← Últimos artículos
💰 finanzas cuantitativas

Experimentally Validated Digital Twins: Evaluating Workforce Training Programs in the Age of Big Data

Este artículo demuestra que los modelos de aprendizaje automático entrenados con datos administrativos a gran escala pueden construir "gemelos digitales validados experimentalmente" para estimar con precisión el impacto de los programas de formación laboral, logrando tasas de error comparables a las de los ensayos controlados aleatorios al tiempo que revelan variaciones significativas en la efectividad de los programas a través de distintas ubicaciones y periodos de tiempo.

Autor original: Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

Publicado 2026-11-04
📖 6 min de lectura🧠 Análisis profundo

Autor original: Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter, James Reisinger

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por el autor. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Durante décadas, el estándar de oro para saber si un programa realmente funciona ha sido el ensayo controlado aleatorizado. En este enfoque, los investigadores toman a un grupo de personas, lanzan una moneda para decidir quién recibe el nuevo servicio y quién no, y luego comparan los resultados. Debido a que la asignación es aleatoria, cualquier diferencia en los resultados puede atribuirse con confianza al propio programa, y no al hecho de que las personas que se inscribieron tenían más motivación o mejores empleos desde el principio. Este método se ha convertido en la base de la política moderna, guiando decisiones que van desde la educación hasta la formación laboral. Sin embargo, realizar estos ensayos es costoso, lento y, a menudo, imposible de hacer para cada programa que existe. Como resultado, muchos programas operan sin una prueba rigurosa de su valor, dejando a los responsables de la formulación de políticas adivinando si sus inversiones están ayudando o perjudicando.

La alternativa tradicional ha sido observar los datos observacionales, comparando a las personas que eligieron unirse a un programa con aquellas que no lo hicieron. Pero la historia ha demostrado que este es un camino peligroso. Debido a que las personas que eligen unirse suelen ser diferentes de las que se quedan fuera en aspectos que los investigadores no pueden ver —como su empuje o el apoyo familiar—, las comparaciones simples suelen producir resultados engañosos. Durante años, el consenso fue que, sin un ensayo aleatorizado, simplemente no se podía confiar en los números. Este documento, sin embargo, revisa esa conclusión en una era de datos masivos. Los investigadores se plantearon una pregunta sencilla: si tenemos acceso al historial laboral y fiscal completo de cada adulto estadounidense, combinado con modelos computacionales potentes, ¿podemos construir una versión virtual de una persona que sea tan precisa que actúe exactamente como un grupo de control aleatorizado?

El equipo, liderado por economistas de Harvard y la organización Opportunity Insights, se propuso probar esta idea utilizando el caso específico de los programas de formación laboral. Reunieron un conjunto de datos masivo que contenía los registros fiscales de 327 millones de estadounidenses, rastreando sus ingresos desde 1999 hasta 2025. Vinculación estos registros con información sobre más de 100,000 personas que habían participado en diversos programas de formación para el empleo. En lugar de intentar encontrar una pareja perfecta para cada participante en una encuesta pequeña, como se hacía en el pasado, utilizaron el aprendizaje automático para construir un modelo de predicción sofisticado. Este modelo aprendió de toda la población para predecir cuáles habrían sido los ingresos de un participante si nunca se hubiera unido al programa. Los investigadores llamaron a estas predicciones "gemelos digitales": sustitutos estadísticos de los participantes que representan lo que les habría sucedido si no hubieran recibido la formación.

Para ver si estos gemelos digitales eran buenos, los investigadores necesitaban un punto de referencia. Se dirigieron a 37 ensayos aleatorizados de programas de formación laboral que ya se habían realizado entre 2000 y 2019. Estos ensayos proporcionaron las respuestas verdaderas, verificadas experimentalmente, sobre cuánto dinero ganaron realmente los participantes en comparación con aquellos a quienes se les asignó aleatoriamente no unirse. Los investigadores aplicaron entonces su método de gemelos digitales a estos mismos grupos de personas. Pidieron al modelo computacional que predijera los ingresos de los participantes basándose en su historial laboral pasado, sus datos demográficos y el lugar donde vivían, y luego compararon esas predicciones con los resultados reales de los ensayos aleatorizados.

Los resultados fueron sorprendentes. Las predicciones realizadas por los gemelos digitales coincidieron con los resultados de los ensayos aleatorizados con una precisión notable. La diferencia entre la estimación de la computadora y el resultado experimental real fue tan pequeña que era comparable al ruido estadístico natural encontrado en los propios ensayos. De hecho, el error en las estimaciones de los gemelos digitales fue ligeramente menor que el error en los ensayos aleatorizados, debido principalmente a que el modelo computacional tenía acceso a un conjunto de datos mucho mayor para aprender. Los investigadores descubrieron que la forma antigua de hacer las cosas, que dependía de encuestas más pequeñas y matemáticas más simples, producía errores que eran más del doble de grandes. La clave del éxito no fue solo tener más datos, sino utilizar modelos computacionales flexibles que pudieran manejar la complejidad de las vidas humanas reales, como el seguimiento de los ingresos de una persona a lo largo de muchos años y en diferentes industrias.

Con el método validado, los investigadores lo utilizaron para observar programas de formación laboral en lugares y tiempos donde nunca se había realizado un ensayo aleatorizado. Descubrieron que el éxito de estos programas no era un número fijo; variaba enormemente dependiendo de dónde se ubicaba el programa y en qué año se llevaba a cabo. Por ejemplo, un programa específico llamado Year Up United mostró una amplia gama de resultados. En algunas ciudades y para algunos años, el programa aumentó los ingresos anuales de los participantes en más de $12,000, mientras que en otras ubicaciones o años, el aumento fue mucho menor. Estas diferencias eran demasiado grandes para ser fruto del azar, lo que sugiere que la efectividad de un programa depende en gran medida de las condiciones locales y de cómo se gestione el programa en un momento específico.

El estudio también reveló qué es lo que hace que estos programas funcionen. Las mayores ganancias en ingresos provinieron de los programas que hicieron más que solo enseñar habilidades; estos colocaron activamente a los participantes en pasantías y empleos en industrias específicas de altos salarios. Los investigadores encontraron que cuanto más éxito tenía un programa en la colocación de personas en estos empleos de sectores objetivo, mayores eran las ganancias de ingresos. Además, estas ganancias no fueron temporales. Los participantes que experimentaron grandes aumentos en sus ingresos dos años después del programa continuaron ganando significativamente más que sus gemelos digitales incluso diez o quince años después. Esta persistencia se mantuvo incluso para el 90 por ciento de los participantes que eventualmente dejaron sus empleos iniciales. Los datos sugieren que estos programas no solo consiguen un cheque de pago; los colocan en una escalera profesional que rinde frutos durante el resto de sus vidas laborales, independientemente de dónde terminen trabajando.

Los autores concluyen que, si bien los ensayos aleatorizados siguen siendo una herramienta vital para verificar la exactitud de estos métodos, la era de los macrodatos ha cambiado el panorama de la evaluación de programas. Ahora es posible construir "gemelos digitales" que proporcionen evidencia fiable y casi en tiempo real sobre si un programa está funcionando, incluso en ausencia de un experimento formal. Este enfoque permite a los responsables de la formulación de políticas ver cómo se desempeña un programa en una ciudad o año específico, en lugar de depender de un único promedio de un ensayo realizado años atrás en un lugar diferente. Los hallazgos sugieren que, mediante el uso de datos ricos y modelos flexibles, podemos ir más allá del viejo debate de si los datos observacionales son dignos de confianza y, en su lugar, utilizarlos para comprender los detalles específicos de lo que hace que las intervenciones tengan éxito o fracasen.

¿Ahogado en artículos de tu campo?

Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.

Probar Digest →