ISSN No. 2631-2743
U
NIVERSIDAD NACIONAL DE CHIMBORAZO
FACULTAD DE
CIENCIAS POLÍTICAS Y
ADMINISTRATIVAS
,
Wilson A. Pérez-Oviedo
wperez@acso.edu.ec
Facultad Latinoamericana de
Ciencias Sociales, FLACSO
(Quito – Ecuador)
ORCID: 0000-0002-9285-1501
Recibido: 01/12/2025
Aceptado: 31/12/2025
DE LA ECONOMETRÍA AL
RAZONAMIENTO CAUSAL:
INTELIGENCIA ARTIFICIAL Y
FORMACIÓN ECONÓMICA EN
TIEMPOS DE BIG DATA
FROM ECONOMETRICS
TO CAUSAL REASONING:
ARTIFICIAL INTELLIGENCE AND
ECONOMIC EDUCATION IN THE
AGE OF BIG DATA
DOI:
https://doi.org/10.37135/kai.03.16.10
KAIRÓS, Vol. (9) No. 16, pp. 209-228, enero - junio 2026
ISSN No. 2631-2743
,
Resumen
La rápida expansión de la inteligencia articial (IA) y del
Big Data transforma el mercado laboral y la investigación
en economía, profundizando los cuestionamientos sobre
la credibilidad de los resultados empíricos, el énfasis
en la causalidad y la formación universitaria vigentel.
El artículo analiza estos cambios como parte de la
credibility revolution en economía empírica, destacando
sus aportes en diseño de investigación y sus límites
frente a sistemas complejos y dinámicos. A partir de una
revisión crítica de la literatura reciente, se argumenta
que más datos y mayor capacidad computacional no
garantizan mejores inferencias sin marcos conceptuales
adecuados. Se propone una integración entre enfoques
basados en diseño, modelos causales estructurales y
aprendizaje automático, y se discuten sus implicaciones
para la enseñanza de la economía y la empleabilidad en
la era de la IA.
Palabras clave: Inteligencia articial, Big Data,
Inferencia causal, Credibilidad empírica, Econometría
aplicada, Formación en economía
Abstract
The rapid expansion of articial intelligence (AI) and Big
Data is transforming both the labor market and economic
research, intensifying concerns about the credibility of
empirical results, the emphasis on causality, and current
university training. This article examines these changes
in the context of the credibility revolution in empirical
economics, highlighting its contributions to research
design as well as its limitations when addressing complex
and dynamic systems. Based on a critical review of
recent literature, it argues that larger datasets and greater
computational power do not ensure better inference
without appropriate conceptual frameworks. The article
proposes a methodological integration of design-based
approaches, structural causal models, and machine
learning techniques, and discusses the implications of
this convergence for economics education and future
economists’ employability in the AI era.
Keywords: Articial intelligence, Big Data, Causal
inference, Empirical credibility, Applied econometrics,
Economics education.
DE LA ECONOMETRÍA AL
RAZONAMIENTO CAUSAL:
INTELIGENCIA ARTIFICIAL
Y FORMACIÓN ECONÓMICA
EN TIEMPOS DE BIG DATA
FROM ECONOMETRICS
TO CAUSAL REASONING:
ARTIFICIAL INTELLIGENCE
AND ECONOMIC EDUCATION
IN THE AGE OF BIG DATA
DOI:
https://doi.org/10.37135/kai.03.16.10
KAIRÓS, Vol. (9) No. 16, pp. 209-228, enero - junio 2026
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
211
KAIRÓS, Vol. (9) No. 16, pp. 209-228, enero - junio 2026
Introducción
La veloz difusión de la inteligencia articial (IA) y de las tecnologías asociadas al Big Data
está transformando de manera profunda el mercado de trabajo, los procesos productivos y, por
lo tanto, las competencias requeridas para la inserción profesional de los jóvenes graduados
universitarios. Aunque existe una considerable incertidumbre sobre la magnitud exacta de sus
efectos agregados en la economía y la sociedad en su conjunto, la evidencia disponible parece
mostrar que estos cambios ya están alterando de forma heterogénea las trayectorias laborales,
afectando con particular intensidad a los trabajadores jóvenes y a los recién graduados
universitarios.
En este contexto, las brechas entre expectativas sobre la educación universitaria, demandas del
mercado laboral y transformaciones tecnológicas aparecen como un problema central para las
universidades y, en particular, para disciplinas cuya identidad se ha construido históricamente
sobre el dominio de herramientas cuantitativas, tal como la economía.
Este artículo quiere aportar a ese debate desde una perspectiva dual. Por un lado, analizamos
cómo la expansión de la IA y del Big Data interactúa con problemas ya de vieja data en la
economía, y en especial en la econometría, como son la credibilidad empírica en la investigación
y la necesidad de mayores desarrollos metodológicos orientados al abordaje directo de la
inferencia causal. Por otro, examinamos las implicaciones de estos cambios para la enseñanza
de la economía, argumentando que el futuro laboral de los nuevos economistas depende cada
vez más de su capacidad para articular herramientas cuantitativas, pensamiento causal y
comprensión estructural de sistemas complejos. Partiendo de esta base, el trabajo propone que
la adaptación de la formación económica a la nueva realidad tecnológica no es únicamente una
cuestión técnica, sino un desafío epistemológico y pedagógico de primer orden.
Desempleo de graduados
Según muchos pensadores y empresarios involucrados en su creación y desarrollo, la Inteligencia
Articial (IA) podría ser una innovación tecnológica similar -al menos- al internet en cuanto a su
impacto social. Como toda revolución tecnológica en proceso, la presente también tiene un alto
contenido de incertidumbre: mientras Acemoglu (2024) estima su impacto en el crecimiento
del PIB de Estados Unidos en un magro 0.09% a 0.12% anual (p. 35), Briggs y Kodnani (2023)
calculan este impacto en un 1.5% anual.
Las proyecciones sobre el efecto en empleo tienen aún mayor incertidumbre, mejor
ejemplicadas por las dramáticas declaraciones de Sam Altman, director de OpenAI, armó
que “clases enteras de empleos desaparecerán” (Fortune, 2025); o de Dario Amodei, director
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
212
ejecutivo de Anthropic, “la IA podría eliminar la mitad de todos los empleos de ocina de nivel
inicial y llevar el desempleo a cifras de dos dígitos” (CNN Business, 2025).
Por supuesto, es imposible predecir incluso el futuro cercano, pero ya en 2025 hay señales
alarmantes. Los indicadores más recientes muestran que el desempleo de los recién graduados
en Estados Unidos se mantiene por encima de los niveles generales del mercado laboral: en
2025, el Federal Reserve Bank of St. Louis (2025) reportó que los graduados jóvenes de 23 a
27 años tienen una tasa promedio de desempleo de 4.59 %, frente a alrededor de un 4% para la
población económicamente activa en general. Este panorama lo conrma la Federal Reserve
Bank of New York (2025) que estima que la tasa de desempleo para los recién graduados de la
universidad asciende a 5.3 % en el segundo trimestre de 2025.
Por su parte Hosseini y Lichtinger (2025) muestran que, en las rmas que adoptan activamente
tecnologías de IA generativa, el empleo de trabajadores junior (niveles de entrada) comienza
a reducirse en forma relevante a partir del primer trimestre de 2023, rompiendo la trayectoria
paralela que mantenían con rmas no adoptantes hasta el año 2022. Simultáneamente, el empleo
de trabajadores senior continúa su crecimiento normal, sin mostrar la misma caída.
Es importante notar que este cambio se debe fundamentalmente a una reducción en la
contratación de personal junior, más que a un aumento en las desvinculaciones o promociones.
Esto parece señalar que la adopción de IA genera un patrón de cambio sesgado según la
antigüedad y experiencia laboral (“seniority-biased”), erosionando los escalones inferiores de
la carrera profesional mientras preserva o favorece los niveles más altos.
Hosseini y Lichtinger (2025), adicionalmente, muestran que la adopción de IA generativa por
parte de las empresas se acelera muchísimo tras el lanzamiento de ChatGPT en noviembre
de 2022: el número mensual de rmas que publican su primera vacante “GenAI integrator”
(empleados a cargo del desarrollo y aplicación de IA en el ujo productivo de la empresa)
prácticamente se multiplica por diez entre diciembre de 2022 y mediados de 2023, mientras
que el acumulado crece de forma casi exponencial hasta superar las diez mil empresas en 2025.
Esta rápida difusión tecnológica es coherente con los patrones observados en el empleo: la
expansión de la adopción presiona a las rmas a reorganizar tareas, reduciendo contrataciones
junior y preservando los puestos senior, produciendo el sesgo por antigüedad documentado en
el estudio. Si bien para el caso latinoamericano, a la fecha, no existen estudios tan detallados,
se podría prever entornos profesionales similares para los jóvenes graduados de nuestra región.
En este sentido, diversos estudios recientes presentan evidencia de que una parte importante
de los problemas de los jóvenes graduados en el mercado laboral se explica por un desajuste
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
213
entre las habilidades que adquieren en la universidad y las que requieren los empleadores
—especialmente en competencias de IA, habilidades digitales avanzadas y “soft skills”
complementarias (Segbenya et al., 2023; Wut et al., 2024; Portocarrero Ramos et al., 2025;
Kamaruddin et al., 2023; OECD, 2023).
Por lo tanto, este deterioro relativo en la empleabilidad de los jóvenes graduados no puede
interpretarse como un fenómeno pasajero o temporal del mercado laboral, sino fundamentalmente
como un reejo de desajustes en los procesos de formación universitaria. En el caso de la
economía, cuya identidad como disciplina se ha construido históricamente sobre el dominio
de herramientas y métodos cuantitativos, el desajuste entre las competencias que se enseñan
y las que demandan los empleadores resulta especialmente signicativo. La incorporación tan
acelerada de tecnologías de IA y análisis de datos, no solo que redene las tareas productivas,
sino que redene el conjunto de habilidades cuantitativas que valora el mercado laboral. En este
contexto, la revisión crítica de la formación económica tradicional se vuelve un componente
central para comprender —y por supuesto, corregir— los problemas de empleabilidad que ya
se observan y pueden profundizarse en el futuro.
La enseñanza de la economía en la era de la IA y el Big Data
En este documento, buscamos aportar a la reexión sobre la necesidad de cambios en el proceso
de enseñanza aprendizaje universitario, enfocándonos en el caso de la formación en Economía
y, especícamente, en los métodos cuantitativos de la economía. Consideramos que este es un
buen punto de inicio porque la aplicación de métodos cuantitativos, así como del lenguaje y las
herramientas matemáticas desarrolladas por la física en general, le ha permitido a la disciplina
económica presentarse como una “verdadera” ciencia social e, incluso, ampliar la aplicación de
sus métodos y herramientas a temas del ámbito de otras ciencias sociales (Pérez, 2024).
Si los métodos cuantitativos son una ventaja comparativa de la economía, entonces su
adecuación a la nueva realidad tecnológica se vuelve central para la empleabilidad de los
jóvenes economistas. También es muy importante señalar que, como mostramos más adelante
en este documento, las herramientas cuantitativas creadas y desarrolladas en el ámbito del Big
Data y la Inteligencia Articial podrían originar un cambio profundo en el enfoque cuantitativo
de la Economía y de las Ciencias Sociales en general.
El estado de la econometría a la llegada de la IA
El predominio de los métodos cuantitativos en la disciplina ha sido una fuente de sano orgullo
para los economistas. Sin embargo, varios autores han levantado críticas sólidas sobre la validez
de los estudios econométricos que se publican en las revistas académicas especializadas.
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
214
Podemos tomar como punto de referencia de esta discusión la publicación del artículo "The
Power of Bias in Economics Research" por Ioannidis, Stanley y Doucouliagos (2017), que tuvo
un impacto considerable en la disciplina económica, siendo citado más de 800 veces desde su
publicación, convirtiéndose rápidamente en una referencia central en debates sobre lo que se ha
calicado como una crisis de replicabilidad en economía (Ferraro y Shukla, 2020).
El estudio de Ioannidis, Stanley y Doucouliagos (2017) usa meta-análisis para evaluar la
credibilidad de la investigación empírica en economía. Analizando 159 temas económicos, más
de 6 700 estudios publicados en reputadas revistas académicas y más de 64 000 estimaciones,
los autores examinan dos dimensiones fundamentales: el poder estadístico y la magnitud del
sesgo en los resultados publicados.
Los hallazgos revelan un panorama preocupante: la potencia mediana de los estudios
económicos oscila entre 10% y 18%, y solo alrededor del 10% de las estimaciones alcanza un
poder adecuado. En numerosas áreas no existe ningún estudio sucientemente potente, y cerca
del 80% de los efectos reportados están inados o exagerados, en ocasiones por factores de dos
y hasta de cuatro. Esta combinación de bajo poder e inación sistemática de resultados implica
que muchas estimaciones “signicativas” pueden ser muy engañosas, cuestionando la solidez
del conocimiento empírico en economía.
A raíz de la crisis de credibilidad empírica mencionada, las prácticas de investigación
econométrica sostenidamente se han movido hacia mejores estándares de transparencia y rigor.
Este cambio es visible, especialmente, en economía experimental, donde la adopción del pre-
registro y de planes de análisis previo (PAP) se han hecho más frecuentes, gracias también a las
plataformas disponibles como el AEA RCT Registry y el Open Science Framework, así como
a las discusiones metodológicas sobre reproducibilidad (Page, Noussair & Slonim 2021). El
pre-registro tiende a mejorar la credibilidad empírica cuando se acompaña de un PAP detallado,
reduciendo la exibilidad analítica y los riesgos de p-hacking, según muestra la evidencia
reciente (Strømland 2019).
Por otro lado, el uso del meta-análisis ha crecido como herramienta estándar para sintetizar
evidencia y, también, reevaluar efectos empíricos en cada vez áreas más numerosas de la
disciplina económica (Gechert et al. 2023). Sin embargo, este proceso de adopción continúa
siendo heterogéneo: mientras la economía experimental ha avanzado de manera más rápida
en implementar estas prácticas, otros subcampos —especialmente aquellos basados en datos
observacionales— han incorporado estas herramientas de forma más gradual, tal como se
reconoce en la literatura sobre transparencia y replicabilidad en economía (Christensen &
Miguel 2018).
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
215
Sin embargo, el análisis de Bartoš et al. (2024), basado en más de 68 000 meta-análisis que
abarcan medicina, psicología, ciencias ambientales y economía, presenta evidencia convincente
de que esta última se encuentra entre las áreas más afectadas por sesgo de selección de
publicación. En economía, si ajustamos por dicho sesgo, la probabilidad mediana de un efecto
positivo cae de 99,9 % a 29,7 % y también disminuye el tamaño de efecto mediano de d = 0,20
a d = 0,07. Esto indica claramente una sobrestimación sistemática de los resultados que se
publican académicamente, incluso en revistas de mucho prestigio.
Esto aporta aún mayor evidencia de la fragilidad estadística en ciencias empíricas y,
adicionalmente, muestra que las editoriales continúan ltrando resultados nulos o modestos
que, por ser de tales características, nunca llegan a ser impresos, a pesar de que pueden
ser estimaciones válidas. El panorama resultante es dual: la disciplina avanza hacia mayor
transparencia mediante pre-registro, meta-análisis y requisitos de disponibilidad de datos, pero
enfrenta aún estructuras de publicación que limitan la credibilidad y replicabilidad de parte
importante de su evidencia empírica.
Buscando establecer las posibles causas de esta crisis de credibilidad, podemos referirnos a un
artículo incluso anterior, del mismo Ioannidis (2005). En este artículo, Ioannidis argumenta
que el problema de falsedad posible de los resultados publicados se presenta sobre todo en
campos académicos que tienen: tamaños de muestra pequeños; efectos reales pequeños;y/o, alta
exibilidad analítica. Aunque el artículo se centra en investigación biomédica, su diagnóstico
general aplica a ciencias sociales y economía, en donde también se observan las características
que el autor menciona como posibles causas del fenómeno que analizamos.
Llega el BIG DATA
El volumen global de datos digitales continúa expandiéndose a un ritmo impresionante: las
proyecciones más recientes de la IDC (International Data Corporation) dicen que la Global
DataSphere alcanzará aproximadamente 291 zettabytes (2.9E23 bytes) en 2027, gracias a la
aceleración del cómputo en la nube, la expansión del Internet de las Cosas, y el crecimiento de
sistemas basados en inteligencia articial (IDC, 2024).
Esta cifra es el resultado, no solo el aumento en la generación de datos, sino también de la
captura, replicación y procesamiento de estos datos a través de infraestructuras digitales
distribuidas (IDC, 2024). Estas tendencias muestran claramente que el ecosistema global de
datos se encuentra en una fase de expansión exponencial lo cual tiene implicaciones profundas
para la investigación cientíca y la producción académica, también en ciencias sociales.
Para empezar, si una de las causas del bajo poder estadístico de las estimaciones en las
publicaciones académicas es la escases de datos: ¿La solución estaría llegando con el Big
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
216
Data? En parte, sí: por supuesto que más datos disponibles signica mayores posibilidades de
análisis y la inclusión de nuevas variables relevantes. Sin embargo, como lo mostramos más
adelante, sin un marco metodológico adecuado, el Big Data puede amplicar —no corregir—
los problemas diagnosticados por la crisis de replicabilidad.
Más aún, la expansión del Big Data sin duda cambia cualitativamente la forma en que
podemos estudiar los fenómenos sociales. La posibilidad de trabajar con variables cada vez
más desagregadas —por individuos, hogares, rmas, territorios, vínculos en redes, trayectorias
temporales o patrones de interacción— posibilitará una comprensión más na de la relación
entre micro-comportamientos y los resultados agregados. Esto permitirá abordar con mayor
profundidad lo que D. S. Wilson y E. O. Wilson (2007) identican como «el problema
fundamental de la vida social», esto es: la tensión entre comportamientos orientados al benecio
propio dentro de los grupos y la superioridad adaptativa de aquellos grupos formados por
cooperadores (p. 328).
Desde la perspectiva económica, disponer de datos altamente desagregados permitirá examinar
mucho mejor cómo las decisiones individuales generan retroalimentaciones sistémicas, cómo
emergen o no patrones cooperativos, y cómo estas dinámicas se agregan en fenómenos
macroeconómicos, muchas veces relativamente beneciosos para los individuos, pero
perjudiciales para los grupos. En suma, el Big Data no solo amplía la escala y granularidad de
las observaciones, sino que habilita una investigación más na de la vida social, cuya naturaleza
es profundamente interrelacional
Por ejemplo, en el campo de la macroeconomía, la literatura reciente sobre heterogeneidad y
redes productivas, especialmente el trabajo de Baqaee y Farhi (2019a, 2019b, 2019c, 2021),
muestra que los agregados macroeconómicos pueden responder de manera no lineal a shocks
microeconómicos debido a heterogeneidades, cuellos de botella, complementariedades locales
y estructuras de red. Insistamos en el hecho de que la observación y medida de este tipo de
características es cada vez más factible, gracias al Big Data.
Estos hallazgos empíricos y teóricos refuerzan la idea de que una economía no puede
comprenderse plenamente sin entender la interacción multinivel entre agentes, sectores y
niveles de organización. Desde esta perspectiva, la expansión del Big Data hace posible el
estudio, de manera más directa y rigurosa, de los patrones individuales con los fenómenos
agregados.
Sin embargo, el creciente uso del Big Data en la investigación académica también puede
acarrear riesgos institucionales, que pueden comprometer la independencia y la autonomía
de los investigadores sociales. En primer lugar, la asimetría de capacidades: se posicionan
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
217
para dominar la generación de conocimiento aquellas instituciones con más recursos —
infraestructura tecnológica, personal capacitado, fondos—, lo que puede amplicar las brechas
entre instituciones desarrolladas y otras con menos recursos, pudiendo ser perjudicadas
particularmente las instituciones académicas del Sur Global (Couldry & Mejías, 2019; Kitchin,
2021).
Adicionalmente, la privacidad, gobernanza y control de datos se vuelven un problema crítico:
la recolección masiva de datos individuales requiere marcos éticos y normativos robustos.
Por supuesto, cuando estos marcos faltan, hay riesgo de vulneraciones, inequidad de acceso o
usos indebidos de la información (Taylor et al., 2020). Un riesgo adicional es la dependencia
de tecnologías y plataformas privadas: gran parte de la infraestructura para almacenar y
procesar Big Data está en las manos de grandes corporaciones, lo que podría comprometer la
transparencia, la soberanía de datos y la reproducibilidad de estudios independientes (Couldry
& Mejías, 2019).
Finalmente, tomemos en cuenta que la presión institucional por resultados “impactantes”
puede incentivar un uso indiscriminado de Big Data con nes de productividad cientíca,
priorizando cantidad sobre calidad y robustez, lo que puede erosionar estándares éticos y de
reproducibilidad (Cukier & Mayer-Schönberger, 2017; Kitchin, 2021).
Por otro lado, desde una perspectiva metodológica, el uso de Big Data no elimina —y en
algunos casos podría agravar— los problemas clásicos de validez, inferencia causal y sesgo en
investigación social. Uno de los riesgos más importantes es la aparición de correlaciones espurias
derivadas simplemente del volumen de datos, es decir, encontrar relaciones estadísticamente
signicativas que carecen de sustancia causal real (Ioannidis, 2020).
También, la facilidad para realizar múltiples análisis con grandes bases de datos incrementa
el riesgo de “data dredging” o “p-hacking” (van der Zee & Reichardt, 2021). Adicionalmente,
los datos masivos muchas veces carecen de información sobre factores sociales, históricos o
culturales que son esenciales para interpretar resultados de forma adecuada, lo que puede llevar
a malas interpretaciones de los efectos estimados (Ribeiro et al., 2022). Un ejemplo claro de lo
dicho es la conocida paradoja de Simpson, que se puede volver más frecuente con el Big Data,
donde relaciones que parecen claras a nivel agregado pueden invertirse cuando se examinan
subgrupos (creando una gran oportunidad para que el “efecto estadístico” sea seleccionado a
conveniencia política). Es decir, “más datos” no signica “mejor inferencia” sin un buen diseño
(Pearl, 2019; Wagner & Cooper, 2023).
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
218
La Escalera de la Causalidad de Judea Pearl y sus implicaciones para la Econometría y la
IA
Judea Pearl (2019) ha propuesto que toda inferencia cientíca se organiza en tres niveles
jerárquicos, la denominada Escalera de la Causalidad, que ordena los tipos de preguntas que
pueden responderse con datos y modelos. El primer nivel, correlacional, se ocupa de patrones
en los datos y relaciones del tipo probabilidad condicional P(YlX); en este nivel operan la
mayoría de las técnicas estadísticas tradicionales. El segundo nivel, de intervención, introduce
el operador do(·), permite responder preguntas del tipo ¿qué pasa si intervenimos en X? ¿qué
pasa si hacemos X, como una intervención exógena, no originada dentro del mismo sistema?,
es decir, se trata de calcular P(Y ldo(X)) .
El tercer nivel, contrafactual, responde preguntas de carácter subjuntivo o contrafactual
—¿habría ocurrido Y si X no hubiera ocurrido? — para lo que se requiere comparar mundos
posibles estructuralmente anclados en un modelo causal explícito (Pearl, 2019). En The Book
of Why, Pearl y Mackenzie (2018) explican que estos niveles no son intercambiables: cada
escalón permite responder un conjunto de preguntas estrictamente más amplio que el escalón
anterior, y ningún volumen de datos correlacionales, por grande que sea, permite escalar sin un
modelo causal estructural.
La mayor parte del aprendizaje de máquina contemporáneo, incluidos los modelos de aprendizaje
profundo (Deep Learning) y los grandes modelos de lenguaje (Large Language Models, LLM),
opera fundamentalmente en el primer escalón de la escalera: aprende patrones correlacionales
en los datos de la forma más eciente y exhaustiva posible (Schölkopf et al., 2021), tal como
lo explicamos más abajo. Pearl (2019) es explícito en señalar que el éxito predictivo de estos
modelos no implica capacidad de explicación o análisis causal, pues no permiten razonar
sobre intervenciones de política (por ejemplo), cambios de entorno que afecten la dinámica del
sistema o escenarios contrafactuales.
Esta limitación es crítica para disciplinas como economía o ciencias sociales, donde las
preguntas relevantes corresponden al segundo y tercer escalón: ¿qué ocurre si se modica una
política?, ¿cómo cambia un mecanismo bajo un nuevo régimen de incentivos?, ¿qué habría
pasado si no se aplicaba un subsidio? Peters, Janzing y Schölkopf (2017) muestran que incluso
algoritmos muy sosticados fallan fuertemente en cuanto a su invariancia bajo cambios de
distribución, generalización fuera de dominio y traslado entre entornos, precisamente porque
carecen de representación causal.
La conclusión, compartida también por Schölkopf et al. (2021), es que, sin un marco causal
explícito, Big Data no puede responder las preguntas que importan para políticas públicas,
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
219
evaluación de intervenciones o tratamientos y teoría económica, porque esas preguntas viven,
por denición, en los escalones superiores de la escalera causal. En resumen: la aplicación de la
IA no puede restringirse al nivel 1 de Pearl, sino que debe ampliarse a los otros dos escalones,
como efectivamente se está haciendo.
Para Pearl (2019), el instrumento válido para representar estas relaciones causales es el DAG
o Grácos Dirigidos Acíclicos (Directed Acyclic Graph) como el dibujado en la gura 1, en
donde los nodos representan las variables aleatorias y los arcos son aristas dirigidas en la
dirección de la causalidad. El carácter acíclico de estos grácos signica que no hay ninguna
variable en donde se pueda empezar una cadena de causalidades que termine en la misma
variable. Esto, por supuesto, impone una restricción fuerte cuando se quiere modelar sistemas
dinámicos complejos (macroeconomía con retroalimentaciones, coevolución institucional,
difusión en redes, mercados con expectativas, etc.) ya que por construcción, un DAG no puede
representar bucles de realimentación contemporáneos (feedback loops), de modo que: (i) obliga
a “romper” la simultaneidad mediante supuestos de orden causal, (ii) empuja a “desplegar
el tiempo” (modelar ) para capturar retroalimentación solamente vía rezagos, y
(iii) diculta formalizar mecanismos como equilibrios (jos) o dinámicas endógenas donde
variables se determinan mutuamente en el mismo horizonte.
Esta limitación es reconocida en la teoría causal: al permitir ciclos, varias propiedades
convenientes de los modelos acíclicos dejan de estar garantizadas (existencia/unicidad de
soluciones, correspondencia clara entre grafo y distribuciones observacionales/intervencionales/
contrafactuales), lo cual ha obligado a introducir condiciones adicionales para sostener
semánticas causales bien denidas (Bongers et al., 2021). En los últimos años, varios autores
(Bongers et al., 2021), (Forré et al., 2022), (Mooij et al., 2024), (Ghassami et al., 2024) han
reconocido un punto metodológico central: la aciclicidad facilita inferencia e identicación en
muchos problemas, pero para sistemas con presencia fuerte de retroalimentación la investigación
contemporánea requiere desarrollar herramientas que uniquen los DAG acíclicos y la dinámica
con ciclos— para no perder precisamente lo que hace “complejos” a esos sistemas.
La revolución de la credibilidad
La expansión masiva de datos, las tensiones metodológicas y los cuestionamientos a la
credibilidad empírica, constituyen el contexto donde se propone la llamada credibility revolution
en economía empírica, formulada de manera inuyente por Angrist y Pischke (2010). Esta
revolución no surge como respuesta o aprovechamiento del Big Data, sino como una reacción
a la fragilidad de las identicaciones de gran parte de la econometría aplicada tradicional,
señaladas más arriba. Probablemente, su rasgo más distintivo es el énfasis en el diseño de la
investigación, siempre privilegiando estrategias que permitan aislar variación causal creíble
mediante experimentos aleatorizados o cuasi-experimentales.
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
220
En este sentido, la credibility revolution puede entenderse como un intento de la disciplina
económica por fortalecer la inferencia empírica, restringiendo el conjunto de supuestos
necesarios para identicar efectos causales y haciendo explícita y debatible la fuente de
variación utilizada. De esta manera, la econometría profundiza su aproximación a la causalidad.
El impacto de este giro metodológico en la profesión ha sido muy importante. Según Athey e
Imbens (2017), la economía aplicada contemporánea ha incorporado sistemáticamente diseños
tales como: regresiones discontinuas, diferencias-en-diferencias, variables instrumentales
y métodos anes, además de más transparentes diagnósticos y pruebas de robustez. De esta
forma, el enfoque ha contribuido al incremento de los estándares de evaluación de políticas
públicas y ha redenido con mayor claridad qué se considera evidencia empírica persuasiva
dentro de la disciplina económica, y en general en las ciencias sociales. Sin embargo, el éxito
de la credibility revolution se concentra principalmente en la mejora de la validez interna, es
decir, en la capacidad de establecer relaciones causales locales bajo supuestos explícitos, más
que en la construcción de explicaciones generales o mecanismos teóricos subyacentes.
Precisamente allí están varias de las críticas más importantes a esta revolución. Deaton
(2010) y Deaton y Cartwright (2018) advierten que la identicación causal, aun cuando sea
difícilmente cuestionable desde el punto de vista del diseño, no garantiza una real comprensión
de los mecanismos que generan los efectos observados; más importante aún, desde el punto de
vista de posible aplicación de resultados causales en políticas públicas, tampoco garantiza su
extrapolación a otros contextos institucionales o temporales.
Mientras, Heckman y Urzúa (2010) destacan que muchos estimadores privilegiados por la
credibility revolution identican adecuadamente parámetros causales locales, en general
relevantes, pero que no siempre coinciden con los objetos de interés económico o de política
pública, recordando que la elección del método debe estar subordinada a la pregunta sustantiva
que se desea responder. Por supuesto, estas críticas no niegan ni minimizan los avances logrados,
pero sí señalan límites estructurales del enfoque cuando se enfrenta a problemas complejos,
dinámicos o multiescalares.
La irrupción del Big Data y de la IA contribuye nuevos e importantes elementos a este debate. Por
un lado, la disponibilidad de grandes volúmenes de datos amplica los riesgos ya identicados
de correlaciones espurias, p-hacking y sobreinterpretación estadística; por otro, introduce
herramientas computacionales capaces de manejar alta dimensionalidad, heterogeneidad y
no linealidades. En este escenario, la credibility revolution enfrenta el desafío de adaptarse
a entornos donde el diseño experimental estricto no siempre es factible y donde la inferencia
depende en forma creciente de la combinación de múltiples fuentes de datos imperfectos (como
suelen ser los datos que provienen del registro digital de la actividad humana diaria).
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
221
Este contexto abre espacio para enfoques causales alternativos y complementarios que permitan
razonar explícitamente sobre supuestos, mecanismos e identicación en sistemas complejos,
cuestión que conduce naturalmente a la discusión del marco de causalidad estructural
desarrollado por Judea Pearl y colaboradores, que abordamos en la sección siguiente.
De la revolución de la credibilidad a la integración causal en la era de la IA y el Big Data
La discusión que precede muestra que la credibility revolution representó un avance importante
y sustantivo en la disciplina económica al elevar los estándares de identicación causal y
reducir la dependencia de supuestos estadísticos poco claros. Sin embargo, también revela que
este giro metodológico, aun siendo necesario, resulta insuciente para abordar los problemas
empíricos de nuestros días que están caracterizados por: sistemas complejos, datos heterogéneos
y cambios estructurales rápidos.
En particular, cuando la evidencia disponible proviene de múltiples fuentes imperfectas,
poblaciones distintas o regímenes institucionales no comparables, la credibilidad de los
estudios empíricos ya no depende únicamente del diseño de un estudio aislado, sino de la
capacidad para integrar información causal dispersa bajo supuestos sólidos y explícitos. Esta
limitación ha sido reconocida tanto por críticos de los enfoques puramente experimentales
como por autores que buscan ampliar el alcance de la inferencia causal más allá de contextos
locales (Deaton & Cartwright, 2018; Heckman & Urzúa, 2010).
En este punto, la convergencia entre la credibility revolution y los modelos causales estructurales
adquiere gran relevancia metodológica. Mientras los diseños cuasi-experimentales restringen
el conjunto de inferencias posibles mediante la selección de variación exógena, los modelos
causales estructurales permiten representar explícitamente los mecanismos generadores de
los datos y derivar, de manera formal, qué efectos son identicables dadas ciertas estructuras
causales. Esta explicitación es particularmente relevante y válida en escenarios donde el ideal
experimental es inalcanzable o donde múltiples fuentes de sesgo interactúan simultáneamente
(es decir, en la vida real).
La literatura reciente -al parecer- avanza en esta dirección, precisamente, proponiendo marcos
formales para la fusión de datos causales (data fusion) y la transportabilidad de resultados
entre contextos distintos. Bareinboim y Pearl (2016) muestran que, bajo supuestos causales que
estén especicados claramente, es posible combinar evidencia observacional y experimental
proveniente de diferentes poblaciones para responder preguntas causales que ningún conjunto
de datos aislado permitiría resolver.
Más recientemente, Hünermund y Bareinboim (2023) han traducido estas ideas al lenguaje
de la econometría aplicada, mostrando cómo el do-calculus puede utilizarse para evaluar
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
222
identicabilidad y sesgos en diseños empíricos del mundo real, que se caracteriza por selección
no aleatoria o heterogeneidad que no ha sido observada. En este sentido, el enfoque causal
estructural no reemplaza la credibility revolution, sino que la extiende, proporcionando
herramientas para razonar formalmente sobre supuestos, extrapolación y combinación de
evidencia.
La irrupción tanto de la inteligencia articial como del Big Data, sin duda, refuerzan la
urgencia – y posibilidad- de esta integración metodológica. Si bien las técnicas de aprendizaje
automático han demostrado una capacidad impresionante para modelar patrones complejos y
manejar alta dimensionalidad, la literatura académica coincide en que su éxito predictivo no
se traduce automáticamente en capacidad explicativa o causal (Athey & Imbens, 2019; Pearl,
2019).
En respuesta a esta dicultad han surgido varios enfoques híbridos que buscan preservar
la inferencia causal en entornos de datos masivos, tales como el double/debiased machine
learning, que combina estimadores exibles con garantías asintóticas para parámetros causales
de interés (Chernozhukov et al., 2018). Adicionalmente, trabajos en causal representation
learning buscan la robustez frente a cambios de distribución, así como la generalización fuera
de dominio y la evaluación de intervenciones, objetivos que requieren incorporar estructura
causal explícita en los modelos de aprendizaje (Peters, Janzing & Schölkopf, 2017; Schölkopf
et al., 2021).
En conjunto, estos desarrollos parecen evolucionar hacia una segunda etapa en la evolución
metodológica de la economía empírica, en la que la credibilidad ya no se dene únicamente
por el diseño de estudios individuales, sino por la coherencia causal entre múltiples fuentes
de datos, modelos y contextos. En la era de la IA y el Big Data, la pregunta central deja de
ser únicamente si un efecto es identicable bajo un diseño especíco, y pasa a ser bajo qué
supuestos estructurales dicho efecto puede generalizarse, combinarse con otra evidencia o
utilizarse para evaluar contrafactuales relevantes para la política pública. Esta transición tiene
implicaciones directas no solo para la práctica empírica y la formulación de políticas, sino
también para la forma en que se enseñan los métodos cuantitativos en economía, cuestión que
abordamos en la sección nal.
Conclusiones
El análisis desarrollado en el presente documento sugiere que la irrupción de la IA y del Big
Data no constituye un fenómeno aislado ni meramente tecnológico, sino un shock transversal
que amplica tensiones y problemas ya existentes en la investigación empírica y en la formación
universitaria en economía. La evidencia revisada muestra que, aunque el aumento exponencial
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
223
en la disponibilidad de datos y en la capacidad computacional abre oportunidades inéditas
para el análisis social, también exacerba riesgos asociados a correlaciones espurias, sesgos
de publicación y fragilidad inferencial. En este contexto, la llamada credibility revolution
representó sin duda un avance decisivo al elevar los estándares de identicación causal
mediante un énfasis en el diseño de investigación; sin embargo, sus propios límites se vuelven
más visibles en entornos caracterizados por datos heterogéneos, sistemas complejos y ausencia
de condiciones experimentales ideales.
Frente a estos desafíos, el artículo sostiene que el futuro de la econometría —y, por extensión, de
la enseñanza de la economía— pasa por una integración más profunda entre enfoques basados
en diseño, marcos causales estructurales (a la Judea Pearl) y herramientas de aprendizaje
automático. La incorporación explícita del razonamiento causal, la formalización de supuestos
y la capacidad de evaluar contrafactuales y extrapolaciones se vuelven competencias centrales
en un mundo donde la predicción por sí sola resulta insuciente frente a las necesidades de
formulación de políticas, por ejemplo.
Desde esta perspectiva, la reforma de los métodos cuantitativos en la formación económica
no debe entenderse únicamente como una actualización curricular, sino como una profunda
reorientación conceptual: formar economistas capaces de interpretar, diseñar e intervenir en
sistemas sociales complejos, utilizando la IA y el Big Data no como sustitutos del análisis
causal, sino como instrumentos al servicio de una inferencia más rigurosa y socialmente
relevante.
Declaración de contribución de autoría CRediT
Wilson A. Pérez-Oviedo: Conceptualización, Redacción – borrador original, Redacción (revisión y edición)
Agradecimientos
Los autores desean agradecer a FLACSO Ecuador por su apoyo en la realización de este artículo.
Declaración de conictos de interés
Los autores declaran no tener ningún conicto de intereses.
Referencias
1. Acemoglu, D. (2024). The simple macroeconomics of AI. Economic Policy, 40(121), 13–
58. https://doi.org/10.1093/epolic/eiae042
2. Angrist, J. D., & Pischke, J.-S. (2010). The credibility revolution in empirical economics:
How better research design is taking the con out of econometrics. Journal of Economic
Perspectives, 24(2), 3–30. https://doi.org/10.1257/jep.24.2.3
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
224
3. Athey, S., & Imbens, G. W. (2017). The state of applied econometrics: Causality and
policy evaluation. Journal of Economic Perspectives, 31(2), 3–32. https://doi.org/10.1257/
jep.31.2.3
4. Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should
know about. Annual Review of Economics, 11, 685–725. https://doi.org/10.1146/annurev-
economics-080217-053433
5. Baqaee, D. R., & Farhi, E. (2019a). Macroeconomics with heterogeneous agents and
input–output networks (NBER Working Paper No. 24684). National Bureau of Economic
Research.
6. Baqaee, D. R., & Farhi, E. (2019b). The macroeconomic impact of microeconomic shocks:
Beyond Hulten’s theorem. Econometrica, 87(4), 1155–1203. https://doi.org/10.3982/
ECTA15202
7. Baqaee, D. R., & Farhi, E. (2019c). The microeconomic foundations of aggregate production
functions (NBER Working Paper No. 25293). National Bureau of Economic Research.
8. Baqaee, D. R., & Farhi, E. (2021). Networks, barriers, and trade (NBER Working Paper
No. 26108). National Bureau of Economic Research.
9. Bareinboim, E., & Pearl, J. (2016). Causal inference and the data-fusion problem.
Proceedings of the National Academy of Sciences, 113(27), 7345–7352. https://doi.
org/10.1073/pnas.1510507113
10. Bartoš, F., Maier, M., Wagenmakers, E.-J., Nippold, F., Doucouliagos, H., Ioannidis, J.
P. A., Otte, W. M., Sladekova, M., Deressa, T. K., Bruns, S. B., Fanelli, D., & Stanley, T.
(2024). Footprint of publication selection bias on meta-analyses in medicine, environmental
sciences, psychology, and economics. Research Synthesis Methods. https://doi.org/10.1002/
jrsm.1703
11. Bongers, S., Peters, J., Mooij, J. M., & Schölkopf, B. (2021). Foundations of structural
causal models with cycles and latent variables. Annals of Statistics, 49(5), 2885–2915.
https://doi.org/10.1214/20-AOS2017
12. Briggs, J., & Kodnani, D. (2023). Generative AI could raise global GDP by 7%. Goldman
Sachs Research. https://www.goldmansachs.com/intelligence/pages/generative-ai-could-
raise-global-gdp-by-7-percent.html
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
225
13. Chernozhukov, V., Chetverikov, D., Demirer, M., Duo, E., Hansen, C.,
Newey, W., & Robins, J. (2018). Double/debiased machine learning for
treatment and structural parameters. The Econometrics Journal, 21(1), C1–C68.
https://doi.org/10.1111/ectj.12097
14. Christensen, G., & Miguel, E. (2018). Transparency, reproducibility, and the
credibility of economics research. Journal of Economic Literature, 56(3), 920–980.
https://doi.org/10.1257/jel.20171350
15. CNN Business. (2025, 29 mayo). Why this leading AI CEO is warning the tech could cause
mass unemployment. https://edition.cnn.com/2025/05/29/tech/ai-anthropic-ceo-dario-
amodei-unemployment
16. Couldry, N., & Mejías, U. A. (2019). The costs of connection: How data colonizes human
life and appropriates it for capitalism. Stanford University Press.
17. Cukier, K., & Mayer-Schönberger, V. (2017). Big data: A revolution that will transform
how we live, work, and think (Rev. ed.). Eamon Dolan/Mariner Books.
18. Deaton, A. (2010). Instruments, randomization, and learning about development. Journal
of Economic Literature, 48(2), 424–455. https://doi.org/10.1257/jel.48.2.424
19. Deaton, A., & Cartwright, N. (2018). Understanding and misunderstanding randomized
controlled trials. Social Science & Medicine, 210, 2–21. https://doi.org/10.1016/j.
socscimed.2017.12.005
20. Federal Reserve Bank of New York. (2025). The labor market for recent college graduates.
https://www.newyorkfed.org/research/college-labor-market
21. Federal Reserve Bank of St. Louis. (2025, August 25.
Recent college graduates bear brunt of labor market shifts.
https://www.stlouisfed.org/on-the-economy/2025/aug/recent-college-grads-bear-brunt-
labor-market-shifts
22. Ferraro, P. J., & Shukla, P. (2020). Is a replicability crisis on the horizon for environmental
and resource economics? Review of Environmental Economics and Policy, 14(2), 339–351.
https://doi.org/10.1093/reep/reaa011
23. Forré, P., Mooij, J. M., & Peters, J. (2022). Causal discovery in the
Wilson A. Pérez-Oviedo
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
226
presence of cycles. Journal of Machine Learning Research, 23(146), 1–53.
https://www.jmlr.org/papers/v23/21-031.html
24. Fortune. (2025, 22 julio). “Intelligence too cheap to meter” is AI’s next frontier, Sam Altman
says. https://fortune.com/2025/07/23/sam-altman-articial-intelligence-too-cheap-jobs/
25. Gechert, S., Rannenberg, A., & Watzka, S. (2023). Fiscal multipliers, macroeconomic
conditions, and publication bias. Journal of Economic Surveys, 37(2), 307–339. https://doi.
org/10.1111/joes.12503
26. Ghassami, A., Zhang, K., & Schölkopf, B. (2024). Causal discovery in feedback systems:
Methods and challenges. Foundations and Trends® in Machine Learning.
27. Heckman, J. J., & Urzúa, S. (2010). Comparing IV with structural models: What
simple IV can and cannot identify. Journal of Econometrics, 156(1), 27–37.
https://doi.org/10.1016/j.jeconom.2009.09.007
28. Hosseini, S. M., & Lichtinger, G. (2025). Generative AI as seniority-biased technological
change: Evidence from U.S. résumé and job posting data (SSRN Working Paper No.
5425555). https://doi.org/10.2139/ssrn.5425555
29. Hünermund, P., & Bareinboim, E. (2023). Causal inference and data fusion in econometrics.
The Econometrics Journal, 26(1), S1–S28. https://doi.org/10.1093/ectj/utac031
30. IDC. (2024). The digitization of the world: From edge to core (Updated forecast 2023–
2027). International Data Corporation.
31. Ioannidis, J. P. A. (2005). Why most published research ndings are false. PLoS Medicine,
2(8), e124. https://doi.org/10.1371/journal.pmed.0020124
32. Ioannidis, J. P. A. (2020). The challenge of reforming nutritional epidemiologic research.
JAMA, 324(6), 559–560. https://doi.org/10.1001/jama.2020.11028
33. Kamaruddin, R., Ahmad, A., & Mansor, N. (2023). Employability skills and labor market
mismatch: Evidence from higher education graduates. Journal of Education and Work,
36(3), 247–263. https://doi.org/10.1080/13639080.2023.2183579
34. Kitchin, R. (2021). Data lives: How data are made and shape our world. Bristol University
Press.
KAIRÓS, revista de ciencias económicas, juridicas y administrativas, 9(16), pp. 209-228. Primer Semestre de 2026
(Ecuador). ISSN 2631-2743. DOI: https://doi.org/10.37135/kai.03.16.10
De la econometría al razonamiento causal: Inteligencia Articial y formación económica en tiempos de Big Data
227
35. Mooij, J. M., Janzing, D., & Schölkopf, B. (2024). Causal discovery for time series and
dynamical systems. Annual Review of Statistics and Its Application, 11, 1–26. https://doi.
org/10.1146/annurev-statistics-033121-113547
36. OECD. (2023). OECD skills outlook 2023: Skills for a resilient green and digital transition.
OECD Publishing. https://doi.org/10.1787/27452b1c-en
37. Page, L., Noussair, C. N., & Slonim, R. (2021). The credibility crisis in economics: The
importance of replication and pre-analysis plans. Oxford Economic Papers, 73(4), 1057–
1084. https://doi.org/10.1093/oep/gpab022
38. Pearl, J. (2019). The seven tools of causal inference, with reections on machine learning.
Communications of the ACM, 62(3), 54–60. https://doi.org/10.1145/3241036
39. Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and eect.
Basic Books.
40. Peters, J., Janzing, D., & Schölkopf, B. (2017). Elements of causal inference: Foundations
and learning algorithms. MIT Press.
41. Portocarrero Ramos, J., Ruiz, K., & Alvarado, C. (2025). University training, skills
mismatch, and youth employability in Latin America. Journal of Labor and Society.
Advance online publication.
42. Ribeiro, M. T., Saxena, N. A., & Lundberg, S. (2022). Challenges of explaining AI models
when critical contextual variables are missing. Nature Machine Intelligence, 4, 673–685.
https://doi.org/10.1038/s42256-022-00532-0
43. Schölkopf, B., Locatello, F., Bauer, S., Ke, N. R., Kalchbrenner, N., Goyal, A., & Bengio,
Y. (2021). Toward causal representation learning. Proceedings of the IEEE, 109(5), 612–
634. https://doi.org/10.1109/JPROC.2021.3058954
44. Segbenya, M., Kpessa-Whyte, M., & Teye, J. K. (2023). Graduate employability and skills
mismatch in emerging economies. International Journal of Educational Development, 96,
102702. https://doi.org/10.1016/j.ijedudev.2022.102702
45. Strømland, E. A. (2019). Publication bias and selective reporting in experimental
economics. Journal of Economic Behavior & Organization, 163, 252–268.
https://doi.org/10.1016/j.jebo.2019.05.006
