2020 CamposLopez EE BigDataGoogle PDF

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/338521663
Grandes datos, Google y desempleo
Article · January 2020

DOI: 10.24201/ee.v35i1.399
CITATION READS
1 17
2 authors:
Raymundo M. Campos-Vazquez Sergio López-Araiza

The College of Mexico Instituto Tecnológico Autónomo de México (ITAM)
85 PUBLICATIONS 624 CITATIONS 2 PUBLICATIONS 1 CITATION
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Female labor force participation in Mexico View project
The effects of real exchange rate shocks on firms decisions: The case of the Mexican Manufacturing sector 2000-2014 View project
All content following this page was uploaded by Raymundo M. Campos-Vazquez on 10 June 2020.
The user has requested enhancement of the downloaded file.

GRANDES DATOS, GOOGLE Y DESEMPLEO
BIG DATA, GOOGLE AND UNEMPLOYMENT
Raymundo M. Campos Vázquez
Sergio E. López-Araiza B.
El Colegio de México, A. C.
Resumen: Utilizamos datos de búsquedas en Google sobre empleo para pronosticar

la tasa de desempleo en México. Discutimos la bibliografı́a relacionada
con nowcasting y big data donde se utilizan datos generados en in-
ternet para predecir desempleo. Además, explicamos algoritmos de
aprendizaje que sirven para escoger el mejor modelo de predicción. Fi-
nalmente, se aplican estos algoritmos para encontrar el modelo que
mejor prediga la tasa de desempleo en México. En términos de polı́ti-
cas públicas, creemos que los datos generados a través de internet y
los nuevos métodos estadı́sticos son claves para mejorar el diseño y la
pertinencia de las intervenciones.
Abstract: We use Google Trends data for employment opportunities related reply
in order to forecast the unemployment rate in Mexico. We begin by
discussing the literature related to big data and nowcasting in which
user generated data is used to forecast unemployment. Afterwards, we
explain the basics of several machine learning algorithms. Finally, we
implement such algorithms in order to find the best model to predict
unemployment using both Google Trends queries and unemployment
lags. From a public policy perspective, we believe that both user gen-
erated data and new statistical methods may provide great tools for
the design of policy interventions.
Clasificación JEL/JEL Classification: C52, C53, E24, J64, O54
Palabras clave/keywords: desempleo; Google; grandes datos; aprendizaje au-

tomático; predicción; México; unemployment; Google; big data; machine learning;
prediction
Fecha de recepción: 07 XI 2018 Fecha de aceptación: 05 II 2019
Estudios Económicos, vol. 35, núm. 1, enero-junio 2020, páginas 125-151

126 ESTUDIOS ECONÓMICOS
1. Introducción
Los estudios empı́ricos adquieren cada vez mayor importancia en la

literatura de la ciencia económica (Einav y Levin, 2014a, 2014b). En
particular, se ha visto una importante disminución de los artı́culos
netamente teóricos frente a aquellos en los que se utilizan los datos
para validar las hipótesis presentadas (Hamermesh, 2013). Al mismo
tiempo, por avances tecnológicos y de poder computacional, los datos
generados en internet han ido ganando relevancia para investigación
cientı́fica. Esto ha generado un creciente interés desde la economı́a por
conocer y aplicar los algoritmos de aprendizaje de máquina (machine
learning) y grandes datos (big data) para responder las preguntas
relevantes de la disciplina.
El presente artı́culo se suma a la nueva corriente de literatura que
ha comenzado a utilizar los métodos de aprendizaje de máquina para
realizar investigación cientı́fica aplicada. En concreto, presentamos
un entorno muy especı́fico en el que tanto estos nuevos modelos como
las nuevas fuentes de datos que el internet ha traı́do consigo son de
gran utilidad para la ciencia económica en México.
Nuestra intención es, por un lado, mostrar cómo es que los méto-
dos de aprendizaje de máquina están siendo utilizados en la literatura
económica a nivel internacional y, por otro, demostrar su utilidad para
estudiar la economı́a mexicana. Además, queremos introducir algunos
de estos métodos y cómo es que son instrumentados en la computa-
dora para mostrar al gremio de economistas mexicanos cómo es que
pueden ser utilizados en otras agendas de investigación.
Por otro lado, internet se ha convertido, en sı́ mismo, en una
inmensa nueva fuente de datos. Las interacciones de los usuarios en
redes sociales, las búsquedas personales, las ofertas de empleo y hasta
las reseñas son potencialmente un insumo poderoso para contestar
preguntas tradicionales (y no tradicionales) utilizando nuevas bases
de datos. Este artı́culo, por lo tanto, también contribuye a diseminar
dicha información para la academia mexicana.
Nuestra principal aportación consiste en mostrar cómo es que
métodos propios del aprendizaje de máquina -como el LASSO (Least
Absolute Shrinkage and Selection Operator) y los bosques aleatorios
(Random Forest)-, aunados a datos de búsquedas en Google, pueden
ayudarnos a predecir el valor de algunas variables macroeconómicas
en el presente antes de que contemos con datos oficiales al respecto.
Concretamente, buscamos predecir con la mayor precisión posible la
tasa de desempleo nacional antes de que el Instituto Nacional de Es-
tadı́stica y Geografı́a (INEGI) publique la información oficial. Este
GRANDES DATOS, GOOGLE Y DESEMPLEO 127
ejercicio no se ha realizado para la economı́a mexicana y representa

una contribución importante en la bibliografı́a del tema.
Pese a que dichos métodos han demostrado ser particularmente
eficientes para explorar las diferencias en efectos para subconjuntos
heterogéneos de la población, este artı́culo pretende, únicamente, de-
mostrar una aplicación sencilla de dichos algoritmos. En este sen-
tido, si la capacidad predictiva que pueda tener el ı́ndice de Google
Trends, utilizado tanto en modelos econométricos como en métodos de
aprendizaje de máquina, mejora al analizar distintas subpoblaciones
económicamente activas no será nuestro principal interés y, por este
motivo, su análisis se limita a la fase exploratoria de los datos.
Tanto los nuevos métodos como los datos de Google traen con-
sigo enormes ganancias predictivas. El método LASSO tiene un mejor
desempeño que un modelo autorregresivo (conocido en la literatura
como AR), incluso al incorporar datos de Google.
Por su parte, el bosque aleatorio tiene un desempeño apenas
un poco inferior al LASSO. Finalmente, la precisión del modelo AR
mejora de forma considerable cuando toma en cuenta datos de Google.
Por tales motivos, argumentamos que la ciencia económica en México
tiene que conocer y comenzar a utilizar estos métodos y nuevas fuentes
de datos.
El resto del artı́culo está organizado como sigue. En la sección
dos presentamos la abundante literatura que ha surgido de utilizar
métodos de aprendizaje de máquina o datos de internet para contestar
preguntas que son importantes en economı́a. Estos métodos han sido
explotados desde muy diversos puntos de vista y con propósitos muy
variados, por lo que conocer todo su potencial nos parece de enorme
relevancia. Las secciones tres y cuatro están enfocadas en compren-
der mejor los datos que utilizaremos. En la primera, ofrecemos una
breve explicación acerca de cómo se generan los datos de Google que
utilizamos y exploramos sus principales caracterı́sticas, mientras que
en la segunda analizamos la relación que presentan estos datos con la
Encuesta Nacional de Ocupación y Empleo (ENOE) que presenta el
INEGI. En la sección cinco se discute la metodologı́a que utilizaremos
para construir y analizar los modelos y sus resultados. Explicamos
en profundidad, particularmente, cómo evaluar de forma comparable
el desempeño de los modelos, ası́ como las implicaciones teóricas y
prácticas del LASSO y del bosque aleatorio. La sección seis contiene
el análisis de los resultados y en la sección siete presentamos nuestras
conclusiones.
2. Bibliografı́a relevante
La ciencia económica ha visto en las últimas décadas un fuerte au-
mento de trabajos empı́ricos (Einav y Levin, 2014b). En este con-
texto, es natural que el uso tanto de fuentes de datos alternativas
como de nuevos métodos de análisis estadı́stico estén incorporán-
dose cada vez con mayor frecuencia a la literatura económica. Es
cierto que el enfoque de dichas técnicas consiste en buscar mejorar las
predicciones de los modelos y no, como en los métodos econométricos
tradicionales, lograr identificar una relación causal entre dos variables
(Einav y Levin, 2014b).
Sin embargo, su capacidad predictiva y las nuevas fuentes de
datos han generado importantes ejemplos de su enorme valor para
guiar polı́ticas públicas (Athey, 2017; Banco Mundial, 2014) y para
mejorar la investigación económica cuantitativa en general (Taddy,
2018). De hecho, estas nuevas técnicas estadı́sticas ya han comenzado
a ser empleadas para responder a preguntas clave de las ciencias so-
ciales, como mejorar la precisión de los pronósticos electorales alrede-
dor del mundo (Gerunov, 2014; Kennedy, Lazer y Wojcik, 2017). Por
otro lado, también se ha enfatizado la utilidad de dichos algoritmos
para hacer que la toma de decisiones esté sistematizada y sea eficiente.
Ejemplos de ello podemos encontrarlos en Erel et al. (2018) -en el
ámbito de la conformación de los directivos de grandes empresas- o en
Mullainathan y Obermeyer (2017), referente a diagnósticos médicos.
Otros usos de estos métodos para ciencias sociales abarcan di-
versos ámbitos del sector público, desde la educación hasta los de-
partamentos policiacos. En el ámbito educativo, diversos estudios se
han enfocado en predecir a los estudiantes de educación media con
una mayor propensión a no terminar sus estudios, canalizando ası́ de
forma mucho más eficiente los recursos para apoyarlos (Sara et al.
2015; Lakkaraju et al. 2015; Aguiar et al. 2015). Por otro lado,
estas herramientas han sido utilizadas también para identificar a los
elementos policiales más propensos a tener un desencuentro con la
sociedad (como, por ejemplo, hacer uso desmedido de la fuerza) y
evitar ası́ el desgaste de la imagen de la policı́a en Estados Unidos
(Carton et al. 2016).
Se ha enfatizado también cómo el poder predictivo del llamado
aprendizaje de máquina puede ser utilizado en el entorno de inferencia
causal econométrico (Varian, 2014). En este sentido, se ha destacado
su capacidad para encontrar la forma funcional adecuada (Athey,
2018), su probable uso para escoger el instrumento más adecuado
en un estudio de variables instrumentales (Belloni, Chernozhukov y
Hansen, 2014), contrastar empı́ricamente el desempeño de diversas
teorı́as (Mullainathan y Spiess, 2017) e identificar efectos heterogé-

neos en experimentos (Chernozhukov et al., 2018).
En otro ámbito, de entre todas las fuentes de datos que el Big
Data ha traı́do consigo, la más importante de ellas es el internet. Este
tipo de datos tienen importantes ventajas, como su disponibilidad en
tiempo real (Hilbert, 2016) y el alto volumen de observaciones que
nos permite analizar datos con un nivel de granularidad que antes era
impensable (Einav y Levin, 2014a). Además, los datos obtenidos a
través de internet nos han permitido generar variables que antes eran
inexistentes (Hilbert, 2016).
Una importante fuente de datos proveniente de internet para la
ciencia económica han sido las redes sociales, que nos dan acceso tanto
a las conversaciones y búsquedas como a los contactos y trayectorias
individuales. Por tal motivo, las redes sociales han permitido a los
economistas responder empı́ricamente preguntas que, hasta ahora,
habrı́an sido imposibles de estudiar. En este sentido, Llorente et al.
(2015), al utilizar las ubicaciones desde las cuales los españoles pu-
blicaban en la red social Twitter, generaron un modelo para predecir
los datos de desempleo antes de que estos fueran publicados por el
gobierno. De forma similar, el Global Pulse Lab (2014) de la ONU
logró mejorar las predicciones de la inflación en Indonesia mediante
las búsquedas en esta misma red social.
Otros estudios han logrado entender importantes procesos eco-
nómicos utilizando datos de sitios electrónicos en los que se promueve
algún tipo de intercambio económico entre los usuarios. Por ejem-
plo, Cavallo y Rigobon (2016) estimaron los niveles de inflación en
Argentina entre 2007 y 2015 -una época en las que las estadı́sticas ofi-
ciales resultaban poco creı́bles- utilizando datos de tiendas en lı́nea.
Asimismo, Einav et al. (2014) estudiaron cómo responden los con-
sumidores a impuestos locales en sus compras por Ebay, mientras
que Einav et al. (2018) analizaron el efecto de distintas estrategias
de venta en la misma plataforma. Finalmente, Gleaser, Kim y Luca
(2017) utilizaron datos de Yelp, una plataforma en la que los usuarios
suben reseñas de diversos establecimientos comerciales, para predecir
los niveles de actividad económica local en el presente (nowcasting).
El área de economı́a laboral también ha sido beneficiada por los
datos provenientes de internet (Beblavy, Kurekova y Thum, 2014).
Marinescu y Wolthoff (2016) utilizaron los datos de la página career-
builder.com (plataforma en la que se demandan empleos y la gente
puede postularse para obtenerlos) para entender cómo se emparejan
las preferencias de la empresa con las de los posibles empleados, mien-
tras que Marinescu (2017) los consideró para entender el efecto que
tienen las extensiones al seguro de desempleo en Estados Unidos sobre

la búsqueda de empleo.
Otra importante fuente de datos para la literatura económica
ha sido el ı́ndice de Google Trends, que muestra la intensidad de
búsquedas en esta plataforma para determinados temas. Ha sido
utilizado para hacer predicciones sobre el presente en torno a la venta
de coches en Estados Unidos (Choi y Varian, 2012; Choi, 2010), las
solicitudes de seguro de desempleo (Choi, 2010) y la demanda de via-
jes a determinados sitios turı́sticos (Choi y Varian, 2012). Además,
Google Trends ha sido usado para medir el racismo a nivel estatal en
Estados Unidos (Stephens-Davidowitz, 2017) o los efectos del seguro
de desempleo en la búsqueda de empleo (Baker y Fradkin, 2017).
Un mayor número de ejemplos de predicciones del presente de
la actividad económica con Google Trends lo proporcionan Tuhkuri
(2015) y Goel et al. (2010). En el caso del primero, estima un modelo
AR para predecir el presente de la tasa de desempleo a nivel estatal
en Estados Unidos. De acuerdo con sus resultados, la información
contenida en el ı́ndice de Google Trends mejora la capacidad predic-
tiva de su modelo. Goel et al. (2010), por su parte, consideran el
ı́ndice de Google Trends para predecir el comportamiento de los con-
sumidores en diversos mercados: las ventas en taquilla en la semana
de estreno de pelı́culas, ventas de videojuegos y el ranking en la lista
de 100 canciones más escuchadas de Billboard. En todos los casos,
observan que los ı́ndices de búsqueda pueden predecir bastante bien
los resultados.
Esta explosión en nuevas fuentes de datos está ı́ntimamente rela-
cionada con una mayor capacidad para procesar y organizar bases
cada vez más complejas. En este sentido, las técnicas propias del Big
Data también son sumamente útiles en una etapa de procesamiento
(Mullainathan y Spiess, 2017). Por ejemplo, Barjamovic et. al (2017)
utilizaron algoritmos para procesar registros de transacciones entre
comerciantes asirios del siglo 19 A.C. y, haciendo uso de modelos
macroeconómicos de comercio, predecir en dónde podrı́an encontrarse
las ruinas de antiguas ciudades de la Edad de Bronce.
Otro importante ejemplo de cómo las nuevas técnicas y el poder
computacional con el que contamos actualmente está influyendo po-
derosamente en la ciencia económica lo proveen Bok et al. (2018). En
un ejercicio similar al nuestro, presentan un modelo que les permite
predecir en el presente, con un gran nivel de precisión, los cambios
reales en el PIB de Estados Unidos utilizando ı́ndices publicados por
diversas fuentes.
Finalmente, el uso de Big Data en ciencias sociales también ha

sabido aprovechar las imágenes como fuentes de información. Run-
dle et al. (2011) utilizaron imágenes de Google Street View para
codificar las condiciones de ambiente -seguridad peatonal y el trá-
fico motorizado de la zona, entre otras- de diversos barrios de Nueva
York. Asimismo, se han utilizado imágenes satelitales nocturnas para
generar medidas aproximadas de la riqueza de determinadas áreas
basándose en su iluminación (Henderson, Storeygard y Weil, 2012).
Pese a que las técnicas y fuentes de datos propios del Big Data
cada vez permean con mayor intensidad a la economı́a, es impor-
tante tener en mente múltiples consideraciones para poderlos utilizar
e interpretar correctamente. Por un lado, es imprescindible tener en
cuenta cuál es el proceso de generación de datos (Banco Mundial,
2014) que, a su vez, determina qué observaciones son observables y
cuáles no. En este sentido, es importante tomar en cuenta que puede
existir algún error de muestreo al tratarse de individuos que se auto-
seleccionan para aparecer como observables.
Para finalizar, existen también algunas complicaciones éticas y
logı́sticas. Por un lado, los mayores recolectores de este tipo de datos
son instituciones privadas. Lograr convenios de colaboración entre la
academia con el sector privado para trabajar con dichos datos puede
tornarse en una tarea complicada (Horton y Tambe, 2015). Por otro
lado, la granularidad de los datos trae consigo un importante proble-
ma ético: garantizar la privacidad de las personas.
Este dilema es claro en una fuente de datos que cada vez es más
común en el uso de Big Data para las ciencias sociales: las llamadas
y localizaciones de los teléfonos celulares. Blumenstock y Donaldson
(2013) analizaron patrones de llamadas desde teléfonos móviles en
Ruanda para entender cómo la movilidad del factor trabajo pone en
equilibrio los mercados laborales. Independientemente de que se trata
de una gran aportación empı́rica para la economı́a, los protocolos
para garantizar el anonimato de los individuos cuyas llamadas fueron
rastradas es un tema de gran importancia.
En sı́ntesis, el uso tanto de las nuevas fuentes de datos como de
los nuevos métodos de análisis que conforman al llamado Big Data
se ha insertado ya en la literatura económica con experiencias muy
diversas. Sin embargo, pese a que el ı́ndice de Google Trends ha sido
utilizado con herramientas econométricas tradicionales, no hemos en-
contrado aún una comparación entre los algoritmos de aprendizaje
de máquina y dichos modelos econométricos cuando ambos incorpo-
ran la información de las búsquedas por internet. El presente estudio
pretende mostrar cómo los nuevos métodos estadı́sticos y los datos de
internet pueden utilizarse para mejorar la predicción del presente en

el caso mexicano. Esa será nuestra aportación a la literatura.
3. Tendencias en Google
En los últimos años, Google Trends se ha convertido en una poderosa

herramienta para conocer los temas que más interesan a las personas
en un momento en el tiempo. Al ser Google el motor de búsqueda más
popular de nuestros dı́as, la posibilidad de conocer cómo va evolucio-
nando el interés en esta plataforma a lo largo del tiempo de determi-
nados temas nos permite tener un pulso de cómo van moldeándose las
preferencias y los intereses individuales. Además, las condiciones en
las que los individuos suelen hacer búsquedas en esta plataforma di-
gital -usualmente solos y desde el anonimato- hacen que dichos datos
sean de gran utilidad para conocer pensamientos o preferencias que
podrı́an ser socialmente cuestionadas (Stephens-Davidowitz, 2017).
De este modo, podemos obtener un pulso en torno a temas sensibles,
como el racismo o las preferencias electorales, que probablemente no
reflejarı́a una encuesta tradicional debido a que los entrevistados tien-
den a dar la respuesta socialmente aceptable al entrevistador.
Google Trends nos permite obtener una serie de tiempo de un
ı́ndice que representa el interés en determinados temas en la pla-
taforma (Choi y Varian, 2012). Dicho ı́ndice es calculado con una
muestra representativa de todos los datos de búsqueda de Google en
el periodo de tiempo especificado. Pueden consultarse dos muestras
distintas: en tiempo real o con datos del pasado. La primera está
basada en una muestra aleatoria de los últimos siete dı́as, mientras que
la segunda se basa en otra muestra en un rango de tiempo que puede
comenzar desde 2004 hasta 36 horas antes de la consulta (Rogers,
2016). Debido a que el ejercicio de muestreo se realiza con cada
búsqueda que el usuario hace en Google Trends, los resultados pueden
presentar diferencias mı́nimas, aun cuando se hagan dos búsquedas
idénticas (Choi y Varian, 2012).
Sin embargo, la interpretación de la información que presenta
Google Trends dista mucho de ser sencilla, pues lo que reporta es un
ı́ndice que va de 0 a 100 en el periodo de tiempo seleccionado. De
este modo, de acuerdo con la ayuda desplegada por el mismo Google
Trends, “Los números reflejan el interés de búsqueda en relación con
el mayor valor [...] en una región y en un periodo determinados. Un
valor de 100 indica la popularidad máxima de un término, mientras
que 50 y 0 indican una popularidad que es la mitad o inferior al 1%,
respectivamente, en relación al mayor valor” (Google, s.f.).
Para calcular este ı́ndice, Google se basa en una medida de interés

de los términos de búsqueda, y no en el total de búsquedas de dicho
término en su motor. En este sentido, lo que Google Trends utiliza
es el cociente del número de búsquedas del término especificado por
el usuario sobre el total de búsquedas en Google en ese momento del
tiempo. Por ejemplo, si le pidiéramos a Trends que nos desplegara
información acerca del término de búsqueda “empleo”, Google Trends
utilizarı́a la ecuación 1 para calcular su ı́ndice:
Busquedas empleo
interes = (1)
T otal de busquedas Google
Con estos cocientes, Google Trends calcula el ı́ndice normalizando

a 100 el dı́a para en el cual el término de interés obtuvo una mayor
proporción de búsquedas y calcula el resto de los valores relativos al
cociente de ese dı́a.
Este modo de calcular el ı́ndice trae consigo ciertas ventajas. Al
reflejar el interés en un tema, y no el total de búsquedas del mismo, la
comparación entre diferentes regiones y distintos periodos tiene mu-
cho más sentido: el número de búsquedas en el estado de Guerrero
podrı́a ser potencialmente mucho menor al de la Ciudad de Méxi-
co, para cualquier tema, simplemente por el número de habitantes
y por la penetración de internet. No obstante, la medida de inten-
sidad utilizada por Google permite que ambos sean comparables al
reflejar un ı́ndice relativo al total de búsquedas en cada entidad. Lo
mismo podrı́a decirse a través del tiempo: en el año 2004 el número
de búsquedas en Google de cualquier tema es probablemente menor
al que observarı́amos ahora, sencillamente porque Google no era tan
popular en 2004 como lo es hoy.
Sin embargo, el uso de este cociente para calcular el ı́ndice pre-
sentado con Google Trends hace que sea un poco más complicado in-
terpretar los cambios en la tendencia del ı́ndice a lo largo del tiempo.
Esto se debe a que la disminución en el valor del ı́ndice de un dı́a
al otro, para un determinado término de búsqueda, puede explicarse
tanto por un menor número de búsquedas asociadas a este término
como por un aumento en el resto de las búsquedas de Google. Lo que
puede traer consigo ventajas y desventajas, dependiendo del tipo de
análisis que pretenda hacerse con los datos de Google Trends. Por
tal motivo, cualquier análisis que utilice estos datos debe hacerse con
mucha precaución, siempre tomando en cuenta que se presenta un
ı́ndice basado en la proporción de búsquedas, y no en el total.
Otra ventaja de Google Trends es que pueden hacerse búsquedas

por términos o por temas. Mientras que las primeras arrojan los
resultados para los términos de búsqueda especificados por el usuario
(y muestran resultados exclusivamente para el idioma en el que se
especificaron), los segundos agrupan a todos los términos de búsqueda
especı́ficos a un tema, en cualquier lenguaje. Por ejemplo, la búsqueda
del tema “Londres” arrojarı́a un ı́ndice basado en la búsqueda de los
términos “Londres”, “London” y “capital de Inglaterra”, entre otros.
Además, en el caso de las búsquedas por términos, el modo en el
que está escrita la búsqueda (en términos de mayúsculas, minúsculas
y acentuación) es importante: el resultado puede ser diferente para
“Lı́bano” que para “libano” o “lı́bano”.
Finalmente, hay que considerar también que Google Trends tiene
ciertas limitaciones en términos de los datos que no muestra. Por un
lado, no puede mostrar datos para búsquedas hechas por pocas per-
sonas: este tipo de búsquedas tendrá un ı́ndice con un valor de cero.
Además, Google Trends excluye términos de búsqueda con caracteres
especiales, como apóstrofes.
4. Correlaciones con la Encuesta Nacional de Ocupación y

Empleo (ENOE)
Antes de describir los modelos a utilizar, conviene explorar pri-

mero cómo es que se relaciona la tasa de desempleo con el predictor
que estamos proponiendo: el ı́ndice de búsquedas de Google Trends
(IGT) para el término “empleo + ‘bolsa de trabajo’ ”. Debido a que
los otros predictores serán las tasas de desempleo rezagadas, esta es
la única variable independiente relevante en la presente sección.
Creemos que puede existir una correlación importante entre am-
bas variables porque internet, cada vez con mayor presencia, es un
medio importante de búsquedas de empleo en nuestro paı́s. Además,
de acuerdo con datos del Instituto Nacional de Estadı́stica y Geografı́a
(INEGI), el número de usuarios de internet en México va en aumento,
incluso llegó a 60% de cobertura en 2016 (INEGI, 2017).
Por otro lado, como ya se mencionó anteriormente, existe evi-
dencia de que los datos generados en internet, en general, (Gleaser,
Kim y Luca, 2017; Bok et al, 2018) y las búsquedas de Google, en
particular, son de gran utilidad para predecir el presente (Choi y
Varian, 2012). Inclusive, el ı́ndice de Google ya ha sido utilizado con
éxito para predecir el desempleo en Estados Unidos (Tuhkuri, 2015).
Sin embargo, hasta donde tenemos conocimiento, aún no existe un
estudio que documente la utilidad de las búsquedas en Google para

predecir las condiciones del mercado laboral en México.
En la gráfica 1, mostramos el comportamiento de la tasa de de-
sempleo a nivel nacional tomada de la ENOE (eje del lado izquierdo)
y del ı́ndice de Google Trends (eje del lado derecho):
Gráfica 1
IGT y tasa de desocupación a nivel nacional
Fuente: Elaboración propia con datos de la ENOE y del IGT

para la búsqueda “empleo + ‘bolsa de trabajo’ ”.
Es importante recordar que, pese a que ambos datos teóricamente

fluctúan del 0 al 100, en realidad, debido a que tienen varianzas muy
distintas, están en diferentes escalas. Como podemos observar, mien-
tras que el IGT, efectivamente, toma valores que van del 40 al 100
a lo largo de los 13 años para los que disponemos de datos, la tasa
de desocupación va de 3% a 6.4%. Por tal motivo, no resulta tan
relevante que las lı́neas pasen exactamente por el mismo punto, sino
que fluctúen de forma similar a través del tiempo.
En términos generales sı́ observamos, de hecho, un movimiento
en la misma dirección de ambas curvas. Incluso en el periodo que
va de 2008 a 2010, cuando la Gran Recesión estadunidense dejó es-
tragos en la economı́a mexicana, el IGT registró movimientos muy
similares (aunque vale la pena recalcarlo, en otra escala) a la tasa

de desocupación nacional. Por este motivo, el IGT sı́ parece ser un
buen predictor para la tasa de desempleo nacional. Sin embargo, ¿se
relaciona tan bien con la tasa de desocupación de hombres que con la
de mujeres?
Pese a que encontrar este tipo de diferencias no es la motivación
principal del presente artı́culo, creemos que podrı́a ayudarnos a en-
tender el perfil de usuarios de la plataforma de búsqueda más popular
de internet. En la gráfica 2 se presenta una matriz de correlación (en
número y en figura de dispersión) con el IGT y las tasas de desocu-
pación de hombres, mujeres y promedio a nivel nacional. El primer
renglón y columna se refieren al IGT, el segundo renglón y columna
a la tasa de desocupación nacional y el tercer y cuarto renglón se
refieren a la tasa para hombres y mujeres, respectivamente.
Gráfica 2
Matriz de correlaciones
Fuente: Elaboración propia con datos de la ENOE y del IGT para la búsqueda
“empleo + ‘bolsa de trabajo’ ”. La gráfica muestra una matriz de correlaciones entre
diversas variables. En la diagonal encontramos la distribución y el nombre de las
variables, en la parte inferior izquierda los puntos de dispersión de las variables corre-
lacionadas acompañado de una lı́nea de tendencia entre ambas. Finalmente, la parte
superior derecha presenta el ı́ndice de correlación de Pearson.
En primera instancia, vale la pena resaltar las correlaciones pre-

sentes en las tasas de desocupación. Claramente, como lo mues-
tra la gráfica 2, la desocupación de los hombres está asociada de
forma más cercana a la nacional (corr=0.98) que la de las mujeres
(corr=0.94). Por otro lado, la correlación entre estas es mucho más
débil: corr=0.85.
En lo referente al ı́ndice de Google Trends es claro que tiene
una asociación más fuerte con la desocupación femenina nacional
(corr=0.58) que con la masculina nacional (corr=0.47). No obstante,
ambos valores están relativamente cercanos a la correlación que pre-
sentan con la tasa nacional (corr=0.53), por lo que podrı́amos esperar
que, igual que como observamos en la gráfica anterior, el IGT y la des-
ocupación nacional tanto de hombres como de mujeres se comportaran
de forma similar a la nacional.
En efecto, como lo muestra la gráfica 3, para ambos casos el
IGT y la tasa de desocupación se mueven en términos generales en la
misma dirección. En sı́ntesis, sı́ parece existir una relación importante
entre el nivel de desempleo y el IGT para la búsqueda “empleo +
‘bolsa de trabajo’ ”. En este sentido, usar los datos de Google Trends
para predecir el presente del mercado laboral mexicano podrı́a ser
factible, siempre y cuando utilicemos los métodos adecuados. En la
siguiente sección describiremos brevemente tres distintos métodos que
usaremos para intentar predecir el desempleo nacional.
Gráfica 3
IGT y desocupación nacional por sexo
Gráfica 3
(continuación)
Fuente: Elaboración propia con datos de la ENOE y del IGT

para la búsqueda “empleo + ‘bolsa de trabajo’ ”.
Finalmente, podrı́a resultar importante explorar cómo es que se

correlaciona el ı́ndice de Google Trends con la tasa de desempleo
para distintos subconjuntos de la población económicamente activa.
El cuadro 1 muestra el ı́ndice de correlación de Pearson entre el ı́ndice
de Google Trends y el desempleo de distintos subgrupos.
Cuadro 1
Correlación entre IGT y otras series de desempleo
Serie Índice de correlación
de Pearson con el IGT
Desempleo entre menores a 30 años 0.51
Desempleo entre quienes tienen entre 30 y 60 años 0.48
Desempleo entre los mayores a 60 años 0.31
Desempleo urbano 0.62
Hombres desempleo urbano 0.54
Mujeres desempleo urbano 0.66
“empleo + ‘bolsa de trabajo’ ”.
Debido a la frecuencia de estos datos -que es trimestral y no

mensual, como las series que ocupamos para estimar los modelos-,
aunado a las restricciones de espacio del presente artı́culo, explorar
más a fondo dichas heterogeneidades cae fuera de los lı́mites de este
trabajo. Sin embargo, consideramos que hacerlo serı́a de suma im-
portancia para futuras investigaciones.
5. Aprendizaje automático: metodologı́a
El estudio que aquı́ presentamos pretende demostrar dos cosas. Por

un lado, que los datos provenientes de fuentes electrónicas pueden ser
de gran utilidad para predecir el presente (nowcasting) y, de este
modo, obtener medidas económicas preliminares antes de que los
datos oficiales estén disponibles, aun utilizando métodos econométri-
cos tradicionales. Más allá de la ganancia predictiva de estas nuevas
fuentes de datos, obtener información relativamente confiable del de-
sempeño económico en tiempo real puede ser de gran utilidad para
implementar a tiempo polı́ticas públicas informadas y eficientes. Por
otro lado, buscamos también acercar a la comunidad de ciencias so-
ciales los nuevos métodos del aprendizaje de máquina y evaluar su
capacidad predictiva vis a vis las técnicas econométricas populares
en la literatura.
Se utilizarán los datos de desempleo de la ENOE ası́ como el ı́ndice
de Google Trends para la búsqueda “empleo + ‘bolsa de trabajo’ ”
tanto a nivel nacional como estatal. La variable independiente será
la tasa de desempleo en el periodo t y construiremos nuestro modelo
predictivo con dicha variable rezagada algunos periodos, ası́ como con
el ı́ndice de Google Trends.
5.1. ¿Cómo medimos los errores?
Quizás la principal diferencia entre la econometrı́a tradicional y el

aprendizaje de máquina es que ambas están diseñadas para hacer
cosas distintas: mientras que la econometrı́a tradicional busca estimar
los parámetros del modelo (y por eso buscan estimaciones insesgadas
que se acerquen al “valor verdadero” del parámetro), los algoritmos
de machine learning están enfocados en mejorar la capacidad predic-
tiva del modelo (Mullainathan y Spiess, 2017; Athey, 2018). Lo que
implica que ya no importa cuál es el valor “real” de los parámetros,
sino que el valor que arroja el modelo sea el más útil para predecir
nuevas observaciones.
Por este motivo, la medición del error del modelo en la literatura

de aprendizaje de máquina se hace de forma distinta a los méto-
dos econométricos. Mientras que en econometrı́a buscamos reducir el
error cuadrático medio (ECM) dentro de la muestra sobre la que se es-
tima el modelo (Hayashi, 2011), en aprendizaje de máquina (machine
learning) se utiliza el método de validación cruzada (cross validation):
se dividen los datos en dos submuestras, una de entrenamiento (para
definir el valor de los parámetros del modelo) y otra de validación,
para medir el error predictivo del modelo (Hastie et al., 2013; Varian,
2014).
Por ejemplo, asumamos que dividimos los datos en cinco partes
iguales, de tal suerte que cada una de ellas contiene 20% de las ob-
servaciones (conocido en la literatura como five-fold cross validation).
Utilizarı́amos 80% de las observaciones (grupos 1 a 4) para entrenar el
modelo y el 20% restante para validarlo. Luego repetimos el ejercicio,
pero con grupos distintos (entrenamos con grupos 2 a 5 y validamos
con grupo 1). Nos quedamos con el modelo que tenga el ECM fuera
de la muestra más pequeño (Hastie et al., 2013).
Dicho procedimiento tiene sentido cuando se trata de datos de
sección cruzada. Sin embargo, en nuestro caso, lo que tenemos es un
modelo en el que nuestras observaciones tienen un fuerte componente
de correlación serial. Pese a que hay quien argumenta que puede
utilizarse el mismo procedimiento para dividir a los conjuntos de en-
trenamiento y de validación, consideramos que es pertinente utilizar
métodos que tomen en cuenta tanto la estructura de los datos como
el objetivo de predecir a futuro el problema.
Por tal motivo optamos por utilizar un procedimiento de vali-
dación cruzada con ventana cambiante (rolling window cross valida-
tion, más detalles en Hotal, Handa y Shrivas, 2017). Funciona de la
siguiente manera: se seleccionan n número de periodos (le llamare-
mos “ancho de la ventana”) y se utilizan los primeros n datos para
entrenar al modelo y, con él, predecir el valor de la variable en el
siguiente periodo. Puesto que conocemos el valor de la variable en el
periodo n + 1, podemos medir la precisión del modelo al compararlo
con el valor de la predicción.
Esto nos da una primera aproximación de validación cruzada.
Posteriormente, avanzamos solo un periodo y se repite el procedi-
miento, de tal suerte que se utilizan los datos que van desde que
t = 2 hasta t = n + 1 para predecir la observación en t = n + 2 y
calcular el error de predicción. El procedimiento se repite hasta haber
agotado los datos. La medida de error del método utilizado será el
promedio de los ECM de cada estimación (Inouea, Jinb y Rossi, 2017).
Para contrastar y comparar diferentes técnicas de estimación,

se utilizará dicha metodologı́a para calcular los errores de todos los
modelos. De este modo, tendremos una medida comparable entre los
diferentes casos que nos podrá mostrar las fortalezas y debilidades de
cada método.
En este sentido, dado que nuestro interés es comparar la capaci-
dad predictiva de los modelos, vale la pena aclarar que los parámetros
estimados pueden diferir a través del tiempo. Lo que se debe a que se
estimará el modelo en cada “ventana”, por lo que el valor de los esti-
madores dependerá de los datos que se encuentren en esta submuestra
de nuestro conjunto de datos.
5.2. Modelo autorregresivo
La primera especificación empı́rica que utilizamos para predecir el

nivel de desempleo en las entidades federativas proviene, con base en
Choi y Varian (2012), de modelos macroeconométricos tradicionales.
En relación con esto, utilizamos modelos AR con información de la
ENOE para predecir los niveles de desocupación en los trimestres
posteriores y analizamos si mejora la capacidad predictiva de di-
chos modelos al incorporar búsquedas de Google Trends asociadas
con búsquedas de empleo.
En concreto, el procedimiento compara la precisión de dos dife-
rentes modelos, descritos en las ecuaciones 2 y 3:1
yt = β1 yt−1 + β2 yt−12 + t (2)

contra
yt = β1 yt−1 + β2 yt−12 + γTt + t (3)
En donde IGT corresponde al ı́ndice de búsquedas de Google

Trends.
1
Esta es la versión más simple para un modelo autorregresivo, que nos pareció
sensata para la estimación del modelo: el rezago de un mes nos ayuda a incorporar
la tendencia temporal del desempleo, mientras que el rezago anual nos permita
capturar la estacionalidad de la demanda laboral. Sin embargo, en el anexo B se
pueden encontrar los resultados para estimaciones con modelos de AR con más
rezagos. Como podrá verse, las diferencias de precisión son marginales.
5.3. Otros modelos de análisis estadı́stico
Por otro lado, queremos poner a prueba la capacidad predictiva de

los algoritmos desarrollados en el ámbito del aprendizaje de máquina
para variables de ı́ndole económica. Para hacerlo, probaremos con
dos algoritmos distintos para generar predicciones: el método LASSO
y un bosque aleatorio (Random Forest).
5.3.1. Método LASSO
El primero de ellos, el método LASSO, es quizás el algoritmo de apren-

dizaje de máquina más utilizado por los economistas. Esto se debe,
principalmente, a su enorme parecido con la regresión lineal clásica
(Varian, 2014). El problema de minimización al que se enfrenta el
método LASSO es el que muestra la ecuación 4 (Hastie et al., 2013):
p
X X
β̂ = argmin (Yi − β 0 (Xi ))2 + λ |βj | (4)
i j=1
Como resultado, LASSO determina que el valor de algunos pará-

metros de interés debe ser cero, ya que está penalizando aquellos que
toman cualquier valor distinto (Hastie et al., 2013). Además, como
resulta evidente, el valor que tomen los parámetros es, al final, una
función del valor de lambda. Por este motivo, es importante selec-
cionar el valor de λ que minimice el error cuadrático medio utilizando
validación cruzada (Belloni, Chernozhukov y Hansen, 2014).
Aunque se tengan pocas variables independientes que resulten de
interés, el método LASSO nos permite incorporar al análisis una buena
cantidad de interacciones entre ellas. En este sentido, a diferencia de
lo que sucederı́a con una regresión tradicional, el método nos permite
explorar múltiples relaciones no lineales sabiendo que, en última ins-
tancia, buena parte de las interacciones que probemos tendrán un
coeficiente de cero (Mullainathan y Spiess, 2017).
LASSO refleja de forma importante la principal diferencia entre
la econometrı́a y el aprendizaje de máquina de la que hablábamos al
inicio de esta sección (estimación vs. predicción). Lo anterior se debe
a que, puesto que el problema de minimización del método obliga a
que muchos de los coeficientes tengan un valor de cero, el resto de los
coeficientes (que serán los que mejor nos ayuden a predecir futuras
observaciones) tendrán un sesgo de variable omitida (Varian, 2014;

Belloni, Chernozhukov y Hansen, 2014).
Para el problema de predicción utilizaremos el método LASSO
para predecir el valor de la tasa de desocupación considerando valo-
res rezagados tanto de esta variable (desde t − 1 hasta t − 12) como
del IGT (desde t hasta t − 12). Además, para explotar la flexibili-
dad del método, incorporaremos al análisis las interacciones cúbicas
de las variables para explorar relaciones no lineales. De este modo,
intentaremos predecir el modelo descrito en la ecuación 5:
 3
t−1
X t
X
ut ∼  ui + IGTi (5)
i=t−12 j=t−12
5.3.2. Bosque aleatorio (Random Forest)
El segundo método que utilizamos es un bosque aleatorio. Es uno

de los métodos más populares para la comunidad de aprendizaje de
máquina ya que tiene una gran capacidad predictiva sin la necesidad
de afinar excesivamente los hiperparámetros (Varian, 2014).
Un bosque aleatorio está conformado, a su vez, por múltiples
árboles de decisión. Cada árbol de decisión es un problema indepen-
diente2 que busca minimizar el error cuadrático medio (ECM) de las
predicciones partiendo el espacio de caracterı́sticas en cada nodo. De
este forma, selecciona la variable que, al ser dividida en dos regiones
distintas, predice mejor los resultados y minimiza el ECM. Una vez
terminado el árbol, a cada observación se le asigna como predicción el
valor promedio de todas las observaciones incluidas en su nodo termi-
nal. En última instancia, cada árbol genera una partición del espacio
2
Dichos árboles aplican reglas simples a los valores de las variables obser-
vables de forma secuencial para mejorar su capacidad predictiva. Por ejemplo,
supongamos que queremos predecir si la calificación de los alumnos en un examen
estandarizado es aprobatoria utilizando tan solo dos variables: las calificaciones
promedio de su escuela el ciclo pasado y su estatura. El árbol de decisión tomarı́a
en cuenta la variable de mayor poder predictivo en el primer nodo (supongamos
que lo son las calificaciones promedio) y partirı́a el espacio paramétrico en dos
(supongamos que es < 7 y >= 7). Posteriormente, en el siguiente nodo, generarı́a
una nueva regla para la estatura de los niños.
de variables y asigna el valor promedio a todas las observaciones que

se encuentran en la misma partición (Hastie et al., 2013; Athey, 2018).
Los bosques aleatorios generan una gran muestra de árboles uti-
lizando la técnica de bootstraping para generar submuestras. Poste-
riormente, calculan el valor promedio que cada observación recibió en
cada árbol y esta es la predicción final (Hastie et al., 2013). Tomar
el promedio ayuda a evitar un importante problema en los árboles de
decisión: el de ajustar excesivamente el modelo a los datos (overfit-
ting).
Quizás el mayor inconveniente para el uso de este método en
ciencias sociales es que es sumamente difı́cil interpretar sus resulta-
dos. A diferencia del método LASSO o los modelos AR, en los que
interpretar los resultados de la regresión es relativamente sencillo, los
bosques aleatorios fungen como una caja negra que poco pueden de-
cirnos sobre cómo es que las variables independientes afectan a las
dependientes (Varian, 2014).
Para efectos de este trabajo, consideraremos el bosque aleatorio
para predecir el valor de la tasa de desocupación nacional de la ENOE
(ut) utilizando rezagos trimestrales de esta variable (ut−1 , ut−3 , ut−6 ,
ut−9 , ut−12 ) y rezagos trimestrales del IGT (IGTt, IGTt−1, IGTt−3,
IGTt−6, IGTt−9 , IGTt−12). Nótese que, a diferencia de LASSO, no
generamos interacciones no lineales de las variables para meterlas al
modelo. La búsqueda de estas interacciones la hará el algoritmo.
6. Aprendizaje automático: resultados
6.1. Errores a través del tiempo
Antes de analizar qué tan precisos son los modelos en todo el periodo,
es conveniente comprender cómo se comportan a través del tiempo.
En la gráfica 4 observamos los errores de cada estimación para cada
periodo.
En primera instancia, en la gráfica podemos notar que, en tér-
minos generales, todos los modelos cometen sistemáticamente errores
similares. Es decir que, para prácticamente todos los meses, la di-
ferencia entre los errores de los modelos corresponde a la magnitud
del error y no su sentido (todos subestiman o sobrestiman la tasa de
desempleo).
Quizás el modelo más interesante para analizar de esta gráfica
sea el AR sin el IGT. Si bien es cierto que la dirección del error en
general no difiere de los otros modelos, podemos observar que dicho

modelo suele subestimar con una magnitud mucho mayor la tasa de
desempleo que el resto. Esta tendencia es mucho más clara para los
meses previos a 2014.
Gráfica 4
Error de predicción por modelo
“empleo + ‘bolsa de trabajo’ ”.
Finalmente, llama la atención el periodo que va de mediados

de 2014 a mediados de 2015, en el que todos los modelos subestiman
consistentemente la tasa de desempleo. Si bien es cierto que, dado que
utilizan prácticamente los mismos datos, no es del todo sorprendente
que la pérdida en precisión durante un periodo resulte contagiosa, sı́
llama la atención la forma en que el método LASSO se recupera. En
buena medida, se debe a que, para cada periodo, LASSO escoge cuáles
serán sus estimadores, independientemente de lo que haya decidido
en el periodo anterior.
En este sentido, LASSO puede ajustarse mucho mejor a momentos
en los que la relación entre las variables se comporta de forma distinta.
6.2. Error cuadrático medio
Si bien es cierto que la gráfica 4 nos sirve para analizar las tenden-
cias temporales de los estimadores, al presentar cuatro modelos en un
periodo de 13 años, basándonos en ella resulta imposible poder iden-
tificar cuál es el modelo más eficiente. Por tal motivo, en esta sección
analizaremos el error cuadrático medio durante todo el periodo para
cada modelo.
En el cuadro 2 presentamos el error cuadrático medio de las
predicciones para los cuatro modelos:
Cuadro 1
ECM por modelo
Modelo Error cuadrático medio

AR con IGT 0.083
AR sin IGT 0.096
LASSO 0.077
Bosque aleatorio 0.084
“empleo + ‘bolsa de trabajo’ ”. Notas: Modelos estimados descritos en texto. AR se
refiere a modelo autorregresivo
Como se puede observar, el modelo que comete errores de predic-

ción, en promedio, más acertados es el método LASSO. Lo que podrı́a
indicarnos que la relación entre el ı́ndice de Google Trends y la tasa
de desempleo no es necesariamente lineal, ya que entrenamos dicho
modelo utilizando interacciones cúbicas.
En este sentido, los modelos de aprendizaje de máquina, en ge-
neral, y el LASSO,en particular, sı́ parecen tener importantes ventajas
predictivas sobre los métodos econométricos tradicionales. En el caso
de LASSO, se lo podemos atribuı́r tanto a su flexibilidad para abordar
interacciones no lineales entre los predictores como al uso de vali-
dación cruzada para ajustar el hiperparámetro λ y, de este modo,
mejorar su capacidad predictiva.
También resulta interesante observar el comportamiento de los
modelos autorregresivos. En primera instancia, el segundo modelo
que mejor se comportó fue el AR cuando incluimos entre sus predic-
tores al IGT. De hecho, la diferencia entre el ECM de este modelo y el
ECM obtenido con el método LASSO no es tan grande. Es decir que,
pese a que la flexibilidad para representar relaciones no lineales sı́ trae

consigo una mejora en la capacidad predictiva del modelo, un modelo
lineal sencillo es capaz de “predecir el presente” razonablemente bien,
sin la necesidad de utilizar hiperparámetros o validación cruzada.
Por otro lado, la diferencia del error cuadrático medio de los
modelos AR cuando incluimos y cuando no incluimos el ı́ndice de
Google Trends es considerable: el modelo autorregresivo sin el IGT
es, por mucho, el modelo con la peor capacidad predictiva. Esto
parece indicarnos que las nuevas fuentes de datos, en general, y que
las búsquedas en Google, en particular, sı́ pueden ser de utilidad para
desempañar labores de nowcasting, por lo menos en determinados
contextos como el nuestro.
Finalmente, hay que comentar el desempeño del bosque aleato-
rio. Si bien es cierto que tiene un ECM mucho menor al modelo AR
cuando no usamos el IGT, puede quizás resultar un tanto sorprendente
que sea superado por el modelo autorregresivo con la información de
Google. Aunque, en realidad, la precisión de ambos modelos no difiere
sustancialmente, creemos que hay factores que podrı́an explicar dicho
resultado.
Hay que recordar que el bosque aleatorio es un modelo más com-
plejo y con más hiperparámetros a optimizar que el método LASSO.
En nuestro caso, para efectos de este trabajo, sólo optimizamos dos
hiperparámetros del bosque aleatorio: el tamaño de la muestra de
predictores que se utilizan para construir cada árbol y el número
de árboles. Si bien es cierto que las mejoras en precisión conforme
encontramos la combinación de parámetros óptima para este proble-
ma son marginales, podrı́amos esperar una disminución en el ECM si
ajustáramos otros hiperparámetros. En todo caso, esperarı́amos que
su precisión se mantuviera relativamente cercana a la que presenta el
modelo AR con el IGT.
7. Conclusiones
El presente artı́culo tenı́a como propósito presentar algunos modelos

propios del aprendizaje de máquina junto con nuevas fuentes de datos
provenientes de internet y su utilidad para la ciencia económica en
México. Concretamente, utilizamos tanto el IGT como el método
LASSO y el de bosque aleatorio para intentar predecir el desempleo
reportado por la ENOE.
En lo referente a los métodos, observamos que el LASSO sı́ pre-
senta ganancias predictivas a un método propio de la econometrı́a: los
modelos autorregresivos (AR). Además, el bosque aleatorio tuvo un

desempeño apenas inferior al modelo autorregresivo. En este sentido,
no se trata de que dichos métodos sean inherentemente superiores a
aquellos que ya conocemos y que, por lo tanto, debamos preferir siem-
pre a los primeros sobre los segundos. Por el contrario, concluimos
que, debido a que se trata de algoritmos diseñados inherentemente
para mejorar predicciones, los economistas debemos de conocerlos e
incorporarlos al conjunto de herramientas que tradicionalmente uti-
lizamos.
Por otro lado, es importante resaltar que la precisión de es-
tos modelos y su capacidad predictiva son muy distintas cuando se
utilizan en otros entornos. En este aspecto, creemos que conforme
sean utilizadas para contestar nuevas preguntas iremos comprendi-
endo mejor cómo utilizarlas en economı́a y conoceremos sus alcances
y limitaciones. Por su parte, el ı́ndice de Google Trends sı́ trajo con-
sigo información de gran utilidad para mejorar las predicciones en la
tasa de desempleo. Esto puede observarse al comparar la precisión del
modelo autorregresivo cuando toma en cuenta el IGT y el del modelo
autorregresivo cuando no lo hace.
La multiplicidad de nuevos datos que el internet trae consigo es
de gran relevancia para la ciencia económica en México. Hoy tenemos
acceso a una gran diversidad de fuentes de datos que pueden ser de
utilidad para comprender mejor, desde la economı́a en particular y
desde las ciencias sociales en general, nuestro entorno. Además, estas
nuevas fuentes de datos no son solamente un insumo de gran utilidad
para los cientı́ficos sociales. Por el contrario, los hacedores de polı́ticas
públicas pueden diseñar programas mucho más eficientes si cuentan
con herramientas como estas.
La explosión de trabajos empı́ricos en economı́a que se ha dado
desde hace ya algunos años atraviesa hoy por una nueva etapa en la
que cada vez hay más datos (que, además, son sumamente granu-
lares) y estamos conociendo nuevos métodos para analizarlos. Este
artı́culo es tan solo una muestra de lo poderosas que pueden ser dichas
herramientas aplicadas a la ciencia económica.
Agradecimientos
Agradecemos al director y dos dictaminadores anónimos por sus detallados comentarios

y sugerencias. Todos los errores y omisiones son responsabilidad única de los autores,
[email protected], [email protected].
Referencias
Aguiar, E., H. Lakkaraju, N. Bhanpuri, D. Miller, B. Yuhas y K.L. Addison.

2015. Who, When, and Why: A Machine Learning Approach to Prioritizing
Students at Risk of not Graduating High School on Time, Proceedings of
the 5th Learning Analytics and Knowledge Conference.
Athey, S. 2017. Beyond prediction: Using big data for policy problems, Science,
355(6324): 483-485.
Athey, S. 2018. The Impact of Machine Learning on Economics (2018), en A.
Agrawal, J. Gans y A. Goldfarb (comps.), The Economics of Artificial In-
telligence: An Agenda, NBER, cap. 21, pp. 507-547, http://www.nber.org/
chapters/c14009.
Baker, S. y A. Fradkin. 2017. The Impact of Unemployment Insurance on Job
Search: Evidence from Google Search Data, The Review of Economics and
Statistics, 99(5): 756-768.
Banco Mundial. 2014. Central America: Big Data in Action for Development,
https://openknowledge.worldbank.org/handle/10986/21325.
Barjamovic, G., T. Chaney, K. Cosar y A. Hortaçsu. 2017. Trade, Merchants,
and the Lost Cities of the Bronze Age, WP núm. 23992, NBER, Cambridge,
http://www.nber.org/papers/w23992.
Beblavy, M., L. Kurekova y A. Thum. 2014. Using Internet Data to Anal-
yse the Labour Market: A Methodological Enquiry, IZA DP núm. 8555,
https://www.iza.org/publications/dp/8555/using-internet-data-to-analyse-
the-labour-market-a-methodological-enquiry.
Belloni, A., V. Chernozhukov y C. Hansen. 2014. High-Dimensional Methods
and Inference on Structural and Treatment Effects, Journal of Economic
Perspectives, 28(2): 29-50.
Blumenstock, J. y D. Donaldson. 2013. How Do Labor Markets Equilibrate?
Using Mobile Phone Records to Estimate the Effect of Local Labor Demand
Shocks on Internal Migration and Local Wages, Proposal Summary for Ap-
plication C2-RA4-205 (mimeo).
Bok, B., D. Caratelli, D. Giannone, A. Sbordone y A. Tambalotti. 2018. Macroe-
conomic Nowcasting and Forecasting with Big Data, Annual Review of Eco-
nomics, 10(1): 615-643.
Carton, S., A. Mahmud, C. Cody, J. Helsby, Y. Park y R. Ghani. 2016. Identify-
ing Police Officers at Risk of Adverse Events, Conference on Knowledge Dis-
covery and Data Mining, http://www.kdd.org/kdd2016/papers/files/adf08
32-cartonAemb.pdf.
Cavallo, A. y R. Rigobon. 2016. The Billion Prices Project: Using Online Prices
for Measurement and Research, Journal of Economic Perspectives, 30(2):
151-178.
Chernozhukov, V., M. Demirer, E. Duflo e I. Fernandez-Val. 2018. Generic Ma-
chine Learning Inference on Heterogenous Treatment Effects in Randomized
Experiments, WP, núm. 24678, NBER, Cambridge, http://www.nber.org
/papers/w 24678.
Choi, H. 2010. Predicting Initial Claims for Unemployment Benefits, SSRN,
https://ssrn.com/abstract=1659307.
Choi, H. y H. Varian. 2012. Predicting the Present with Google Trends, Eco-
nomic Record, 88(s1): 29.
Einav, L., C. Farronato, J. Levin y N. Sundaresan. 2018. Auctions versus Posted
Prices in Online Markets, Journal of Political Economy, 126(1): 178-215.
Einav, L., D. Knoepfle, J. Levin y N. Sundaresan. 2014. Sales Tax and Internet
Commerce, American Economic Review, 104(1): 1-26.
Einav, L. y J. Levin. 2014a. The Data Revolution and Economic Analysis,
Innovation Policy and the Economy, 14(1): 1-24.
Einav, L. y J. Levin. 2014b. Economics in the Age of Big Data, Science,
345(6210): 1-6.
Erel, I., L. Henny, C. Tan y M. Weisbach. 2018. Selecting Directors Using Ma-
chine Learning, WP núm. 24435, NBER, Cambridge, http://www.nber.org/
papers/w24435.
Gerunov, A. 2014. Big Data Approaches to Modeling the Labor Market, publi-
cado en Proceedings of the International Conference on Big Data, Knowl-
edge and Control Systems Engineering, pp. 47-56.
Gleaser, E., H. Kim y M. Luca. 2017. Nowcasting the Local Economy: Using
Yelp Data to Measure Economic Activity, WP núm. 24010, NBER, Mas-
sachusetts, http://www.nber.org/papers/w24010.
Global Pulse Lab. 2014. Mining Indonesian Tweets to Understand Food Price
Crises, UN GLOBAL PULSE METHODS PAPER, february, https://www.unglob
alpulse.org/projects/social-media-social-protection-indonesia.
Goel, S., J. Hofman, S. Lahaie, D. Pennock y D. Watts. 2010. Predicting
consumer behavior with Web search, Proceedings of the National Academy
of Sciences, 107(41): 17486-17490.
Hamermesh, D. 2013. Six Decades of Top Economics Publishing: Who and How?
Journal Of Economic Literature, 51(1): 162-172.
Hastie et al. 2013. An Introduction to Statistical Learning: with Applications in
R, Springer.
Hayashi, F. 2011. Econometrics, Princeton University Press.
Henderson, J., A. Storeygard y D. Weil. 2012. Measuring Economic Growth
from Outer Space, American Economic Review, 102(2): 994-1028.
Hilbert, M. 2016. Big Data for Development: A Review of Promises and Chal-
lenges, Development Policy Review, 34(1): 135-174.
Horton, J. y P. Tambe. 2015. Labor Economists Get Their Microscope: Big
Data and Labor Market Analysis, Big Data, 3(3): 130-137.
Hota, H.S., R. Handa y A.K. Shrivas. 2017. Time Series Data Prediction Us-
ing Sliding Window Based RBF Neural Network, International Journal of
Computational Intelligence Research, 13(5): 1145-1156.
INEGI. 2017. Estadı́sticas a propósito del dı́a mundial de Internet, Aguas-
calientes, México. http://www.inegi.org.mx/saladeprensa/aproposito/2017
/internet2017 Nal.pdf
Inoue, Atsushi, Lu Jin y Barbara Rossi. 2017. Rolling window selection for
out-of-sample forecasting with time-varying parameters, Journal of Econo-
metrics, 196(1): 55-67.
Kennedy, R., D. Lazer y S. Wojcik. 2017. Improving election prediction inter-
nationally, Science, 355(6324): 515-520.
Lakkaraju, H., E. Guiar, C. Shan, D. Miller, N. Bhanpuri, R. Ghani y K.L.

Addison 2015. A Machine Learning Framework to Identify Students at Risk
of Adverse Academic Outcomes, International Conference on Knowledge
Discovery and Data Mining.
Llorente, A., M. Garcia-Herranz, M. Cebrian y E. Moro. 2015. Social Media
Fingerprints of Unemployment, PLoS ONE 10(5): e0128692.
Marinescu, I. 2017. The General Equilibrium Impacts of Unemployment Insur-
ance: Evidence from a Large Online Job Board, Journal of Public Eco-
nomics, 150(c): 14-29.
Marinescu, I. y R. Wolthoff. 2016. Opening the Black Box of the Match-
ing Function: the Power of Words, WP núm. 22508, NBER, Cambridge,
http://www.nber.org/papers/w22508t.
Mullainathan, S. y Z. Obermeyer. 2017. Does Machine Learning Automate
Moral Hazard and Error? American Economic Review: Papers and Pro-
ceedings, 107(5): 476-480.
Mullainathan, S. y J. Spiess. 2017. Machine Learning: An Applied Econometric
Approach, Journal of Economic Perspectives, 31(2): 87-106.
Rogers, S. 2016. What is Google Trends data??and what does it mean? https://
medium.com/google-news-lab/what-is-google-trends-data-and-what-does-it
-mean-b48f07342ee8.
Rundle, A., M. Bader, C.A Richards, K.M. Neckerman y J.O. Teitler. 2011.
Using Google street view to audit neighborhood environments, American
Journal of Preventive Medicine, 40(1): 94-100.
Sara, N.B., R. Halland, C. Igel y S. Alstrup. 2015. High-School Dropout Predic-
tion Using Machine Learning: A Danish Large-scale Study, en M. Verleysen
(comp.), Proceedings, ESANN 2015: 23rd European Symposium on Artifi-
cial Neural Networks, Computational Intelligence and Machine Learning,
i6doc.com, pp. 319-324.
Stephens-Davidowitz, S. 2017. Everybody Lies: Big Data, New Data, and What
the Internet Can Tell Us About Who We Really Are, HarperCollins Pub-
lishers, Nueva York.
Taddy, M. 2018. The Technological Elements of Artificial Intelligence, WP núm.
24301, NBER, Cambridge, http://www.nber.org/papers/w24301.
Tuhkuri, J. 2015. Big Data: Do Google Searches Predict Unemployment?, tesis
de maestrı́a, Universidad de Helsinki, https://helda.helsinki.fi/handle/10138
/155258.
Varian, H. 2014. Big Data: New Tricks for Econometrics, Journal of Economic
Perspectives, 28(2): 3-28.
Material complementario versión digital
ANEXO A: Rolling window, LASSO, y Random Forest en R
R es un lenguaje de programación especializado en manipulación de datos y análisis
estadístico. En él, es posible trabajar con todo tipo de objetos ─bases de datos (conocidos
como data frames), matrices, vectores y escalares, entre otros─ de forma simultánea. Se trata
de un software libre, con una gran comunidad de usuarios a nivel global, en el que
potencialmente cualquiera podría desarrollar paquetes (es decir, un conjunto de funciones)
dedicadas a realizar tareas determinadas.
Por estos motivos es que R es quizás una de las plataformas más populares a nivel profesional
para implementar algoritmos de aprendizaje de máquina. Además, debido a dicha
popularidad, R cuenta ya con una gran cantidad de paquetes para hacer prácticamente
cualquier tipo de análisis de datos. De hecho, es relativamente común que, cuando se propone
una nueva estrategia de análisis, se presente también un paquete estadístico en R para
implementarlo.
Pese a que hasta la fecha la comunidad de ciencias sociales no ha adoptado de forma
homogénea el uso de este lenguaje, su número de usuarios entre economistas, politólogos y
sociólogos, entre otros, sí va en aumento, tanto en México como en el resto del mundo. Por
este motivo es que resulta conveniente comprender este lenguaje y agregarlo al conjunto de
herramientas estadísticas que usamos los economistas.
En este anexo, explicamos el algoritmo para entrenar, generar y evaluar los modelos de
LASSO y bosque aleatorio en R utilizando la ventana cambiante (rolling window). Además
de explicar más a detalle los algoritmos, presentamos también el código en R que utilizamos
y lo explicamos paso por paso. Antes de comenzar, vale la pena recalcar que para entrenar
tanto al LASSO como al bosque aleatorio utilizamos la misma estructura de código para
implementar la ventana cambiante para su evaluación, por lo que esta podría ser un poco
repetitiva. Comenzaremos explicando cómo funciona el algoritmo de la ventana cambiante
utilizando un modelo AR y, posteriormente, nos centraremos en los modelos más propios del
aprendizaje de máquina.
A1. Elementos básicos de R
Es importante comenzar algunos elementos básicos de R. En primera instancia, es importante
aclarar que el operador “<-” se utiliza para asignar valores, de tal suerte que, para declarar
que “a=3”, escribiría “a<-3”. Pese a que desde hace un par de años R ha comenzado a
reconocer el operador “=”, sigue siendo recomendable usar la flecha1. Otro elemento
importante es el operador “c()”, que significa concatenar. Este operador nos permite crear
vectores, de tal suerte que si queremos asignarle a la variable “a” el vector [3,4,7,9],
escribiríamos “a<-c(3,4,7,9)”.
Finalmente, es importante hablar de los índices. R es un lenguaje base uno, lo que significa
que comienza a indexar los elementos de matrices y vectores a partir del número 1 (esta
distinción es importante puesto que hay otros lenguajes, como Python, que lo hacen a partir
del cero). Ahora bien, para acceder a los elementos de un objeto basta con poner,
inmediatamente al lado del nombre del objeto, entre corchetes, el número de elemento al que
se desee acceder. Por ejemplo, si queremos obtener el segundo elemento del vector “a” que
1
Hay que enfatizar que la dirección de la flecha importa. Siguiendo con el ejemplo anterior, es equivalente
escribir “a<-3” que “3->a”, pero escribir “3<-a” o a->3” sería incorrecto, pues no se le puede asignar un valor
a un número.
1
definimos anteriormente (recordemos que a=[3,4,7,9]) basta con escribir “a[2]”, lo cual nos
regresaría el número 4. Si se trata de una matriz, los índices van separados por una coma, el
primer elemento se refiere al renglón y el segundo a la columna (ej. B[2,4] nos regresaría el
valor que la matriz B tenga en su segundo renglón y en su cuarta columna).
A.2 Ventana cambiante
En esta sección presentaremos el algoritmo de ventana cambiante. Como se mencionó
anteriormente, este se utiliza tanto para la búsqueda de los hiperparámetros apropiados (a lo
que llamamos “entrenamiento del modelo”) como para la evaluación de los modelos, por lo
que entender su estructura es esencial. Utilizaremos como ejemplo los modelos AR, tanto el
que incluye al IGT como al que lo omite. Esta sección del código no la utilizamos durante
nuestros cálculos, la presentamos aquí para mostrar la estructura de la ventana móvil.
En primera instancia, es importante describir nuestros elementos de trabajo. Contamos con
una base de datos, a la que hemos decidido llamar “nacional” (puesto que información a nivel
nacional) en la que se encuentran todos nuestros datos. En ella tenemos a la tasa de
desocupación (a la que llamamos “desocupación_nacional”) con sus respectivos rezagos
trimestrales (que reciben el nombre “desocupación_nacional_lx”, en donde “x” representa el
número de meses por el que fueron rezagadas). Por otro lado, tenemos el IGT al que hemos
llamado “indice” con sus respectivos rezagos, nombrados bajo la misma lógica que los
rezagos de la tasa de desocupación. Hay que recalcar que, para que este código funcione, las
observaciones deben de estar ordenadas por fecha de forma ascendente.
El primer paso para implementar un algoritmo de ventana móvil consiste en declarar el ancho
de la ventana y el número de ventanas:
2
w_size<-60
n_windows<-nrow(nacional) – 60
En nuestro caso, utilizamos una ventana de 60 meses. Notemos que para definir el número
total de ventanas utilizamos la función “nrow()”, que nos devuelve el número de renglones
en una matriz o una base de datos.
Ya que tenemos claro el ancho de las ventanas y el número de ventanas que podemos generar,
lo que sigue es generar un ciclo (loop) que vaya recorriendo los renglones de la base,
corriendo el modelo AR y después guardando las predicciones de cada iteración. A
continuación, presentamos el código íntegro para hacerlo:
forecasts = foreach(i=1:n_windows, .combine = rbind) %do%{

nacional_in = nacional[i:(w_size + i - 1), ]
nacional_out = nacional[w_size + i, ]
m1 = lm(desocupacion_nacional ~ desocupacion_nacional_l1 +
desocupacion_nacional_l12 + indice, data = nacional_in)
f1 = predict(m1, nacional_out)
desocupacion_nacional_l12, data = nacional_in)
return(c(f1, f2))}
En primera instancia, es conveniente tener una idea general de lo que estamos haciendo: al
objeto “forecasts” le estamos asignando los valores que regrese el ciclo que declaramos
inmediatamente después. Este ciclo, como podrá observarse, lo declaramos con la función
“foreach”, a la que hay que otorgarle un vector de valores (“i=1:n_windows”). Notemos que
el operador “:” sirve para generar un vector que vaya desde lo que se encuentre de su lado
3
izquierdo ─en este caso “i”─ hasta el valor que se encuentre del lado derecho ─en este caso
“n_windows”─. Además, debemos de especificar a la función la estructura de datos que
queremos que nos regrese (“.combine = rbind”). Este último elemento le indica a la función
que lo que esperamos recibir es una matriz cuyas filas se van a ir llenando en cada iteración.
Finalmente, el operador “%do%” le indica a la función que haga sus cálculos de forma
secuencial (“%dopar%” le indicaría que los hiciera en paralelo).
Lo primero que estamos haciendo es generar las submuestras. La variable nacional_in está
tomando todas las observaciones que se encuentran en la base de datos nacional desde la
observación i(es decir, el número de iteración) hasta la observación “n_windows + i -1”. Por
su parte, la variable nacional_out toma el valor de la observación inmediatamente posterior.
Esto nos permitirá posteriormente evaluar las predicciones del modelo.
El resto del código consiste en correr la regresión y después hacer las predicciones.
Recordemos que un modelo AR no es más que un problema de MCO con valores rezagados
de la serie de tiempo. Podemos correr regresiones con la función “lm()” (por “modelo lineal”
en inglés), a la que le tenemos que decir la fórmula de la regresión que queremos correr (si
queremos hacer una regresión de x y z sobre y escribiríamos “y~x+z”) y el nombre del objeto
del que obtendremos los datos (en nuestro caso, lo hacemos con la base de datos
“nacional_in” que generamos en cada iteración).
La función “lm()” genera varios valores, entre ellos el valor de los coeficientes de la
regresión. Dichos valores los guardamos en el objeto “m1”. Posteriormente, utilizamos la
función “predict()” para, con los valores que guardamos en “m1”, hacer una predicción del
valor que tomará la tasa de desempleo dados los valores de sus predictores. Notemos que
basta con que “nacional_out” contenga las mismas variables que utilizamos en la regresión
4
para que la función “predict()” genere la predicción. El valor de la predicción se lo asignamos
a “f1”.
Como se mencionó anteriormente, se utilizaron ambos modelos AR por lo que lo que sigue
en el código es exactamente igual: corremos la regresión (ahora sin el IGT), le asignamos sus
valores a “m2”, hacemos la predicción para “nacional_out” y asignamos este valor a “f2”.
Posteriormente, utilizamos “return(f1,f2)” para indicarle a la función que lo que queremos
que nos devuelva sean las predicciones.
Ahora, “forecasts” es una matriz que contiene todas las predicciones hechas mediante la
ventana móvil, su primera columna contiene las predicciones para el modelo AR con el IGT
y la segunda para el AR sin el IGT. Generar un vector con los errores de predicción para cada
modelo y cada observación es sencillo:
e1 = tail(nacional[ ,"desocupacion_nacional"], nrow(forecasts)) - forecasts[ ,1]

Utilizamos la función “tail()” para quedarnos con las últimas n observaciones de “nacional”
(en este caso n se refiere al número de renglones de “forecasts”) y la variable
“desocupación nacional”. Finalmente, a este vector le restamos el vector generado por,
respectivamente, la primer y la segunda columna de “forecasts”. De este modo, “e1”
contiene ahora los errores de predicción del modelo AR con el IGT y “e2” el del AR sin el
IGT. Como veremos más adelante, ahora que tenemos estos vectores de errores podemos
generar gráficas, calcular el ECM de cada modelo y más.
A.3 Parametrizando LASSO
5
A continuación, presentamos el código utilizado para buscar el hiperparámetro λ óptimo
para el LASSO. Sin embargo, antes de hacerlo, hay que generar primero la base de datos
que utilizaremos pues, como se mencionó en la sección 5, generamos todas las
interacciones cúbicas entre el IGT y sus rezagos con la tasa de desocupación y sus rezagos.
polinomializable <- nacional[ , -which(names(nacional) %in% c(“Mes”,”fecha”,

“Estado”, “hombres_desocupacion_nacional” ,”hombres_participacion_nacional”,
“mujeres_desocupacion_nacional” ,”mujeres_participacion_nacional”,
“desocupación_nacional”))]
pol <- as.matrix(polinomializable)
predictores <- scale(poly(pol, degree = 3, raw = T))
En primera instancia, generamos la matriz “polinomializable” removiendo de la base de datos
“nacional” las columnas que no nos interesan. La función “which” nos ayuda a seleccionarlas
y el signo “-” indica que lo que se hará con esas columnas será quitarlas. Finalmente, la
función “as.matrix()” nos permite convertir la base de datos “polinomializable” en una
matriz. Recordemos que, aunque ambos tengan el mismo formato, para R son objetos
distintos con propiedades diferentes. Finalmente, utilizamos la función “poly()” para generar
la matriz “predictores” con todas las interacciones cúbicas para las columnas de la matriz
“pol”. A esta matriz, le aplicamos la función scale para estandarizar todas sus columnas.
response <- as.vector(nacional$desocupacion_nacional)

lambdas <- 10^seq(10, -2, length = 100)
mejor_lambda <- -1
error_min <- 50000
Generamos también otros objetos que serán necesarios en el proceso. Para correr el modelo
LASSO utilizaremos el paquete glmnet y la función homónima. A diferencia de la función
“lm()”, “glmnet()” no acepta bases de datos (dataframes) como elementos de entrada, por lo
6
que debemos de trabajar con matrices. Por este motivo, generamos el vector “response” que
contiene todos los datos de desocupación nacional incluidos en la base “nacional”.
Por otro lado, generaremos un vector de distintos valores para λ con el objetivo de iterar
sobre de él y encontrar la que minimice el ECM. Aunque no hay una motivación teórica
acerca de qué valores de λ debemos probar, este vector es el más utilizado. Finalmente,
definimos un error mínimo artificial, su utilidad se hará evidente en cuanto analicemos el
resto del código.
A continuación, presentamos el ciclo utilizado para buscar el hiperparámetro λ que minimice
el ECM. En términos generales, estamos corriendo el mismo ciclo de ventana móvil
explicado en la subsección anterior para cada posible valor de λ en el vector “lambdas”.
for (l in lambdas){forecasts = foreach(i=1:n_windows, .combine = rbind) %do%{

x_in = as.matrix(predictores[i:(w_size + i - 1), ])
y_in = response[i:(w_size + i - 1)]
x_out = predictores[w_size + i, ]
m1 = glmnet(x=x_in, y=y_in, lambda = l, alpha = 1)
f1 = predict(m1, t(x_out), s=l, type="response")
return(c(f1))}
error = tail(nacional[ ,"desocupacion_nacional"], nrow(forecasts)) - forecasts[ ,1]
rmse = 1000 * sqrt(mean(error ^ 2))
if (rmse<error_min){
mejor_lambda <- l
error_min<-rmse }}
En la primera línea del código, estamos indicándole a R que corra el ciclo de ventana móvil
que vimos anteriormente ─ahora aplicado a LASSO─ para cada valor l en el vector
7
“lambdas”. El objeto “forecasts”, la función “foreach” y el operador “%do%” se utilizan
exactamente igual que antes.
Por otro lado, para utilizar la función “glmnet” necesitamos una matriz de predictores y un
vector con los valores de la variable que queremos predecir. Por este motivo generamos los
objetos “x_in” y “x_out” ─predictores dentro y fuera de la ventana, respectivamente─ así
como “y_in”, que contiene los valores de la variable objetivo. Notemos que el criterio de
asignación de renglones se da igual que antes: desde i (el número de iteración) hasta w_size
+i-1.
Nuevamente, en “m1” guardamos el resultado del modelo LASSO que obtenemos de correr
la función “glmnet()”. A esta función tenemos que darle varios argumentos: x, los predictores
(“x_in” en nuestro caso); y, la variable objetivo (“y_in”, en nuestro caso); lambda, el
parámetro de penalización (al que nosotros le asignamos “l” que es la λ que estamos tomando
en cada iteración) y alpha, que siempre es igual a uno para que el modelo sea un LASSO2.
El paso restante consiste en tomar los vectores de predicciones que emergieron con el valor
de λ de cada iteración para generar el vector de errores y, posteriormente, el ECM.
Finalmente, si el ECM de esa iteración es menor a “error_min”3 y, de ser así, asignamos el
valor de “rmse” a “error_min” y el de “l” a “mejor_lambda”. Como resultado, obtendremos
el valor de λ que minimiza el ECM, calculado con el algoritmo de ventana móvil, para el
método LASSO.
2
La función “glmnet” nos sirve para correr modelos más generales que LASSO. Si definieramos α=0, nos
quedaríamos con otro modelo para grandes dimensiones llamado Ridge.
3
En la primera iteración es muy factible que lo sea pero, a partir del segundo valor l, estaremos comparando
los errores entre los modelos.
8
A.4 Parametrizando el bosque aleatorio
En términos generales, el algoritmo para parametrizar el bosque aleatorio funciona del mismo
modo que el de LASSO: generamos vectores de posibles valores de los hiperparámetros,
corremos un ciclo en el que, para cada valor o combinación de valores, calculemos el valor
de los errores utilizando el ciclo de ventana móvil y, finalmente, nos quedamos con los
valores de los hiperparámetros que minimicen el ECM.
mejor_m <- -1
mejor_t <- -1
error_min <- 10000000000
mvector <- ncol(nacional)/c(1:19)
tvector <- seq(from=500, to=550, by=5)4
set.seed(1993)
Hay que mencionar que los bosques aleatorios son modelos muy populares puesto que
simultáneamente son muy flexibles (es decir, podemos ajustar muchos hiperparámetros) y
no requieren ser ajustados de forma exhaustiva. Para fines del presente trabajo, nosotros
decidimos enfocarnos en dos hiperparámetros del bosque aleatorio: el número de variables
que se seleccionan aleatoriamente para construir cada árbol individual (m, en el vector
“mvector”) y el número total de árboles (t, en el vector tvector). Finalmente, la función
“set.seed()” nos permite fijar la distribución aleatoria de los datos para asegurarnos que el
ejercicio es replicable.
for (t in tvector){for (m in mvector){
4
t=500 es el valor que la función “RandomForest” introduce por default. Para poder hacer una búsqueda
amplia sobre el valor óptimo corrimos los ciclos para distintos vectores “tvector”. La idea es primero generar
un vector con mayor amplitud aunque menos granular (ej. Nosotros comenzamos con tvector =
seq(400,1500, by=150) ) e ir concentrándonos en las regiones en las que el ECM se minimice.
9
m4 = randomForest(desocupacion_nacional ~ desocupacion_nacional_l1 +
desocupacion_nacional_l3 + desocupacion_nacional_l6 + desocupacion_nacional_l9 +
desocupacion_nacional_l12 + indice + indice_l1 + indice_l3 + indice_l6 + indice_l9 +
indice_l12, data=nacional_in, mtry=m, ntree=t)
f1 =predict(m4, nacional_out)
return(c(f1)) }
error = tail(nacional[ ,"desocupacion_nacional"], nrow(forecasts)) - forecasts[ ,1]
rmse = 1000 * sqrt(mean(error ^ 2))
if (rmse<error_min){
mejor_m <- m
mejor_t <- t
error_min<-rmse}}}
Como la estructura del código es muy similar a las que hemos visto anteriormente, no nos
detendremos en explicar todos los pormenores y nos concentraremos únicamente en las
principales novedades. La primera diferencia que salta a la vista es que ahora se trata de tres
ciclos, no de dos como en el caso de LASSO. Esto responde al espacio de hiperparámetros:
ahora tenemos dos (t y m) cuando antes solo teníamos uno (λ). Además, cabe mencionar que,
al igual que la función “lm()”, la función “randomForest()” sí acepta como entrada una base
de datos, por lo que no es necesario transformar a la base “nacional” en una matriz, como sí
lo fue para parametrizar LASSO.
Comentemos la función “randomFores()”, pues se trata de una función tan flexible como el
modelo. En primera instancia, hay que hacer explícito cuál es la variable que queremos
predecir, cuáles los predictores y de qué base de datos los estamos sacando, con la misma
sintaxis en que lo hicimos para el AR. En nuestro caso, es necesario declarar también los
10
valores de los hiperparámetros que decidimos afinar: “ntree” y “mtry”. Notemos que, al igual
que en LASSO, asignamos a los hiperparámetros el valor que adquieren en cada iteración.
Finalmente, al igual que en la subsección anterior, obtenemos el vector de predicciones, lo
usamos para calcular el vector de errores y calculamos el ECM para cada combinación de
hiperparámetros. Haciendo la comparación de cada ECM, nos quedamos con los valores de
t y m que lo minimizan. Guardamos estos valores en “mejor_m” y “mejor_t”.
A.5 Generando la base de todos los modelos
Una vez que encontramos los valores óptimos para λ, m y t (guardados en “mejor_lambda”,
“mejor_m” y “mejor_t”, respectivamente), queremos construir una base de datos con los
errores de los cuatro modelos para poder compararlos. Para hacerlo, utilizamos el ciclo que
que vimos en la sección A2 para explicar la ventana móvil, pero añadiéndole los dos modelos
faltantes:
set.seed(1993)
x_in = as.matrix(predictores[i:(w_size + i - 1), ])
y_in = response[i:(w_size + i - 1)]
x_out = predictores[w_size + i, ]
# AR con IGT #
desocupacion_nacional_l12 + indice, data = nacional_in)
#AR sin IGT#
desocupacion_nacional_l12, data = nacional_in)
11
# LASSO #
m3 = glmnet(x=x_in, y=y_in, lambda = mejor_lambda, alpha = 1)
f3 = predict(m3, t(x_out), s=l, type="response")
# Random Forest #
m4 = randomForest(desocupacion_nacional ~ desocupacion_nacional_l1 +
desocupacion_nacional_l3 + desocupacion_nacional_l6 + desocupacion_nacional_l9 +
desocupacion_nacional_l12 + indice + indice_l1 + indice_l3 + indice_l6 + indice_l9 +
indice_l12, data=nacional_in, mtry=mejor_m, ntree = mejor_t)
f4 =predict(m4, nacional_out)
return(c(f1, f2, f3, f4))
setTxtProgressBar(pb, i)}
Notemos que estamos brindando los valores óptimos de los hiperparámetros que
encontramos anteriormente para, en este ciclo, quedarnos con las mejores predicciones que
posibles. Ahora, el objeto “forecasts” contendrá la matriz con las predicciones de los cuatro
modelos. Con él, podemos construir los vectores de errores para, por ejemplo, graficar su
comportamiento en el tiempo (ver gráfica 4):

df = data.frame("date"=tail(nacional$fecha, n_windows), "AR con IGT" = e1, "AR sin
IGT" = e2, "LASSO" = e3, "RandomForest" = e4)
mdf = melt(df,id.vars = "date")
names(mdf)[2] <- "Modelo"
Primero, al igual que como lo hicimos en la sección A.2, construimos los vectores de errores
de predicción de cada modelo. Con ellos, construimos una base de datos y tomamos sus
12
fechas de la base “nacional”. Hacemos esto con la función “dataframe()”, a la que le
indicamos los datos y los nombres de las columnas. Finalmente, generamos la base “mdf”
con la función “melt()”, que nos apila las columnas por fecha para generar las series de
tiempo. Este último paso es fundamental para generar la gráfica. Es importante recalcar que
la base “mdf” contiene tres columnas: fecha, error y tipo de modelo.
Por otro lado, calcular el ECM de cada modelo es relativamente sencillo utilizando los
vectores de errores:
rmse_ar_gt =sqrt(mean(e1 ^ 2))
rmse_ar = sqrt(mean(e2 ^ 2))
rmse_lasso = sqrt(mean(e3 ^ 2))
rmse_rf = sqrt(mean(e4 ^ 2))
A6. Gráficas
En términos generales, pueden generarse gráficas en R utilizando ya sea el motor base (con
la función “plot()”) o a través del paquete ggplot2. Debido a su enorme flexibilidad, esta
última opción es, por mucho, la más popular para los usuarios de R. Por este motivo, esta es
la opción que utilizamos para generar la gráfica.
gr <- ggplot(data = mdf) + geom_line(aes(x = date, y = value, linetype = Modelo, color =

Modelo)) + labs(title="", x="Fecha", y="Error de predicción", variable="Modelo") +
theme_bw() + geom_hline(yintercept = 0)+
theme(title = element_text(size=20, face="bold"),
axis.text=element_text(size=20),
axis.title.y =element_text(size=20),
legend.position = c(0.89, .865),
13
legend.text=element_text(size=15))
La sintaxis para generar gráficas en ggplot2 es relativamente sencilla: primero utilizas la
función “ggplot()” para declarar elementos principales de la gráfica y posteriormente,
mediante el símbolo “+”, se van agregando nuevos elementos. En nuestro caso, a la función
“ggplot()” solo le indicamos que los datos necesarios para generar la gráfica se encuentran
en la base de datos llamada “mdf”.
Posteriormente, utilizamos la función “geom_line()” para especificar que lo que queremos
graficar son líneas (podríamos usar, por ejemplo, “geom_point()” o “geom_bar()” para
graficar puntos o barras, respectivamente). Dentro de “geom_line()” declaramos los
elementos de la gráfica usando “aes()”: indicamos qué queremos en cada eje y cuáles son los
diferentes grupos dentro de la base de datos (en nuestro caso, los grupos corresponden a los
modelos predictivos).
Posteriormente, con la función “labs()” declaramos el texto que queremos que aparezca tanto
en el título como en los ejes, así como el título de la leyenda para diferenciar a los grupos.
Utilizamos “theme_bw()” para cambiar el color del fondo de la gráfica (que, por default, es
gris) y, con “geom_hline()” generamos la línea roja en el eje x. Finalmente, la función
“theme()” nos permite modificar múltiples elementos de la gráfica: en nuestro caso, el
tamaño de texto del título y del nombre de los ejes, así como la posición de la leyenda.
Apéndice B
Sin IGT
Modelo ECM
yt = β1 yt−1 + β2 yt−12 + ϵt 0.096
14
(el que utilizamos)
yt = β1 yt−1 + 𝛽2 𝑦t−6 + β3 yt−12 + ϵt 0.096
𝑦𝑡 = 𝛽1 𝑦(𝑡−1) + 𝛽2 𝑦(𝑡−3) + 𝛽3 𝑦(𝑡−6) + 𝛽4 𝑦(𝑡−9) + 𝛽5 𝑦(𝑡−12) + 𝜖𝑡 0.096
Con IGT
Modelo ECM
yt = β1 yt−1 + β2 yt−12 + 𝐼𝐺𝑇𝑡 + ϵt 0.084
(el que utilizamos)
yt = β1 yt−1 + 𝛽2 𝑦t−6 + β3 yt−12 + 𝐼𝐺𝑇𝑡 + ϵt 0.084
𝑦𝑡 = 𝛽1 𝑦(𝑡−1) + 𝛽2 𝑦(𝑡−3) + 𝛽3 𝑦(𝑡−6) + 𝛽4 𝑦(𝑡−9) + 𝛽5 𝑦(𝑡−12) + 𝐼𝐺𝑇𝑡 0.081
+ 𝜖𝑡
15
View publication stats

2020 CamposLopez EE BigDataGoogle PDF

Uploaded by

Copyright:

Available Formats

2020 CamposLopez EE BigDataGoogle PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2020 CamposLopez EE BigDataGoogle PDF

Uploaded by

Copyright:

Available Formats

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Grandes datos, Google y desempleo

Article · January 2020

Raymundo M. Campos-Vazquez Sergio López-Araiza

SEE PROFILE SEE PROFILE

Female labor force participation in Mexico View project

The user has requested enhancement of the downloaded file.

BIG DATA, GOOGLE AND UNEMPLOYMENT

Raymundo M. Campos Vázquez

Resumen: Utilizamos datos de búsquedas en Google sobre empleo para pronosticar

Clasificación JEL/JEL Classification: C52, C53, E24, J64, O54

Palabras clave/keywords: desempleo; Google; grandes datos; aprendizaje au-

Fecha de recepción: 07 XI 2018 Fecha de aceptación: 05 II 2019

Estudios Económicos, vol. 35, núm. 1, enero-junio 2020, páginas 125-151

Los estudios empı́ricos adquieren cada vez mayor importancia en la

ejercicio no se ha realizado para la economı́a mexicana y representa

teorı́as (Mullainathan y Spiess, 2017) e identificar efectos heterogé-

tienen las extensiones al seguro de desempleo en Estados Unidos sobre

Finalmente, el uso de Big Data en ciencias sociales también ha

internet pueden utilizarse para mejorar la predicción del presente en

En los últimos años, Google Trends se ha convertido en una poderosa

Para calcular este ı́ndice, Google se basa en una medida de interés

Con estos cocientes, Google Trends calcula el ı́ndice normalizando

Otra ventaja de Google Trends es que pueden hacerse búsquedas

4. Correlaciones con la Encuesta Nacional de Ocupación y

Antes de describir los modelos a utilizar, conviene explorar pri-

estudio que documente la utilidad de las búsquedas en Google para

Fuente: Elaboración propia con datos de la ENOE y del IGT

Es importante recordar que, pese a que ambos datos teóricamente

similares (aunque vale la pena recalcarlo, en otra escala) a la tasa

En primera instancia, vale la pena resaltar las correlaciones pre-

Fuente: Elaboración propia con datos de la ENOE y del IGT

Finalmente, podrı́a resultar importante explorar cómo es que se

Serie Índice de correlación

de Pearson con el IGT

Desempleo entre menores a 30 años 0.51

Desempleo entre quienes tienen entre 30 y 60 años 0.48

Desempleo entre los mayores a 60 años 0.31

Desempleo urbano 0.62

Hombres desempleo urbano 0.54

Mujeres desempleo urbano 0.66

Debido a la frecuencia de estos datos -que es trimestral y no

5. Aprendizaje automático: metodologı́a

El estudio que aquı́ presentamos pretende demostrar dos cosas. Por

5.1. ¿Cómo medimos los errores?

Quizás la principal diferencia entre la econometrı́a tradicional y el

Por este motivo, la medición del error del modelo en la literatura

Para contrastar y comparar diferentes técnicas de estimación,

5.2. Modelo autorregresivo

La primera especificación empı́rica que utilizamos para predecir el

yt = β1 yt−1 + β2 yt−12 + t (2)

yt = β1 yt−1 + β2 yt−12 + γTt + t (3)

En donde IGT corresponde al ı́ndice de búsquedas de Google

5.3. Otros modelos de análisis estadı́stico

Por otro lado, queremos poner a prueba la capacidad predictiva de

5.3.1. Método LASSO

El primero de ellos, el método LASSO, es quizás el algoritmo de apren-

Como resultado, LASSO determina que el valor de algunos pará-

observaciones) tendrán un sesgo de variable omitida (Varian, 2014;

yt = β1 yt−1 + β2 yt−12 + t (2)

yt = β1 yt−1 + β2 yt−12 + γTt + t (3)