21 Econometría Bayesiana
Temas a revisar:
- Diferencia entre el enfoque frecuentista y el enfoque bayesiano
- La regla de Bayes como mecanismo de actualización de información
- Componentes básicos del análisis bayesiano: prior, likelihood y posterior
- Interpretación probabilística de los parámetros
- Aplicaciones y motivación en econometría moderna
21.1 Apuntes
Los apuntes detallados y las diapositivas sobre econometría bayesiana se encuentran en preparación.
21.2 Idea central
La econometría bayesiana propone una forma distinta de pensar la inferencia estadística. Mientras el enfoque frecuentista trata al parámetro como una constante fija y atribuye aleatoriedad únicamente a la muestra, el enfoque bayesiano modela explícitamente la incertidumbre sobre el parámetro mediante una distribución de probabilidad.
Sea \(\theta\) el parámetro de interés y \(y\) la muestra observada. La actualización bayesiana se resume en la regla de Bayes:
\[ p(\theta \mid y) = \frac{p(y \mid \theta)\, p(\theta)}{p(y)} \propto p(y \mid \theta)\, p(\theta), \]
donde:
- \(p(\theta)\) es la distribución previa (prior)
- \(p(y \mid \theta)\) es la verosimilitud (likelihood)
- \(p(\theta \mid y)\) es la distribución posterior
- \(p(y)\) es una constante de normalización
La intuición es directa: comenzamos con información previa sobre \(\theta\) y luego la actualizamos usando la evidencia contenida en los datos.
21.3 Comparación con el enfoque frecuentista
En el enfoque frecuentista, la inferencia gira en torno a estimadores, errores estándar, intervalos de confianza y pruebas de hipótesis construidos a partir de la distribución muestral del estimador.
En cambio, en el enfoque bayesiano el objeto principal de interés es la distribución posterior del parámetro. A partir de ella pueden obtenerse:
- medias, medianas o modas posteriores
- intervalos creíbles
- probabilidades posteriores de eventos de interés
- predicciones integrando la incertidumbre paramétrica
Por ejemplo, en lugar de decir que un procedimiento de intervalo contiene al verdadero parámetro en 95% de repeticiones muestrales, un análisis bayesiano permite afirmar que, dado el modelo y los datos, existe una probabilidad posterior de 95% de que \(\theta\) pertenezca a un determinado intervalo.
21.4 El rol de la información previa
Una característica distintiva del enfoque bayesiano es la incorporación explícita de información previa. Esto puede ser útil cuando:
- existe evidencia acumulada de estudios anteriores
- se dispone de restricciones teóricas razonables
- la muestra es pequeña y la información muestral por sí sola es limitada
- el problema involucra muchos parámetros y conviene introducir regularización
La elección del prior no es un detalle menor. Dependiendo del contexto, pueden usarse priors informativos, débilmente informativos o difusos. En la práctica, una parte importante del análisis consiste en evaluar la sensibilidad de los resultados frente a distintas elecciones de prior.
21.5 Computación y aplicaciones
En muchos modelos bayesianos, la distribución posterior no tiene forma cerrada. Por ello, la econometría bayesiana moderna depende fuertemente de métodos computacionales, especialmente:
- Markov Chain Monte Carlo (MCMC)
- muestreador de Gibbs
- algoritmo de Metropolis-Hastings
- métodos variacionales y aproximaciones numéricas
Estos métodos han ampliado mucho el uso de la econometría bayesiana en modelos jerárquicos, series de tiempo, macroeconomía cuantitativa, aprendizaje estadístico y problemas de predicción.
21.6 Comentario final
La econometría bayesiana no debe verse solo como una alternativa filosófica al frecuentismo. También constituye un marco muy útil para trabajar con modelos complejos, introducir información previa de forma transparente y describir la incertidumbre de manera más completa.
21.7 Referencias
Koop, G. (2003). Bayesian Econometrics. Wiley.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. and Rubin, D. B. (2013). Bayesian Data Analysis. CRC Press.
Lancaster, T. (2004). An Introduction to Modern Bayesian Econometrics. Blackwell.