Previsión y econometría, ¿en qué se diferencia la regresión?

Question

Tengo una pregunta sobre los deberes:

P: Supongamos que una empresa de marketing quiere identificar a los clientes interesados en su producto. Hacen una regresión del número de ventas en una zona en función del nivel medio de educación en esa zona. ¿Es probable que el coeficiente represente un efecto causal? ¿Por qué? ¿Es un problema? Explique.

R: No es probable que el coeficiente represente un efecto causal, simplemente simplemente muestra cómo el número de ventas y la educación media se mueven juntos. Esa relación podría ser de causalidad, de reserva de causalidad, una variable omitida podría estar determinando ambas, o las dos podrían estar determinadas simultáneamente. Esto no es un problema porque la empresa no está tratando de hacer que la gente tenga más interés, sólo quiere predecir si están interesados o no.

Así que ahora quiero saber, ¿cómo se utiliza una regresión de manera diferente en una previsión frente a un análisis causal?

Si lo que busco es poder de predicción frente a causalidad, ¿en qué se diferencian los modelos de regresión, si es que lo hacen?

¿O cómo podrían interpretarse los resultados de forma diferente?

Answer 1

En la previsión, sólo queremos predecir lo que va a ocurrir. Así que asumiendo que hay un cierto grado de estabilidad en la relación Para que la relación sea válida fuera de la muestra, estimamos cómo las ventas pasadas covarían con el nivel educativo (o lo que sea), y decimos "así que si nos trasladamos a la nueva zona "X", y aplicamos la misma estrategia de ventas, como en "X" el nivel educativo es "Y" predecimos que nuestras ventas serán "Z", dada la relación de covarío estimada".

En un análisis econométrico, ciertamente nos interesa estimar la misma relación, pero si queremos realizar también un análisis de causalidad, se hacen necesarios supuestos de identificación y surgen modelos específicos, (como el enfoque de "diferencias en diferencias", por ejemplo), diseñados para detectar y evaluar la causalidad.

Por cierto la primera frase de la parte "A" de la pregunta es "errónea en el otro sentido": la frase "no es probable que represente un efecto causal" es inexacta: es "tan probable" que represente uno, como que no lo sea, ya que la regresión básica es "agnóstica" sobre los efectos causales, sólo se trata de detectar y estimar la correlación.

Answer 2

Si estás haciendo un análisis predictivo, podrías usar algo como la Regresión Logística, que normalmente puedes usar para darte una respuesta binaria como 1,0. Por ejemplo, podrías estimar la probabilidad de que una persona solicite una tarjeta de crédito en tu banco en función de su educación, ingresos y edad, y la respuesta sería algo así como (1=sí) o (0=no). Según mi experiencia, esto podría considerarse un análisis econométrico, así como un análisis predictivo, y el "análisis predictivo" podría considerarse un subconjunto del "análisis econométrico", pero otros pueden diferir.

También se podría decir que el análisis econométrico consiste en observar las correlaciones entre datos pasados, y cómo estas variables se relacionan entre sí, se "mueven" en relación con las demás, y sacan conclusiones de cómo la variable y responde a los cambios en la variable x, basándose en datos pasados.

El análisis predictivo también implica métodos como el modelado ARIMA, que no utiliza estadísticas en absoluto, sino tendencias pasadas, errores y "diferencias". ARIMA es un método bastante justo, pero en mi experiencia me gusta tener un método estadístico basado en suposiciones para la analítica.