Aplicaciones en Economía del Aprendizaje AutomáticoMachine Learning Applications in Economics

Resumen

Esta Tesis examina problemas en economía desde la perspectiva de Aprendizaje Mecánico. Se hace hincapié en la interpretabilidad de los algoritmos de Aprendizaje Mecánico en lugar de modelos de predicción de "black-box". Capítulo 1 Proporciona el resumen de la terminología y los métodos de Aprendizaje Mecánico utilizados a lo largo de esta tesis. El objetivo de este capítulo es construir la trayectoria desde un simple árbol de decisión hasta algoritmos impulsados por conjuntos más avanzados. También se explican otros modelos de Machine Learning. Asimismo, se proporciona una discusión de los avances en el Aprendizaje Mecánico en economía junto con algunos de los escollos que enfrenta el aprendizaje automático. Además, un ejemplo sobre cómo se utilizan los valores de Shapley de coalición de teoría de juegos y muestran cómo se puede tomar inferencia de los modelos de predicción. Capítulo 2 Analiza el problema de la predicción de quiebra en la economía española y cómo Aprendizaje Mecánico, no sólo proporciona una mayor precisión predictiva, sino que también puede proporcionar una interpretación diferente de los resultados en la que los modelos econométricos tradicionales no pueden. Se construyen una serie de ratios nancieros y se pasan a una serie de algoritmos de Aprendizaje Mecánico. Se proporcionan estudios de casos que pueden ayudar a mejorar la toma de decisiones por parte de las instituciones nancieras. También se proporciona una sección que contiene material complementario basado en un análisis más detallado. Capítulo 3 analiza una política pública de contaminación en Madrid. Se propone un nuevo enfoque que utiliza Machine Learning para evaluar críticamente el impacto de la política. Una serie de características estacionales y de temperatura se pasan al modelo de Aprendizaje Mecánico para predecir el nivel de contaminación de los próximos días. El capítulo se centra en la interpretación del modelo de Aprendizaje Mecánico, especialmente en torno al período en que se promulgó la política y, para ello, se aplican los valores de Shapley. Capítulo 4.1 analice el problema de predicción de mortalidad entre pacientes ingresados en el hospital con COVID19. Los datos consisten en características de salud a nivel de pacientes a partir de datos de muestras de sangre. Estas variables son esenciales para realizar predicciones precisas a partir de modelos de Machine Learning. Este subcapítulo constituye la base del siguiente subcapítulo. Capítulo 4.2 extiende el capítulo anterior como analizando el problema de la prueba de estrés en los admitidos hospitales. Utilizando las predicciones de mortalidad de los capítulos anteriores se aplica un modelo de simulación de Monte Carlo donde se analizan diferentes escenarios en función del número de ingresos hospitalarios y camas disponibles.