. Estos modelos proporcionan una clasificación superior, capacidades predictivas y flexibilidad en comparación con los modelos estadísticos tradicionales, como el método STAR . Otros métodos, como el aprendizaje automático causal y el árbol causal , brindan ventajas distintivas, incluida la prueba de inferencia.

Existen ventajas y desventajas notables en el uso de herramientas de aprendizaje automático en la investigación económica. En economía, se selecciona un modelo y se analiza de inmediato. La investigación económica seleccionaría un modelo en función de un principio, luego probaría/analizaría el modelo con datos, seguido de una validación cruzada con otros modelos. Por otro lado, los modelos de aprendizaje automático tienen efectos de "ajuste" incorporados. A medida que el modelo realiza un análisis empírico, valida de forma cruzada, estima y compara varios modelos simultáneamente. Este proceso puede producir estimaciones más sólidas que las de los modelos tradicionales.

La economía tradicional normaliza parcialmente los datos basándose en principios existentes, mientras que el aprendizaje automático presenta un enfoque más positivo/empírico para el ajuste de modelos. Aunque el aprendizaje automático se destaca en la clasificación, la predicción y la evaluación de la bondad del ajuste, muchos modelos carecen de la capacidad para la inferencia estadística, que es de mayor interés para los investigadores económicos. Las limitaciones de los modelos de aprendizaje automático significan que los economistas que utilizan el aprendizaje automático necesitarían desarrollar estrategias para una inferencia causal estadística sólida , un foco central de la investigación empírica moderna. Por ejemplo, los investigadores económicos podrían esperar identificar factores de confusión , intervalos de confianza y otros parámetros que no están bien especificados en los algoritmos de aprendizaje automático. [9]

El aprendizaje automático puede permitir el desarrollo de modelos económicos heterogéneos más complejos . Tradicionalmente, los modelos heterogéneos requerían un trabajo computacional extenso. Dado que la heterogeneidad puede estar formada por diferencias en gustos, creencias, capacidades, habilidades o limitaciones, optimizar un modelo heterogéneo es mucho más tedioso que el enfoque homogéneo (agente representativo). [10] El desarrollo del aprendizaje reforzado y el aprendizaje profundo puede reducir significativamente la complejidad del análisis heterogéneo, creando modelos que reflejen mejor el comportamiento de los agentes en la economía. [11]

La adopción e implementación de redes neuronales y aprendizaje profundo en el campo de la economía computacional puede reducir el trabajo redundante de limpieza y análisis de datos, lo que reduciría significativamente el tiempo y el costo del análisis de datos a gran escala y permitiría a los investigadores recopilar y analizar datos a gran escala. [12] Esto alentaría a los investigadores económicos a explorar nuevos métodos de modelado. Además, un menor énfasis en el análisis de datos permitiría a los investigadores centrarse más en temas como la inferencia causal, las variables de confusión y el realismo del modelo. Con la guía adecuada, los modelos de aprendizaje automático pueden acelerar el proceso de desarrollo de una economía precisa y aplicable a través del análisis y el cálculo de datos empíricos a gran escala. [13]  

Modelo de equilibrio general dinámico estocástico (DSGE)

Los métodos de modelado dinámico se adoptan con frecuencia en la investigación macroeconómica para simular fluctuaciones económicas y comprobar los efectos de los cambios de política. El DSGE es una clase de modelos dinámicos que se basan en gran medida en técnicas y soluciones computacionales. Los modelos DSGE utilizan principios económicos con fundamentos microeconómicos para capturar las características de la economía del mundo real en un entorno con incertidumbre intertemporal . Dada su complejidad inherente, los modelos DSGE son en general analíticamente intratables y suelen implementarse numéricamente mediante software informático. Una ventaja importante de los modelos DSGE es que facilitan la estimación de las elecciones dinámicas de los agentes con flexibilidad. Sin embargo, muchos académicos han criticado los modelos DSGE por su dependencia de supuestos de forma reducida que son en gran medida poco realistas.

Herramientas computacionales y lenguajes de programación

El uso de herramientas computacionales en la investigación económica ha sido la norma y la base durante mucho tiempo. Las herramientas computacionales para la economía incluyen una variedad de software informático que facilita la ejecución de varias operaciones matriciales (por ejemplo, inversión de matrices) y la solución de sistemas de ecuaciones lineales y no lineales. Se utilizan varios lenguajes de programación en la investigación económica con el propósito de analizar y modelar datos. Los lenguajes de programación típicos utilizados en la investigación de economía computacional incluyen C++ , MATLAB , Julia , Python , R y Stata .

Entre estos lenguajes de programación, C++, como lenguaje compilado, es el que tiene el rendimiento más rápido, mientras que Python, como lenguaje interpretado, es el más lento. MATLAB, Julia y R logran un equilibrio entre rendimiento e interpretabilidad. Como uno de los primeros programas de análisis estadístico, Stata era la opción de lenguaje de programación más convencional. Los economistas adoptaron Stata como uno de los programas de análisis estadístico más populares debido a su amplitud, precisión, flexibilidad y repetibilidad.

Revistas

Las siguientes revistas se especializan en economía computacional: ACM Transactions on Economics and Computation , [14] Computational Economics , [1] Journal of Applied Econometrics , [15] Journal of Economic Dynamics and Control [16] y Journal of Economic Interaction and Coordination . [17]

Referencias

  1. ^ ab Computational Economics . ""Acerca de esta revista" y "Objetivos y alcance".
  2. ^ • Hans M. Amman, David A. Kendrick y John Rust, ed., 1996. Handbook of Computational Economics , v. 1, Elsevier. Descripción Archivado el 15 de julio de 2011 en Wayback Machine y enlaces a vistas previas de capítulos. Archivado el 6 de abril de 2020 en Wayback Machine    • Kenneth L. Judd , 1998. Numerical Methods in Economics , MIT Press. Enlaces a la descripción Archivado el 11 de febrero de 2012 en Wayback Machine y vistas previas de capítulos.
  3. ^ ab Scott E. Page, 2008. "modelos basados ​​en agentes", The New Palgrave Dictionary of Economics , 2.ª edición. Resumen.
  4. ^ • Scott E. Page, 2008. "modelos basados ​​en agentes", The New Palgrave Dictionary of Economics , 2.ª edición. Resumen. • Leigh Tesfatsion, 2006. "Economía computacional basada en agentes: un enfoque constructivo de la teoría económica", cap. 16, Handbook of Computational Economics , v. 2, [págs. 831-880]. doi :10.1016/S1574-0021(05)02016-2. • Kenneth L. Judd, 2006. "Análisis computacionalmente intensivos en economía", Handbook of Computational Economics , v. 2, cap. 17, págs. 881-893. PDF prepublicado. • L. Tesfatsion y K. Judd, ed., 2006. Handbook of Computational Economics , v. 2, Agent-Based Computational Economics , Elsevier. Descripción Archivado el 6 de marzo de 2012 en Wayback Machine y enlaces a vistas previas de capítulos. • Thomas J. Sargent , 1994. Bounded Rationality in Macroeconomics , Oxford. Descripción y enlaces a vistas previas de capítulos en la primera página.
  5. ^ W. Brian Arthur , 1994. "Inductive Reasoning and Bounded Rationality", American Economic Review , 84(2), pp. 406-411 Archivado el 21 de mayo de 2013 en Wayback Machine . • Leigh Tesfatsion , 2003. "Agent-based Computational Economics: Modeling Economies as Complex Adaptive Systems", Information Sciences , 149(4), pp. 262-268 Archivado el 26 de abril de 2012 en Wayback Machine . • _____, 2002. "Agent-Based Computational Economics: Growing Economies from the Bottom Up", Artificial Life , 8(1), pp.55-82. Resumen y PDF prepublicado Archivado el 14 de mayo de 2013 en Wayback Machine .
  6. ^ • W. Brian Arthur, 1994. "Inductive Reasoning and Bounded Rationality", American Economic Review , 84(2), pp. 406-411 Archivado el 21 de mayo de 2013 en Wayback Machine . • John H. Holland y John H. Miller (1991). "Artificial Adaptive Agents in Economic Theory", American Economic Review , 81(2), pp. 365-370 Archivado el 5 de enero de 2011 en Wayback Machine . • Thomas C. Schelling , 1978 [2006]. Micromotives and Macrobehavior , Norton. Descripción Archivado el 2 de noviembre de 2017 en Wayback Machine , vista previa. • Thomas J. Sargent , 1994. Bounded Rationality in Macroeconomics , Oxford. Descripción y enlaces de vista previa del capítulo en la primera página.
  7. ^ Joseph Y. Halpern , 2008. "Computer science and game theory", The New Palgrave Dictionary of Economics , 2.ª edición. Resumen. • Yoav Shoham, 2008. "Computer Science and Game Theory", Communications of the ACM , 51(8), pp. 75-79 Archivado el 26 de abril de 2012 en Wayback Machine . • Alvin E. Roth , 2002. "The Economist as Engineer: Game Theory, Experimentation, and Computation as Tools for Design Economics", Econometrica , 70(4), pp. 1341–1378 Archivado el 14 de abril de 2004 en Wayback Machine .
  8. ^ Leigh Tesfatsion, 2006. "Economía computacional basada en agentes: un enfoque constructivo de la teoría económica", cap. 16, Handbook of Computational Economics , v. 2, secc. 5, p. 865 [pp. 831-880]. doi :10.1016/S1574-0021(05)02016-2.
  9. ^ Athey, Susan (2019), "El impacto del aprendizaje automático en la economía", The Economics of Artificial Intelligence , University of Chicago Press, págs. 507-552, doi :10.7208/chicago/9780226613475.003.0021, ISBN 9780226613338, S2CID  67460253 , consultado el 5 de mayo de 2022
  10. ^ Jesús, Browning, Martin Carro (2006). Heterogeneidad y modelado microeconométrico. CAM, Centro de Microeconometría Aplicada. OCLC  1225293761.{{cite book}}: CS1 maint: multiple names: authors list (link)
  11. ^ Charpentier, Arthur; Élie, Romuald; Remlinger, Carl (23 de abril de 2021). "Aprendizaje por refuerzo en economía y finanzas". Economía computacional . arXiv : 2003.10014 . doi :10.1007/s10614-021-10119-4. ISSN  1572-9974. S2CID  214612371.
  12. ^ Farrell, Max H.; Liang, Tengyuan; Misra, Sanjog (2021). "Redes neuronales profundas para estimación e inferencia". Econometrica . 89 (1): 181–213. doi : 10.3982/ecta16901 . ISSN  0012-9682. S2CID  203696381.
  13. ^ "Aprendizaje profundo para heterogeneidad individual: un marco de inferencia automática". 27 de julio de 2021. doi : 10.47004/wp.cem.2021.2921 . S2CID  : 236428783. {{cite journal}}: Requiere citar revista |journal=( ayuda )
  14. ^ "Técnica ACM".
  15. ^ "Journal of Applied Econometrics". Biblioteca en línea Wiley . 2011. doi :10.1002/(ISSN)1099-1255 . Consultado el 31 de octubre de 2011 .
  16. ^ Journal of Economic Dynamics and Control , incluido el enlace a los objetivos y el alcance. Para obtener una descripción general y un número muy citados, consulte: • Leigh Tesfatsion, 2001. "Introducción al número especial sobre economía computacional basada en agentes", Journal of Economic Dynamics & Control , págs. 281-293. • [Número especial], 2001. Journal of Economic Dynamics and Control , Agent-based Computational Economics (ACE). 25(3-4), págs. 281-654. Enlaces a resúmenes/esquemas [ enlace muerto permanente ] .
  17. ^ "Revista de interacción económica y coordinación". springer.com . 2011 . Consultado el 31 de octubre de 2011 .

Enlaces externos