Tema 2

El método hipotético-deductivo, dominante en Economía, se articula en cinco fases que forman un ciclo iterativo. La primera es la observación de la realidad y de los hechos relevantes: el economista registra regularidades —por ejemplo, que en la mayoría de los mercados la demanda cae cuando sube el precio— y delimita el fenómeno que quiere explicar. Esta fase depende crucialmente de la disponibilidad de datos y del marco teórico previo que orienta la mirada: el economista no observa en el vacío, sino desde una tradición disciplinar (Marshall, Keynes, la econometría moderna).

La segunda fase es la formulación de hipótesis explicativas, articuladas en un modelo. Las hipótesis son enunciados condicionales sobre el comportamiento de los agentes o las variables (“si sube el salario mínimo, el empleo de los trabajadores de baja cualificación cae”). El modelo incorpora supuestos simplificadores explícitos (ceteris paribus, racionalidad, información perfecta) que hacen el análisis manejable a costa de alejarse de la realidad.

La tercera fase es la deducción de implicaciones contrastables: a partir del modelo y sus supuestos se derivan predicciones que, en principio, podrían ser refutadas por la evidencia. Cuanto más precisas y arriesgadas las predicciones, mayor el poder discriminante del test. Una hipótesis que predice “el empleo caerá entre el 0,5 % y el 1,5 % por cada 10 % de aumento del salario mínimo” es más contrastable que “el empleo variará negativamente”.

La cuarta fase es la contrastación empírica con datos mediante estadística descriptiva, econometría (OLS, diferencias en diferencias, variables instrumentales, regresión discontinua), análisis de series temporales o experimentos controlados. Es la fase que más ha evolucionado: la “credibility revolution” de Angrist y Pischke (2009) impuso estándares de identificación causal que exigen demostrar que la correlación observada no es artefacto de variables omitidas. La quinta y última es la aceptación provisional o refutación: la hipótesis se acepta provisionalmente si resiste los tests disponibles, nunca de manera definitiva. El proceso es iterativo: una hipótesis refutada estimula reformulaciones, mejores datos y diseños más robustos. La acumulación de resultados replicados consolida programas de investigación (Lakatos 1970).

Thomas Kuhn (1962, La estructura de las revoluciones científicas) introdujo la idea de “paradigma”: las ciencias avanzan por ciencia normal dentro de un paradigma dominante hasta que las anomalías acumuladas provocan una revolución científica. En Economía, la revolución keynesiana (1936) y la respuesta monetarista-nuevoclásica de los años 70 se han descrito como cambios de paradigma.

Imre Lakatos (1970) habló de “programas de investigación científica” con un núcleo duro protegido por hipótesis auxiliares. Más realista que el falsacionismo ingenuo para describir la práctica investigadora cotidiana. En Economía, el programa neoclásico (núcleo: maximización racional bajo restricción) ha protegido su núcleo duro durante décadas frente a anomalías comportamentales, incorporando en cambio hipótesis auxiliares sobre racionalidad acotada e información imperfecta. La economía conductual representa finalmente un cambio más profundo en el núcleo mismo.

Razonamiento de los casos particulares a la ley general. Ejemplo: observar que en muchos mercados el precio y la cantidad demandada se mueven en sentidos opuestos lleva a postular la ley general de la demanda. Es el método clásico del empirismo inglés (Bacon, Hume).

Crítica clásica de Hume: la inducción no es lógicamente válida (el pasado no garantiza el futuro). Solo aporta conocimiento probabilístico, no necesario.

Síntesis dominante: las hipótesis se formulan deductivamente desde una teoría y se contrastan inductivamente con datos empíricos. Es el método de la Economía empírica actual. Las herramientas son: la estadística descriptiva, la econometría (regresión, variables instrumentales, diferencias en diferencias, regresión discontinua), el análisis bayesiano y los experimentos controlados.

En las dos últimas décadas, la “credibility revolution” (Angrist y Pischke 2009) ha elevado sustancialmente el estándar empírico: se exige identificación causal creíble, no solo correlaciones. La American Economic Association exige desde 2019 código y datos replicables.

Milton Friedman, en Essays in Positive Economics (1953), defendió la superioridad metodológica de la Economía positiva y sostuvo, en su tesis más controvertida, que el realismo de los supuestos no importa: lo único relevante es la capacidad predictiva del modelo. La analogía famosa es la del jugador de billar que se comporta “como si” calculara las trayectorias con física newtoniana.

Posición criticada por Samuelson (1963), quien defendió el realismo descriptivo. La discusión sigue abierta: la economía conductual contemporánea (Thaler) ha documentado cómo supuestos irreales sobre racionalidad llevan a predicciones erróneas en muchos contextos.

Vernon Smith (Nobel 2002): demostró que puede hacerse Economía en laboratorio. Sus experimentos pioneros sobre mercados de doble subasta mostraron una convergencia rápida al precio de equilibrio competitivo, sorprendentemente eficiente. Más adelante, los juegos del ultimátum y del dictador han revelado que los sujetos no actúan como homo economicus puros: la equidad y la reciprocidad importan.

Esta línea conecta con la economía conductual de Kahneman y Tversky: Prospect Theory (1979) modelizó la aversión a la pérdida (las pérdidas duelen aproximadamente el doble que las ganancias equivalentes alegran), el efecto marco y el anclaje.

David Card, Joshua Angrist y Guido Imbens (Nobel 2021): inferencia causal a partir de situaciones reales que reproducen condiciones experimentales sin diseño deliberado. El estudio Card-Krueger (1994) sobre la subida del salario mínimo en Nueva Jersey comparó cadenas de comida rápida en Nueva Jersey y Pensilvania (control) con la técnica de diferencias en diferencias y no encontró el efecto negativo sobre el empleo predicho por la teoría neoclásica estándar.

Otras técnicas centrales: variables instrumentales (Angrist sobre el efecto de la escolarización en salarios usando la edad de fin de obligatoriedad), regresión discontinua (efecto de un programa que se aplica solo a los hogares por debajo de un umbral de renta), emparejamiento por propensity score.

Aplicación reciente en España: evaluaciones del Ingreso Mínimo Vital (vigente desde 2020, con más de 700.000 hogares perceptores en 2024) mediante experimentos cuasi-naturales en comunidades autónomas con distinto grado de complementariedad.

El giro empírico de la década de 2010 —a veces denominado la “credibility revolution” por Angrist y Pischke (2009, Mostly Harmless Econometrics)— no quedó sin tensiones. La “crisis de replicabilidad” afectó también a la economía: un estudio coordinado por la American Economic Association (AEA) (Camerer et al., 2016, Science) intentó replicar 18 artículos publicados en el American Economic Review y el Quarterly Journal of Economics y obtuvo resultados estadísticos comparables en el 61 % de los casos, y cualitativamente similares en el 67 %. En psicología, la tasa de replicación era inferior. En términos absolutos, sin embargo, el 39 % de los resultados no replicaban con claridad —una advertencia sobre la fragilidad de resultados empíricos que parecían sólidos. Como respuesta, la AEA instituyó en 2019 la figura del Data Editor (actualmente Lars Vilhuber, Cornell) con mandato de exigir acceso público a código y datos antes de la publicación en sus revistas; los informes anuales del Data Editor (2020-2024) documentan tasas de replicación completa crecientes, que en 2023 superaban el 80 % de los artículos revisados. La pre-registro de hipótesis —estándar en medicina desde los ensayos clínicos— se extiende progresivamente en economía para evitar el p-hacking (búsqueda retrospectiva de especificaciones que arrojen significación estadística).

Un marco complementario a los métodos cuasi-experimentales es el de los modelos causales dirigidos (DAG — Directed Acyclic Graphs), sistematizado por Judea Pearl (2009, Causality: Models, Reasoning, and Inference, 2.ª ed.). Los DAG representan explícitamente las relaciones causales entre variables —quién causa a quién— de forma que se puede razonar sobre qué variables de control “abren” o “cierran” caminos causales. La economía los ha adoptado con relativa lentitud (a diferencia de la epidemiología), pero autores como Imbens y Rubin (2015, Causal Inference for Statistics, Social, and Biomedical Sciences) han explorado la convergencia entre el marco de variables instrumentales de la economía y el marco de Pearl. La utilidad para el opositor es conceptual: exige distinguir entre correlación (asociación estadística sin dirección causal) y causalidad (mecanismo que une causa y efecto), y entender por qué la inferencia causal requiere diseño —ya sea experimental, cuasi-experimental o basado en supuestos estructurales explícitos— y no solo datos suficientemente grandes.

Alan Blinder (1987, Hard Heads, Soft Hearts) y encuestas posteriores del IGM Forum (Universidad de Chicago) muestran que existe consenso entre economistas en aproximadamente el 70 % de las cuestiones técnicas: efectos del libre comercio, daños del proteccionismo, impuestos pigouvianos sobre externalidades, valor de la independencia del banco central. La discrepancia pública aparece amplificada por los medios y por sesgos de selección de portavoces.

Ejemplo de consenso casi total: la mayoría de economistas mainstream defienden alguna forma de impuesto al carbono como instrumento eficiente contra el cambio climático (declaración firmada en 2019 por 27 premios Nobel y más de 3.000 economistas).