Geoeconomía y LLM: ¿cómo aplicarlos?

Partiendo de la ecuación tradicional PIB = C + G + I + (X − M), incorporo variables exógenas cualitativas como el Global Peace Index del Institute for Economics & Peace para entender la interacción del modelo con factores geopolíticos. Comparto mi repositorio de GitHub de esta primera etapa: https://github.com/Murgueytio/Models_Econometric

Más adelante se sumarán variables cualitativas adicionales desde fuentes como The GDELT Project y el International Institute for Strategic Studies, aplicando LLM y métodos de Predicción Basada en Relevancia (RBP). El objetivo es hacer evolucionar el modelado econométrico y darle más realismo entendiendo las dinámicas globales. Me apoyo en técnicas aprendidas en los DeepLearning.AI Short Courses liderados por Andrew Ng.

Cuatro referencias que orientan el trabajo

1. Hayden Van Der Post y Alice Schwartz, en Data Driven Decisions: Advanced Econometric Techniques With Python, lo dicen claro: “A diferencia de los métodos econométricos tradicionales, que con frecuencia asumen linealidad y homogeneidad en las relaciones entre variables, el machine learning permite un modelado más flexible y captura mejor las interacciones complejas y no lineales presentes en los datos económicos.”

2. Desde mi posición de Data Scientist y economista, me interesan análisis como Data Economics y Geopolitics of Data: la econometría permite modelar el comportamiento de los actores del mercado de datos, y con ML y DL podemos cuantificar los efectos de las decisiones geopolíticas sobre la economía, identificar oportunidades y mitigar riesgos. Por eso sigo de cerca al Center for the Governance of Change de IE University.

3. Habrá sesgos en las proyecciones, como advierte el Banco Mundial en Using Large Language Models for Qualitative Analysis can Introduce Serious Bias (Ashwin, Chhabra y Rao): “…puede ser preferible entrenar un modelo personalizado sobre datos anotados que usar un LLM para anotar.”

4. Mark P. Kritzman, en el artículo del MIT This new forecasting model is better than machine learning, sobre el enfoque de Predicción Basada en Relevancia (RBP): “El machine learning basado en modelos mira datos históricos para formar una predicción, pero si las circunstancias cambian en el futuro —si ocurre algo sin precedentes— ese modelo deja de ser válido y hay que empezar de nuevo.” Su método mide tanto lo inusual como la similitud, usando una submuestra de observaciones relevantes.

Lo que queda por delante

Aplicar todo esto es desafiante, pero confío en que llegaremos a buenos resultados y aprenderemos a navegar las nuevas dinámicas geopolíticas. Reconozco fallos en el modelo, pero es mejorable. Como dice Ella Peltonen, de la Universidad de Oulu (Finlandia): “Los investigadores se dieron cuenta de que, para no repetir errores, era necesario discutir los problemas prácticos de los estudios y los resultados fallidos que no se publican.” Está en Illuminating ‘the ugly side of science’ (Nature).

Cierro con una cita de Steven Levitt en la entrevista con Paul M. Rand (University of Chicago, octubre 2023): “La correlación con frecuencia no es lo que queremos. Queremos causalidad. La causalidad es más difícil de establecer que la correlación. ¿Qué técnicas, en este contexto, podemos hacer bien para alcanzarla?”

Hay mucho trabajo por delante.