Entender el análisis de regresión

El análisis de regresión es una de las herramientas estadísticas más poderosas del conjunto de herramientas del economista. En su más simple, el método modela la relación entre una variable dependiente (el resultado de interés) y una o más variables independientes (previsores potenciales o causas). Para los historiadores económicos, esto significa ir más allá de las descripciones narrativas de eventos pasados para probar hipótesis con una producción mesurable.

La idea central es ajustarse a una línea (o curva) a través de datos históricos que mejor describe la relación sistemática entre variables. La forma más común es la regresión mínima ordinaria (OLS), que minimiza la suma de diferencias cuadradas entre los valores observados y las predicciones modelo. Pero la historia económica también emplea frecuentemente la regresión logística cuando los resultados son binarios (por ejemplo, si una empresa sobrevivió a una crisis), y la regresión múltiple al mismo tiempo que muchas influencias

Aplicaciones en Historia Económica

Mercados Laborales y Capital Humano

Los historiadores económicos han utilizado la regresión para explorar cómo la educación, las habilidades y los salarios en forma de salud a lo largo de los siglos. Un estudio clásico podría regresar los ingresos individuales en años de escolaridad, edad y género, utilizando datos censales de América del siglo XIX. Los coeficientes estimados revelan no sólo los retornos a la educación en el momento, sino también cómo los retornos varían por región o industria.

Comercio y Globalización

El análisis de la regresión ha aclarado las consecuencias económicas de las políticas comerciales, desde las Leyes de Corning Británicas hasta los aranceles modernos. Los investigadores utilizan a menudo modelos de gravedad, una forma de regresión que predice flujos comerciales bilaterales basados en tamaños de países, distancias y acuerdos comerciales. Al analizar los datos históricos del comercio de los siglos XIX y XX, los historiadores pueden estimar igualmente cómo el proteccionismo o los acuerdos de libre comercio afectan a los ingresos nacionales, la especialización y la desigualdad salarial.

Cambio tecnológico y productividad

Entendiendo cómo el poder de vapor, la electricidad y la informática influyeron en el crecimiento económico es un rompecabezas central en la historia económica. Los modelos de regresión pueden descomponer el crecimiento de la productividad en contribuciones de la profundización del capital, mejoras de la calidad del trabajo y productividad total del factor (TFP) – un residual que a menudo captura el progreso tecnológico. Por ejemplo, una regresión de la serie de tiempo de la producción agregada en capital y los insumos laborales permite a los investigadores calcular las ecuentar las ecuentas de crecimiento primero desarrolladas por Robert Solow.

Transiciones demográficas y de salud

La historia demográfica se beneficia de análisis de regresión que vinculan la mortalidad infantil, la fertilidad y la esperanza de vida a las condiciones económicas, las inversiones sanitarias y las intervenciones de salud pública. Un estudio podría revertir las tasas de mortalidad en las ciudades de principios del siglo XX sobre medidas de calidad del agua, densidad de vivienda e ingresos para determinar cuáles son los factores más reducidos de muerte. Estos modelos también pueden incorporar retrasos espaciales o temporales, reconociendo que las mejoras de la infraestructura suelen seguir con retrasos.

Estudio de caso: La revolución industrial revisitada

El artículo original se refería a los análisis de regresión de la Revolución Industrial, pero la profundidad del trabajo moderno merece un tratamiento más completo. Los historiadores han debatido durante mucho tiempo lo que causó el avance en el crecimiento británico después de 1760. Las cuentas tradicionales enfatizan las invenciones de carbón, vapor y mecánica. Pero los modelos de regresión permiten a los académicos probar explicaciones competitivas cuantitativamente.

Las regresiones de paneles más recientes de la producción industrial británica de 1700 a 1850 incluyen variables como los precios del algodón, la producción de hierro y los rendimientos agrícolas. Al incluir efectos fijos en el tiempo, los investigadores pueden absorber choques comunes como guerras o fallas de cosecha, aislando el papel de cambios tecnológicos específicos.Los resultados sugieren que mientras el motor de vapor era transformador, su impacto en la productividad agregada era modesto hasta los 1830, décadas después de la invención.

El estudio de caso ilustra también la importancia de la especificación de modelo. Las regresiones tempranas que incluyeron sólo capital y trabajo como predictores a menudo produjeron “residentes” (la parte de la TFP) que fueron implacablemente grandes, lo que implica que la tecnología explicó casi todo crecimiento. Los enfoques modernos agregan capital humano, instituciones y precios energéticos, reduciendo el residual a una parte más defensible.

Retos y consideraciones

Error de fragmentación y medición de datos

Los datos históricos son muy poco tan limpios como las encuestas contemporáneas. Los historiadores económicos a menudo trabajan con registros fiscales, registros parroquiales, libros de contabilidad y tablas de censos que contienen lagunas, errores de transcripción y definiciones inconsistentes. Error de medición en una variable independiente normalmente sesgosa coeficientes de regresión hacia cero, un fenómeno conocido como sesgo de atenuación.

Bias variables omitidas

La correlación no implica causalidad, una lección que la regresión por sí sola no puede enseñar. Una regresión que encuentra un fuerte vínculo positivo entre la expansión del ferrocarril y el crecimiento económico puede faltar el hecho de que ambos fueron impulsados por una tercera variable, por ejemplo, la demanda creciente de exportaciones. Si esa variable omitida correlaciona con la variable independiente (raínea) y la variable dependiente (crecimiento), el método de coeficiente estimado se comparará historial

Regreso espurioso y no estacionaridad

Al analizar largas series (por ejemplo, el PIB de 1800 a 2000), muchas variables económicas se han desarrollado con el tiempo. Regresar una serie de tendencias a otra puede producir valores de alto valor de R y una impresionante t-estadística incluso si los dos no están relacionados, un caso clásico de regresión espuria. Los historiadores económicos deben probar las raíces unitarias y la cointegración, y a menudo utilizar modelos de gestión incorrectos

Multicollinearidad y tamaño de la muestra

Los predictores históricos como la educación, los ingresos y la urbanización a menudo están muy correlacionados en regiones, lo que dificulta aislar la contribución única de cada variable. La multicollinearidad infla los errores estándar, lo que lleva a estimaciones de coeficientes imprecisos. Los investigadores pueden abordar esto utilizando técnicas de reducción de dimensiones (por ejemplo, componentes principales), al reunir datos o al limitar el número de variables.

Técnicas avanzadas de regresión en la historia económica

Datos del panel y efectos fijos

Muchos conjuntos de datos históricos combinan unidades transversales (contras, regiones, empresas) observadas durante varios períodos de tiempo. La regresión del panel explota ambas dimensiones, permitiendo a los investigadores controlar factores no observados que son constantes a lo largo del tiempo (por ejemplo, geografía, cultura) y factores de tiempo comunes a todas las unidades (por ejemplo, recesiones globales) lo que reduce drásticamente los prejuicios variables omitidas.

Variables instrumentales

Cuando se sospecha que la endogeneidad significa que la variable independiente está correlacionada con el término de error: variables que afectan a la variable independiente pero que no están directamente correlacionadas con el resultado, excepto a través de esa variable. En contextos históricos, los instrumentos a menudo provienen de experimentos naturales o accidentes históricos. Por ejemplo, para estimar el efecto causal de los derechos de propiedad en la inversión agrícola en la India colonial, los investigadores podrían utilizar rápidamente el momento de los asentamientos de los ingresos instrumentales como instrumento

Diferencia en diferencias y controles sintéticos

Difference-in-differences (DiD) compara la evolución de un resultado en un grupo que experimentó un cambio de política en relación con un grupo que no, antes y después del cambio. Los historiadores económicos han aplicado DiD para evaluar la introducción de leyes de escolarización obligatoria, regulaciones bancarias y extensiones de sufragio.La hipótesis clave de identificación es que las tendencias en los dos grupos habrían sido paralelas en ausencia de la política - una condición rigurosa

Métodos de serie para las rupturas estructurales

La serie de tiempo histórico suele mostrar rupturas estructurales — cambios en la media o tendencia debido a guerras, crisis financieras o cambios de régimen de políticas. Las técnicas tradicionales de regresión pueden no detectar o modelar adecuadamente estos descansos. enfoques modernos como pruebas de punto de ruptura endógeno (por ejemplo, pruebas de Bai-Perron) permiten que los datos identifiquen las fechas de ruptura, que pueden ser incorporadas en modelos de regresión con variables de soplazo.

Conclusiones y futuras orientaciones

El análisis de regresión se ha convertido en indispensable para la historia económica, transformando la disciplina de un campo puramente narrativo en uno que prueba hipótesis con rigor estadístico. Al cuantificar las relaciones, controlar a los confundadores, identificar efectos causales, los modelos de regresión han profundizado nuestra comprensión de las transformaciones económicas pasadas, desde la Revolución Industrial hasta la Gran Depresión. El mejor trabajo en el campo reconoce abiertamente las limitaciones, utiliza estrategias de identificación robustas y hallazgos.

Los historiales económicos están adoptando cada vez más técnicas de aprendizaje automático, como bosques aleatorios y regresión lasso, para manejar datos históricos de alta dimensión y para descubrir relaciones no lineales que podrían perder las tradicionales OLS. Enfoques de texto (por ejemplo, contar palabras en periódicos históricos) también se combinan con la regresión para medir actitudes culturales, discursos políticos y calidad institucional.