Download

La Econometria como Herramienta en los Procesos Judiciales Walter Sosa Escudero






Advertisement
/ 58 []
Download Presentation
Comments
cachez
From:
|  
(1165) |   (0) |   (0)
Views: 47 | Added:
Rate Presentation: 0 0
Description:
La Econometria como Herramienta en los Procesos Judiciales Walter Sosa Escudero. Walter Sosa-Escudero, PhD Profesor Asociado y Director, Departamento de Economia Universidad de San Andres wsosa@udesa.edu.ar. Preludio: Matematica y Derecho.
La Econometria como Herramienta en los Procesos Judiciales Walter Sosa Escudero

An Image/Link below is provided (as is) to

Download Policy: Content on the Website is provided to you AS IS for your information and personal use only and may not be sold or licensed nor shared on other sites. SlideServe reserves the right to change this policy at anytime. While downloading, If for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.











- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -




Slide 1

La Econometria como Herramienta en los Procesos JudicialesWalter Sosa Escudero

Walter Sosa-Escudero, PhDProfesor Asociado y Director, Departamento de EconomiaUniversidad de San Andreswsosa@udesa.edu.ar

Slide 2

Preludio: Matematica y Derecho

“Only two things in life we are told are certain, death and taxes”

De todo lo que nos dicen, solo dos cosas son ciertas: la muerte y los impuestos

Colin Aitken, Profesor de Estadistica Forense y Director del Grupo de Trabajo sobre Estadistica y Derecho, Royal Statistical Society

Slide 5

Esta charla

  • Explora la posibilidad de usar metodos y razonamientos estadisticos en cuestiones legales.

  • Ilustra problemas habituales en las argumentaciones estadísticas.

  • Motiva el uso de la estadistica y la econometría como formas alternativas de validacion o refutacion.

Slide 6

Hoja de ruta

  • Tres ejemplos, dos “ficticios”, uno real.

  • El ámbito de la estadística y el de la econometría.

  • Los objetos centrales de la estadística: estimar, decidir. Lidiar con la incertidumbre.

  • Falacias, artimañas y cómo mentir con estadísticas.

  • Guia de lecturas

Slide 7

Contraindicaciones, advertencias, letra chica

  • No soy un experto en derecho.

  • Menos aún en derecho argentino.

  • Matemática no es números (contabilidad es números).

  • Estadistica tampoco.

  • Lo importante es la forma de razonamiento.

  • No es una clase de estadística. No usaré ninguna formula.

Slide 8

Tres Ejemplos

Slide 9

Discriminacion por genero

  • En una empresa las mujeres ganan más que los varones.

  • ¿Es posible conjeturar que los hombres son discriminados?

  • ¿Porqué no funciona comparar salarios de hombres y mujeres?

Slide 10

“Fumar es beneficioso para la salud”

  • Estudio realizado a 100 personas elegidas al azar.

  • Encuentra una relacion negativa entre el riesgo de muerte y la cantidad de cigarrillos fumados por semana: mas cigarrillos, ¿menos riesgo de muerte? ¿Fumar es beneficioso para la salud?

Slide 11

Paul F. Engler and Cactus Feeders,Inc., v. Oprah Winfrey et al.

“It has just stopped me cold from eating another burger”

Oprah Winfrey, 16 de abril de 1996

Slide 12

  • El comentario de Oprah se hizo en el contexto del problema del “mal de la vaca loca”

  • La empresa Cattle Feeders (alimento para ganado) demanda a Oprah por $4,893,843.

  • Sostienen que sus dichos provocaron inusuales caidas en el precio del alimento para ganado.

Slide 13

Precio de alimento, Cactus Feeders

Slide 14

Precios del mercado de futuros en Chicago

Slide 15

Preguntas

  • ¿Qué significa “inusuales caidas”?

  • ¿Qué caidas son “usuales”?

  • ¿Qué significa “usuales”?

  • ¿Cuál es el rol de cualquier otro factor (no causado por Oprah) en la determinacion de precios?

Slide 16

Estadística y Econometría

Slide 17

Estadistica

  • Cox-Hinkley (1974): los metodos estadisticos intentan asistir en la interpretacion de datos sujetos a una aleatoriedad considerable.

  • Ejemplo 1: edad de participantes de esta clase, en base a un subconjunto.

  • Ejemplo 2: billetes y monedas que una persona lleva en su billetera, en base a toda la clase.

Slide 18

La naturaleza de lo aleatorio

  • Ejemplo 1: el proceso que elige personas que integran la muestra.

  • Ejemplo 2: el efectivo en sí mismo.

    Lo aleatorio: como representación de lo desconocido. Mas alla de que hayan fenomenos fortuitos o no.

Slide 19

Estadistica descriptiva e inferencial

  • Descriptiva: resaltar características de una colección de referencia

    • La edad promedio de las personas encuestadas.

    • La diferencia de edades entre el mas joven y el mas viejos de los encuestados.

    • El cash promedio de los encuestados

    • La mayor cantidad de cash de los encuestados.

    • Medias, varianzas, proporciones, maximos, minimos, errores estandar, etc.

Slide 20

  • Inferencial: conocer caracteristicas poblacionales a partir de una muestra

    • ¿Cuál es la edad promedio de las personas en la clase?

    • ¿Qué cantidad de cash lleva un argentino que vive en Buenos Aires?

    • ¿Qué edad tiene la persona mayor que vendria a esta Maestria?

    • ¿Hay mas mujeres que hombres en esta Maestria? (¿Cuándo? ¿Ahora?)

Slide 21

  • La estadistica inferencial es una disciplina compleja, en comparacion con la descriptiva.

  • Requiere explicitar el vínculo que hay entre la población y la muestra (usualmente, un modelo probabilistico).

Slide 22

  • Por ejemplo, en el contexto inferencial, la edad promedio de los encuestados es una estimación de la edad de la clase.

  • ¿Cuan confiable sera esta estimación?

  • Depende de: 1) la cantidad de personas encuestadas (todos: optimo, uno?), 2) cuan heterogenea es la poblacion (???), 3) ciertas caracteristicas del proceso de estimacion (insesgadez?).

Slide 23

Estadistica y Econometria

  • Estadística: desarrollada fundamentalmente para las ciencias experimentales.

  • Datos experimentales: proceden de un “experimento controlable”. Aleatoriedad: error de medicion. Ejemplo: efecto de una droga en temperatura corporal.

  • Ciencias sociales: datos observacionales. Ejemplo: educacion y salarios.

Slide 24

  • Econometria: uso de la estadística en cuestiones relacionadas con la economía

  • ¿Una disciplina aparte? La parte de la estadística integrada verticalmente a la economía.

  • ¿Por qué? Datos no experimentales, Leyes no exactas, aleatoriedad como “heterogeneidad no observable”, dependencias, etc.

Slide 25

La esencia de la estadistica y la econometria

Slide 26

La esencia de la estadistica 1: estimar

  • Estimación: conjetura educada y en base a datos, acerca de una magnitud desconocida.

  • Ejemplo: cuantos argentinos están desempleados actualmente.

  • Método: Encuesta Permanente de Hogares. Proporcion de personas desempleadas en la encuesta.

Slide 27

Significatividad estadistica y variabilidad muestral

  • Un ejemplo: en una caja hay 10 bolitas negras y/o blancas.

  • Problema: ¿Cuál es la proporcion de blancas?

  • Estimador: proporcion de bolitas blancas en un una muestra

  • ¿Cuan confiable es la estimacion si sacamos: 1 bolita, 4 bolitas, 10 bolitas?

  • Mas es mejor. Cuanto mas homogenea sea la poblacion, mejor.

  • Variabilidad muestral: cuán distintas pueden haber sido las estimaciones. Ejemplo extremo: 10 bolitas? 1 bolita? ¿Todas negras o blancas?

Slide 28

  • Todas estimacion requiere alguna idea de la variabilidad muestral

  • Ejemplo: En base a 10.165 personas encuestadas en el GBA, el 15,66% de las personas es pobre. Un intervalo de confianza al 95% es (14,95%-16,36%)

  • ¿Intervalo de confianza? ¿Al 100%?

Slide 29

La Esencia de la Estadistica 2: Evaluar Hipotesis

  • Hipotesis: aseveracion acerca de una magnitud desconocida.

  • Puede ser cierta o falsa.

  • Test de hipotesis: mecanismo estadistico que, en base a datos, decide aceptar o rechazar la hipotesis.

  • Cuidado: no determina si es verdadera o falsa, sino nuestra postura al respecto.

Slide 30

  • Ejemplo:

    • Hipotesis “nula” (mantenida): una empresa contrata por igual a hombres y mujeres.

    • Hipotesis “alternativa”: la empresa discrimina en contra de las mujeres, y tiende a preferir hombres, por el simple hecho de ser hombres.

    • Test de hipotesis: en base a la proporcion de mujeres contratadas en sus busquedas, decidir si se acepta o no la hipotesis “nula”.

Slide 31

Tests de hipotesis como herramienta de prueba: siempre hay errores

Slide 32

  • Optimamente: decidir sin error

  • Problema I: no evidencia conclusiva, interviene cierta aleatoriedad. Ejemplo, las contrataciones tienen un componente fortuito. En nuestro ejemplo, el punto es contratan significativamente menos mujeres que hombres.

  • Ergo, cualquier decision bajo incertidumbre esta sujeta a errores

Slide 33

  • Problema II: achicar un error implica agrandar el otro.

  • Ejemplo: cine.

  • No es posible no cometer errores

  • Solucion “clasica”: diseñar un test de hipotesis que fije un maximo tolerable para un tipo de error, y haga que el otro sea lo mas chico posible.

Slide 34

  • Ejemplo: en el caso de discriminacion, decidir que hay discriminacion si se encuentra que la empresa contrato menos que el 40% de las mujeres.

  • ¿Cómo se determina el umbral “40%”?

  • En base a 1) cantidad de casos (personas) involucradas 2) proporcion de mujeres y hombres en la poblacion de referencia

Slide 35

Idea

  • Supongamos que al trabajo se postulan igual proporcion de hombres y mujeres.

  • En el proceso de selección intervienen factores fortuitos: algunas personas rechazan la oferta, la suerte juega a favor o en contra en las entrevistas, igualmente para hombres y mujeres, etc.

  • En ausencia de discriminacion deberiamos esperar que la mitad de los contratados sean mujeres.

  • Habrá discriminacion si la proporcion de mujeres es significativamente menor que 50%

Slide 36

  • Un test de hipotesis clasico es un mecanismo estadistico que fija optimamente estos umbrales, es decir, intentando que el error de tipo I (rechazar cuando verdadero) no supere cierto umbral, y que el tipo II (aceptar cuando falso) sea lo mas chico posible.

  • Cual es el máximo tolerable de error de tipo I? En la practica, no mas de 10%

  • “Significatividad”: 1-error de tipo I (90% en el caso anterior). Es algo asi como la probabilidad de aceptar la hipotesis mantenida cuando es cierta.

Slide 37

  • ¿Porque no 100% de significatividad?

  • Error tipo I: rechazo cuando no hay discriminacion.

  • Como evitar el error de tipo I? ¡Jamas rechazar! (jamas ir al cine)

  • Como? Discriminacion solo si la proporcion de mujeres es nula.

  • Problema: jamas detecto discriminacion, aun cuando la hubiese

  • Ergo: a fines de que el mecanismo detecte discrimine, hay que aceptar error de tipo I (para no perderme peliculas buenas, alguna mala tengo que soportar).

Slide 38

Regresion: “el automovil de la estadistica moderna”

  • Analisis de regresion: la herramienta mas utilizada en econometria

  • Variable “dependiente”: salarios

  • Variables “independientes”: educacion, experiencia, sexo, etc.

  • El analisis de regresion mide cuanto contribuye cada variable independiente en determinar la dependiente.

Slide 39

Ejemplo: efectos de la contaminacion

  • Problema: ¿tiene algun impacto la contaminacion sobre el precio de las viviendas?

  • Argumento I: las casas junto al Riachuelo son mas baratas que las que estan en Palermo.

Slide 40

  • Las casas en Palermo ademas de estar menos expuestas a la contaminacion son 1) mas lindas, 2) mas cercanas al centro, 3) mas seguras, etc., etc., etc.

  • El precio de una casa se determina por la contaminacion, la calidad, la cercania al centro, cuan seguro es el bario, etc., etc.

  • Solucion: comparar casas identicas, que difieren solo en la cantidad de contaminacion. Imposible

Slide 41

  • Analisis de regresion: metodo estadistico para aislar el efecto de una variable del de otras variables concurrentes.

  • En nuestro caso, aislar la contribucion de la contaminacion al precio, del de otros factores (localizacion, calidad, vivienda, etc.).

Slide 42

  • Uso muy comun en litigios.

  • Ejemplo: discriminacion. Los salarios pueden ser mas altos porque: una persona es mas productiva, mas experimentada, tiene mas educacion, hay discriminacion.

  • Analisis de regresion: aislar el efecto de genero del de otros factores concurrentes.

  • Discriminacion: el genero es una variable relevante, aun cuando los otros factores hayan sido tenidos en cuenta.

Slide 43

Estadistica y derecho

  • Discriminacion por genero y raza.

  • Antitrust, defensa de la competencia.

  • Medicion de daños (contrafactuales y predictivos).

  • Estadistica forense. Perfil de ADN

  • Auditoria

Slide 44

Falacias, artimañas y como mentir con estadisticas

Slide 45

Econometricks

Significatividad estadistica vs. Conceptual

  • En una empresa las mujeres en promedio ganan $5400 y los hombres, $5401.

  • En base a cierta muestra, se podria concluir que $5400 es significativamente distinto que $5401 (rechazamos la hipotesis nula de que los hombres ganan lo mismo que las mujeres) (significatividad estadistica)

  • Supongamos que nos enteramos que hay una regla que dice que las mujeres de esta empresa deben ganar 1 peso menos que los hombres. ¿Hay discriminacion? (significatividad conceptual)

    No confundir significatividad estadistica con conceptual.

Slide 46

Relacion y causalidad

  • De la existencia de una relacion estadistica no es posible inferir causalidad

  • Ejemplo: inversion en educacion.

  • Falacia de la correlacion

Slide 47

Precedencia temporal y causalidad

  • Tampoco de la predencia temporal es posible inferir causalidad

  • Ejemplos: paraguas y lluvia. Precio de acciones.

Slide 48

Modelos chicos vs. grandes

  • En general, los modelos chicos (que omiten factores relevantes) tienden a ser sesgados.

  • Ejemplo: fumar es beneficioso para la salud

  • Los modelos grandes tienden a ser poco conclusivos (“el que mucho abarca poco aprieta”)

  • Ejemplo: demasiadas variables en contaminacion. Nada es importante

Slide 49

Toda estimacion merece un error estandar

  • Toda estimacion “puntual” requiere alguna idea de cuan imprecisa es (error de muestreo, intervalo de confianza, cantidad de observaciones, etc.)

Slide 50

Aceptar una hipotesis no quiere decir que sea verdadera

  • Un test tiende a aceptar la hipotesis “nula” cuando a) es verdadera, b) es falsa, pero el test no puede detectar su falsedad.

  • Ejemplo: medicos malos

    Es importante garantizar la calidad del test y su uso apropiado

Slide 51

Los casos: revisitados

  • Discriminacion por genero: test de hipotesis en base a modelos de regresion. Problema: nivel de significatividad. Enorme industria en EEUU.

  • Efectos nocivos del tabaco: experimentos, modelos de regresion aislando el efecto del cigarrillo del de otros.

  • Oprah: modelo de precios de acciones, permiten detectar comportamientos anómalos (outliers).

Slide 52

Comentarios finales y lecturas sugeridas

Slide 53

A modo de conclusion

  • Lempert (1985): Lex regis: “when econometrics or any other statistical speciality enters the courtroom, the law is king”

  • La aleatoriedad como nocion fundamental: contemplarla no debe dar lugar a justificar cualquier comportamiento.

  • “Lawyers and judges must understand not the technicalities of statistical analyses, but the underlying logic of the descriptions adn tests that statisticians offer them. Members of each community must, in short, learn what it is to think like a member of the other”.

Slide 54

  • Area muy activa en el mundo anglosajon

  • ¿Posibilidades para el ambito local?

  • Desmitificar ambas disciplinas.

  • Lo cuantitativo como forma de razonar

Slide 55

Guia de lecturas

Textos

  • Finkelstein, M., 2009, Basic Concepts of Probability and Statistics in the Law.

  • Ulen, T., 2010, Empirical Methods in Law

    Libros de casos y experiencias

  • De Groot et al., 1994, Statistics and the Law, Wiley, New York.

  • Kadane, J., 2008, Statistics in the Law: A Practitioner's Guide, Cases, and Materials, Springer, New York.

Slide 56

Articulos

  • Rubinfeld, D., 1985, Econometrics in the Courtroom, Columbia Law Review, 85, 5, 1048-1097.

  • Lempert, R., 1985, Statistics in the Courtroom: Building on Rubinfeld, Columbia Law Review, 85,5, 1098-1116.

  • Kennedy, R., 1988, McCleskey v Kemp: Race, Capital Punishment, and the Supreme Court, Harvard Law Review, 101, 7, 1388-1443.

  • Bassman, R., 2003, Statistical outlier analysis in litigation support: the case of Paul F. Engler and Cactus Feeders, Inc., v. Oprah Winfrey et al., Journal of Econometrics, 113, 159-200.

Slide 57

Sobre lo cuantitativo

  • Thompson, C., 2010, Why should we learn the language of data, revista Wired, abril. http://www.wired.com/magazine/2010/04/st_thompson_statistics/

  • Paulos, J.A., 2007, El hombre anumerico, Tusquets, Buenos Aires.

  • Best, J., 2001, Damned Lies and Statistics: Untangling Numbers from the Media, Politicians, and Activists, U. of California Press.

Slide 58

Escribanme: wsosa@udesa.edu.ar


Copyright © 2014 SlideServe. All rights reserved | Powered By DigitalOfficePro