Streetflow

Uno de los muchos impactos de la crisis de COVID-19 ha sido destacar el papel de los modelos cuantitativos en nuestras vidas. Las ideas asociadas con el modelado, como aplanar la curva de transmisión de la enfermedad, ahora se discuten regularmente en los medios de comunicación y entre familiares y amigos. En todo el mundo, estamos tratando de entender los números y lo que significan para nosotros.

Los modelos prospectivos no son nuevos. Durante mucho tiempo han desempeñado un papel importante pero invisible en la vida cotidiana, por ejemplo, al fijar el precio del seguro del auto, anticipar el clima y decidir cuántos iPhones fabricar. Sin embargo, en la pandemia de COVID-19, la escala del impacto y el nivel de incertidumbre han introducido nuevos desafíos y notoriedad para los modelistas.

Usados ​​adecuadamente, los modelos proporcionan información que puede presentar un marco para comprender una situación. Pero no son bolas de cristal que indican con certeza lo que sucederá, y no responden en sí mismas la difícil pregunta de qué hacer. El eminente estadístico británico George Box resumió el punto con su famoso aforismo: "Todos los modelos están equivocados, pero algunos son útiles". Y lo refinó diciendo: “Dado que todos los modelos están equivocados, el científico debe estar atento a lo que es importante. Es inapropiado preocuparse por los ratones cuando hay tigres en el extranjero ".

Este artículo explica cómo los modelos pueden ayudarnos a dar sentido al mundo y por qué se comportan de la manera en que lo hacen. También discutimos los problemas de modelado más comunes y cómo evitarlos.

El poder de los modelos.

Tomar decisiones ante la incertidumbre es un desafío, particularmente durante una pandemia. Los modelos cuantitativos pueden ayudarnos a comprender los sistemas y los comportamientos de varias maneras útiles que ayudan a navegar en este entorno ambiguo.

Primero que todo... ¿Qué es un modelo?

Una característica clave de los modelos es que se basan en simplificaciones de la realidad. Piense en un modelo como un mapa: una representación del mundo con aportes que lo ayudan a tomar decisiones. Un mapa permite a los lectores de mapas tomar decisiones sobre qué ruta podrían tomar para llegar a su destino. No les dice qué hacer ni elige sus medios de transporte. Pero hacer un buen uso de un mapa requiere la comprensión de parámetros como la escala y otras entradas, en otras palabras, exactamente qué aspectos de la realidad se han simplificado y cómo.

Un modelo es una representación de un sistema real. A menudo, aprovechando las ecuaciones matemáticas, un modelo puede probar hipótesis y suposiciones sobre el comportamiento de un sistema. Por ejemplo, los modelos económicos proporcionan un mapeo lógico de las interacciones dentro de una economía, lo que permite a los economistas rastrear los efectos de un cambio en las circunstancias (como el gasto público o los impuestos) en los resultados económicos.

Aclarando qué conductores son importantes

Los modelos estructuran los datos en apoyo de la toma de decisiones razonadas al restringir las variables a aquellas que son importantes para una pregunta en particular. Por ejemplo, al desarrollar un modelo demográfico para ayudar a los gobiernos a planificar las futuras necesidades de la comunidad, los factores clave podrían ser las tasas de natalidad, mortalidad y creación de nuevos empleos. Los modelos pueden ayudar a los usuarios a comprender lo que se sabe sobre cada elemento e identificar las áreas de incertidumbre continua.

Determinar cuánto puede importar una entrada

Los modelos son muy adecuados para exponer las sensibilidades: muestran cómo incluso pequeños cambios en los supuestos clave pueden producir grandes variaciones en los resultados, lo que ayuda a los responsables de la toma de decisiones a establecer prioridades. Un caso obvio en relación con la pandemia de COVID-19 es el impacto masivo de incluso pequeños ajustes en la tasa de transmisión de la infección. Al establecer sensibilidades, los modelos identifican áreas para la inversión de esfuerzo o dinero para reducir la incertidumbre.

Facilitar las discusiones sobre el futuro.

Los modelos exponen cómo diferentes supuestos conducen a diferentes resultados. A través de la discusión de los resultados del modelado, los responsables de la toma de decisiones pueden formar un juicio colectivo sobre los escenarios para planificar, en función de las múltiples variables consideradas, y así llegar a decisiones prácticas. Por ejemplo, los modelos se utilizaron para permitir a los responsables de formular políticas, sopesar los beneficios de exigir el uso de cinturones de seguridad contra el riesgo moral de alentar a las personas a conducir más rápido. Los modelos no solo provocan discusión, sino que pueden forzar un enfoque más matizado y basado en la evidencia para la toma de decisiones. En muchos casos, eso es más importante que la salida específica en sí.

Errores a evitar al usar modelos

Un modelo es simplemente una herramienta y, como con cualquier herramienta, su valor se correlaciona altamente con la forma en que se usa. Los modelos se pueden dividir en tres componentes principales: datos sin procesar, supuestos que definen lo que hace el modelo con los datos y salida final. La importancia relativa de los supuestos y los datos varía según el modelo. El autocompletado de Google Search, por ejemplo, se basa principalmente en datos, mientras que el supuesto de esperar una hora antes de nadar se basa en supuestos. Cada parte debe verse con una lente crítica; no hacerlo puede llevar a decisiones mal informadas.

Pasar por alto el hecho de que un modelo no puede corregir datos incorrectos

Un modelo es tan bueno como sus datos subyacentes, y los datos en un momento de extrema incertidumbre, como una pandemia global, presentan un serio desafío. Del mismo modo que los ingredientes podridos no producirán un plato sabroso, sin importar cuán buena sea la receta, los datos deficientes conducen a una producción pobre de un modelo.

Un modelo es tan bueno como sus datos subyacentes, y los datos en un momento de extrema incertidumbre, como una pandemia global, presentan un serio desafío.

Los datos pueden faltar por varias razones: muy pocos puntos de datos, inconsistencia, inexactitud o generalización incorrecta de un conjunto de datos en particular. Modelar cualquier cosa relacionada con un virus nuevo, conlleva el riesgo de usar datos incorrectos. Prácticamente todas las series de datos recopiladas sobre la crisis COVID-19 están incompletas o sujetas a advertencias. Por ejemplo, usar datos sobre los impactos de la pandemia de COVID-19 en una geografía para modelar los posibles impactos en otra comunidad puede ser problemático. Los datos podrían no ser generalizables si las poblaciones difieren en dimensiones importantes, como la edad.

Dando por sentado los supuestos y las simplificaciones

Los supuestos no son hechos; deben estar sujetos a una revisión regular y de búsqueda. Por ejemplo, antes de la crisis financiera de 2008, una suposición clave en múltiples modelos era que los precios inmobiliarios no verían grandes caídas. Los valores habían aumentado constantemente en los años previos a la crisis, por lo que algunos comenzaron a tomar esa suposición como un hecho, ocultando así otros posibles escenarios.
Los supuestos no son estáticos; están sujetos a cambios a medida que aprendemos más, especialmente en circunstancias novedosas. Las tasas estimadas de muerte por COVID-19 se han revisado constantemente a medida que nuestro conocimiento se ha ampliado. Los modelos te dicen lo que podría pasar si crees cosas específicas sobre diferentes variables. Esos ¿qué pasa si? deben revisarse con frecuencia para que el modelo siga siendo relevante y útil.

Esperando demasiada certeza

Los modelos no están diseñados para eliminar la incertidumbre, sino para limitar el rango de incertidumbres en una situación dada, al mostrar lo que podría suceder en una variedad de escenarios definidos. La incertidumbre puede surgir de la estructura misma del modelo, los supuestos básicos y las entradas de datos en curso. Por ejemplo, los modelos de huracanes son un intento de comprender dónde pueden tocar tierra los huracanes. Los modelos comienzan con incertidumbres significativas en torno al camino que podría tomar el huracán, y las incertidumbres disminuyen con el tiempo a medida que se acerca el aterrizaje.

Por lo general, los modelos proporcionan orientación sobre posibles futuros dados múltiples entradas. Eso hace que sea peligroso tomar un subconjunto de los resultados de un modelo en un momento determinado como una realidad singular. Por ejemplo, además de un modelo popular para rastrear las muertes relacionadas con COVID-19 y la demanda hospitalaria, el Instituto de Métricas y Evaluación de Salud ha lanzado un modelo que predice infecciones y pruebas diarias. Para el 2 de agosto de 2020, predice 80,130 infecciones, lo que parece muy preciso (y citable). Sin embargo, una inspección más cercana muestra adecuadamente un rango de 45,595 a 156,889 infecciones (“COVID-19 projections,” Institute for Health Metrics and Evaluation, June 15, 2020, covidhealthdata.org). Es un rango enorme, pero no niega la utilidad del modelo. Es un indicador importante del nivel de incertidumbre que debe tenerse en cuenta al tomar decisiones posteriores.

En última instancia, cuando se utilizan modelos para tomar decisiones o al interpretar sus resultados, hay varias preguntas clave qué hacer: ¿Cómo ha simplificado este modelo el mundo? ¿Qué entradas requiere el modelo y qué tan conocidas, ciertas y estables son esas entradas? ¿Qué nos dicen los resultados y cuál es el nivel de incertidumbre? Y, por último, ¿cómo se han comprometido los usuarios con este modelo en el proceso de toma de decisiones?

Las respuestas satisfactorias a estas preguntas, fomentarán una mejor comprensión de los posibles escenarios futuros y mejores decisiones en una situación cambiante e incierta.

Para obtener más información sobre el modelado relacionado con la crisis de COVID-19, considere leer las siguientes publicaciones:

• Ryan Best and Jay Boice, “Where the latest COVID-19 models think we’re headed—and why they disagree,” FiveThirtyEight, June 24, 2020, projects.fivethirtyeight.com
• Caroline Buckee and Inga Holmdahl, “Wrong but useful—what Covid-19 epidemiologic models can and cannot tell us,” New England Journal of Medicine, May 15, 2020, nejm.org
• Peter H. Gleick, “No COVID-19 models are perfect, but some are useful,” TIME, May 19, 2020, time.com
• "Actualizaciones de la estimación COVID-19", Instituto de Métricas y Evaluación de la Salud, junio de 2020, healthdata.org