Storytelling in Economics

Por qué importan las narrativas en economía y cómo se cuenta bien un resultado: un modelo de contagio interactivo, dos ejercicios tomados del material, el índice de las sesiones y la bibliografía.

ITAM · Maestría en Economía Aplicada · Primavera 2025

De qué trata

El curso tiene dos mitades.

Una es Narrative Economics de Robert Shiller, el texto de referencia y el lado académico del argumento. La tesis de Shiller es que las historias económicas se propagan en una población como se propaga una enfermedad, y que actúan como choques sobre los resultados reales mientras lo hacen: consumo, inversión, pánicos. Shiller sostiene que la tesis debe estudiarse cuantitativamente, y el curso la trata así.

La otra mitad es el oficio. Un resultado empírico no se explica solo, y el orden en que llega la evidencia decide cuánto se lleva quien la lee. Las sesiones siguen el recorrido de una investigación, desde la motivación hasta la gráfica, el artículo y la presentación, con lecturas que se discuten en clase y ejercicios sobre datos reales.

Las dos mitades responden a la misma prueba: contar un mismo hallazgo a un público técnico, a quien toma decisiones de política pública y a un lector sin formación en economía.

Cómo se propaga una narrativa

Narrative Economics toma su mecanismo central de la epidemiología. Kermack y McKendrick (1927) parten una población en tres grupos: quienes no han contraído una enfermedad, quienes la tienen y la transmiten, y quienes ya dejaron de transmitirla. Shiller aplica esos mismos tres grupos a una historia. Hay quien no la ha oído, quien la está contando y quien la oyó y ya no la repite.

Dos tasas mueven a la gente entre los grupos. La tasa de contagio c fija qué tan rápido quienes cuentan la historia se la pasan a quienes no la han oído. La tasa de olvido r fija qué tan rápido pierden el interés y dejan de contarla. Su cociente es el número reproductivo básico, R0 = c / r: cuántos narradores nuevos produce cada uno mientras casi toda la población sigue siendo susceptible. Por encima de uno la historia se vuelve epidemia. Por debajo de uno se apaga.

sirSemilla = 0.001
sirDias = 200
sirPaso = 0.05

// Euler explícito. S + I + R se conserva en 1 hasta 1e-14 en toda la rejilla
// de los deslizadores. Integrado hasta converger, un paso de 0.05 queda a
// menos de 0.07 pp del tamaño final analítico, que para una corrida con
// semilla es S_inf = S_0 exp(-R0 (1 - S_inf)) con S_0 = 1 - sirSemilla, y no
// la forma con S_0 = 1: en R0 = 1 las dos difieren unos 4 pp, así que
// comparar contra la equivocada inventa un error de integración que no está.
// Lo que la corrida NO hace es alcanzar esa asíntota en todos los ajustes.
// Apenas por encima de R0 = 1 la epidemia sigue en curso el día sirDias y el
// estado final queda lejos de S_inf. Eso es la ventana fija, no el paso, y
// refinar el paso no lo mueve. Por eso la lectura dice "sigue subiendo" en vez
// de nombrar un pico ahí, y por eso siempre dice "al día sirDias" en lugar de
// reportar un total.
// El día se registra como k / porDia y no como k * sirPaso para que el eje
// lleve enteros exactos.
sirSimular = (c, r) => {
  const porDia = Math.round(1 / sirPaso);
  let S = 1 - sirSemilla, I = sirSemilla, R = 0;
  const filas = [{ dia: 0, S, I, R }];
  for (let k = 1; k <= sirDias * porDia; k++) {
    const nuevos = c * S * I * sirPaso;
    const salen = r * I * sirPaso;
    S -= nuevos;
    I += nuevos - salen;
    R += salen;
    if (k % porDia === 0) filas.push({ dia: k / porDia, S, I, R });
  }
  return filas;
}

sirEtiqueta = ({
  S: "No la han oído",
  I: "La cuentan",
  R: "Ya no la cuentan"
})
sirDominio = [sirEtiqueta.S, sirEtiqueta.I, sirEtiqueta.R]
sirColores = ["var(--teal)", "var(--clay)", "var(--ink-soft)"]

sirLargo = traza => traza.flatMap(d => [
  { dia: d.dia, grupo: sirEtiqueta.S, valor: d.S },
  { dia: d.dia, grupo: sirEtiqueta.I, valor: d.I },
  { dia: d.dia, grupo: sirEtiqueta.R, valor: d.R }
])

sirResumen = (c, r) => {
  const traza = sirSimular(c, r);
  let pico = traza[0];
  for (const d of traza) if (d.I > pico.I) pico = d;
  const fin = traza[traza.length - 1];
  return { traza, R0: c / r, pico, alcance: 1 - fin.S, fin };
}

// Cada serie se etiqueta al final de su propia línea, así que dos etiquetas se
// enciman cuando dos curvas terminan juntas: I y R quedan las dos en cero si
// R0 < 1, y S y R se juntan cuando la mitad de la población oyó la historia.
// Esto las separa un mínimo en unidades de dato. Sólo mueve etiquetas hacia
// arriba, y la de más arriba sube cuando mucho dos separaciones, así que no
// puede salirse del marco.
sirSeparar = (puntos, minimo) => {
  const orden = puntos.map(d => ({ ...d })).sort((a, b) => a.valor - b.valor);
  for (let i = 1; i < orden.length; i++) {
    if (orden[i].valor - orden[i - 1].valor < minimo) {
      orden[i].valor = orden[i - 1].valor + minimo;
    }
  }
  return orden;
}

sirPorciento = v => (v * 100).toFixed(1) + "%"

// El máximo de I en la traza no siempre es el pico de la curva. La ventana
// está fija en sirDias, y en los seis ajustes alcanzables apenas por encima
// de R0 = 1 (c/r de 0.11/0.10, 0.12/0.10, 0.12/0.11, 0.13/0.12, 0.14/0.13,
// 0.15/0.14) la historia sigue propagándose cuando la ventana termina, así
// que el máximo cae en el último día. Llamarle pico a eso sería nombrar el
// borde del marco como un suceso que la gráfica no muestra: la curva sale
// del cuadro todavía subiendo. Por debajo de R0 = 1 tampoco hay pico, sólo
// la semilla decayendo desde el día 0. Por eso la lectura reporta un pico
// únicamente donde la curva ya dio la vuelta.
sirLectura = (c, r) => {
  const x = sirResumen(c, r);
  const partes = [
    `R0 = ${x.R0.toFixed(2)}`,
    x.R0 > 1 ? "se propaga" : "se apaga"
  ];
  if (x.R0 > 1) {
    partes.push(x.pico.dia === sirDias
      ? `sigue subiendo el día ${sirDias}`
      : `pico ${sirPorciento(x.pico.I)} el día ${x.pico.dia}`);
  }
  partes.push(`${sirPorciento(x.alcance)} la ha oído al día ${sirDias}`);
  return html`<div class="data-meta">${partes.join(" · ")}</div>`;
}

// Una celda de despliegue que sólo lleva el nombre de otra celda muestra el
// inspector de Observable, así que toda salida visual aquí es una función
// llamada desde su propia celda (CLAUDE.md sección 13, bug 0).
sirGrafica = (c, r) => {
  const x = sirResumen(c, r);
  const largo = sirLargo(x.traza);
  const etiquetas = sirSeparar([
    { grupo: sirEtiqueta.S, valor: x.fin.S },
    { grupo: sirEtiqueta.I, valor: x.fin.I },
    { grupo: sirEtiqueta.R, valor: x.fin.R }
  ], 0.065).map(d => ({ ...d, dia: sirDias }));

  return Plot.plot({
    width: 680,
    height: 320,
    marginTop: 24,
    marginLeft: 46,
    marginBottom: 32,
    marginRight: 150,
    style: {
      background: "transparent",
      color: "var(--ink-soft)",
      fontFamily: "IBM Plex Sans, sans-serif",
      fontSize: "12px"
    },
    x: { label: null, domain: [0, sirDias] },
    y: { label: null, domain: [0, 1] },
    color: { domain: sirDominio, range: sirColores },
    marks: [
      Plot.gridY({ stroke: "var(--rule)" }),
      Plot.lineY(largo, {
        x: "dia", y: "valor", z: "grupo", stroke: "grupo",
        strokeWidth: 2, strokeLinejoin: "round", strokeLinecap: "round"
      }),
      Plot.text(etiquetas, {
        x: "dia", y: "valor", text: "grupo", fill: "grupo",
        textAnchor: "start", dx: 8, fontSize: 13, fontWeight: 500
      }),
      // Los datos del tip son la unión de todas las series que dibuja la
      // gráfica, y su título nombra la serie que describe (CLAUDE.md sec. 13).
      Plot.tip(largo, Plot.pointerX({
        x: "dia", y: "valor",
        title: d => `${d.grupo}\ndía ${d.dia}\n${sirPorciento(d.valor)}`
      })),
      Plot.axisX({ stroke: "var(--rule)", tickSize: 0, ticks: 5 }),
      Plot.axisY({
        stroke: "var(--rule)", tickSize: 0, ticks: 5,
        tickFormat: d => (d * 100).toFixed(0) + "%"
      })
    ]
  });
}

viewof sirContagio = Inputs.range([0.10, 0.50], { label: "Contagio", step: 0.01, value: 0.30 })

viewof sirOlvido = Inputs.range([0.10, 0.50], { label: "Olvido", step: 0.01, value: 0.15 })

sirLectura(sirContagio, sirOlvido)

sirGrafica(sirContagio, sirOlvido)

Simulación del modelo SIR de Kermack y McKendrick en la forma en que Narrative Economics lo aplica a una historia. La población está normalizada a uno y arranca con una persona de cada mil contando la historia. Las dos tasas son por día, y el día es una convención del ejercicio. Nada de esto está estimado con datos.

Del perfil de la curva de en medio se siguen dos cosas.

La primera es que baja sola. Nadie tiene que desmentir la historia. Conforme se propaga, el grupo que no la ha oído se encoge, y en cuanto ese grupo cae por debajo de r / c cada persona que la cuenta recluta a menos de un relevo. El pico llega y empieza la caída con la tasa de contagio en el mismo lugar donde estaba. Una narrativa puede desaparecer sin que nadie la haya contradicho.

La segunda es que el contagio por sí solo no decide nada. Una historia que se abandona más rápido de lo que se propaga no llega a ningún lado. Una que se propaga despacio contra un olvido más lento sí prende. El nivel de c fija qué tan rápido ocurre el episodio; que haya episodio lo decide c contra r.

El modelo en tres líneas

Sean S, I y R las proporciones de la población que no ha oído la historia, que la está contando, y que ya la oyó y dejó de contarla, con S + I + R = 1. En cada periodo c · S · I de la población empieza a contarla y r · I de quienes la cuentan se detienen. Entonces S baja en c · S · I; I sube en c · S · I y baja en r · I; R sube en r · I.

I crece sólo mientras c · S > r. Al inicio casi nadie ha oído la historia, S está cerca de 1 y la condición se reduce a c / r > 1. Ese cociente es el número reproductivo básico R0: cuántos narradores nuevos produce uno antes de detenerse, con la población todavía susceptible. I llega a su máximo justo cuando S bajó a r / c, y de ahí cae con c sin cambiar.

La figura integra esas tres líneas hacia adelante en veinte pasos por día, desde una persona de cada mil contando la historia.

El planteamiento original del modelo es W. O. Kermack y A. G. McKendrick, “A Contribution to the Mathematical Theory of Epidemics”, Proceedings of the Royal Society A 115(772), 1927, 700-721.

El oficio en dos ejercicios

La mitad del oficio, en dos ejercicios. El primero trata de lo que el ojo resuelve antes de leer. El segundo lleva una misma gráfica de como sale de una hoja de cálculo a una figura terminada, una decisión a la vez.

Atributos preatentivos

digitosFilas = ["805391643725", "472680359168", "936158270436", "258073496153"]

// Una celda de despliegue que solo lleva el nombre de otra celda muestra el
// inspector de Observable, así que toda salida visual aquí es una función
// llamada desde su propia celda (CLAUDE.md sección 13, bug 0).
gridDigitos = (activo) => html`<div class="digit-grid">${
  digitosFilas.map(fila => html`<div>${
    Array.from(fila, caracter =>
      activo && caracter === "3"
        ? html`<span class="digit-hit">3</span>`
        : html`<span>${caracter}</span>`)
  }</div>`)
}</div>`

// La respuesta tiene que esperar al interruptor. Impresa bajo la cuadrícula
// desde el principio, se lee antes de que nadie intente contar y el ejercicio
// deja de funcionar: el punto es la diferencia entre contar y ver.
lineaDigitos = (activo) => html`<p>${activo
  ? "Siete. Con un solo cambio se ven antes de contarlos."
  : "Contarlos toma un momento."
}</p>`

¿Cuántos treses hay en la cuadrícula?

gridDigitos(resaltar)

viewof resaltar = Inputs.toggle({ label: "Resaltar", value: false })

lineaDigitos(resaltar)

La misma gráfica, en seis pasos

indicadores = FileAttachment("../data/labor-indicators.csv").csv({ typed: true })

etiquetaSerie = ({ TIL1: "Informalidad", TOSI1: "Sector informal" })

// La columna regimen guarda los códigos internos de INEGI. La nota bajo la
// gráfica promete que el tooltip nombra la encuesta, así que va con nombre
// legible y no con el código: "tradicional" es la ENOE regular, "enoen" la
// Nueva Edición que corrió mientras el levantamiento se recuperaba de la
// interrupción de 2020, y "enoe_2023" el regreso a la ENOE regular desde 2023.
// El marco muestral no cambió en 2023, así que ninguna etiqueta lo nombra.
etiquetaMarco = ({
  tradicional: "ENOE",
  enoen: "ENOEN",
  enoe_2023: "ENOE 2023+"
})

serieDe = codigo => indicadores
  .filter(d => d.indicador === codigo)
  .map(d => ({
    serie: etiquetaSerie[codigo],
    fecha: new Date(d.anio, (d.trimestre - 1) * 3, 1),
    valor: d.valor,
    anio: d.anio,
    trimestre: d.trimestre,
    regimen: d.regimen
  }))
  .sort((a, b) => a.fecha - b.fecha)

// 2020-T2 no existe en los datos (el hueco de la ETOE). Sin un punto
// explícito con valor indefinido, Plot une los trimestres vecinos con una
// diagonal recta, que lee un cambio de método como una transición gradual.
conHuecos = serie => {
  const resultado = [];
  for (let i = 0; i < serie.length; i++) {
    resultado.push(serie[i]);
    if (i < serie.length - 1) {
      const actual = serie[i], siguiente = serie[i + 1];
      const meses = (siguiente.fecha.getFullYear() - actual.fecha.getFullYear()) * 12
        + (siguiente.fecha.getMonth() - actual.fecha.getMonth());
      if (meses > 3) {
        resultado.push({
          ...actual,
          fecha: new Date(actual.fecha.getFullYear(), actual.fecha.getMonth() + 3, 1),
          valor: undefined
        });
      }
    }
  }
  return resultado;
}

seriesPaso = [serieDe("TIL1"), serieDe("TOSI1")]
puntosPaso = seriesPaso.flat()
lineasPaso = seriesPaso.flatMap(conHuecos)
finalesPaso = seriesPaso.map(s => s[s.length - 1])
dominioPaso = [etiquetaSerie.TIL1, etiquetaSerie.TOSI1]

// El eje estaba fijo en [0, 65] mientras las dos series viven entre 27 y 60,
// así que la mitad del marco quedaba vacía y las dos líneas apretadas en la
// mitad de arriba. Se ajusta a los datos, la misma idea que
// dominioAjustadoSerie en las páginas de Mercado Laboral MX, pero con un
// margen más chico: ese ayudante deja 15% del rango, que sobre un tramo tan
// ancho devolvería varios puntos de eje vacío. Se calcula en vez de fijarse
// para que siga ajustando cuando cambien los datos trimestrales.
dominioPasoY = {
  const valores = puntosPaso.map(d => d.valor);
  const min = Math.min(...valores), max = Math.max(...valores);
  const margen = (max - min) * 0.06;
  return [min - margen, max + margen];
}

textosPaso = [
  "Como sale de una hoja de cálculo. Borde, cuadrícula, un marcador en cada trimestre, una leyenda separada de las líneas y los colores que el programa trae de fábrica.",
  "Quitar el borde de la gráfica.",
  "Quitar las líneas de la cuadrícula.",
  "Quitar los marcadores.",
  "Limpiar las etiquetas de los ejes y mandarlas al fondo.",
  "Etiquetar las series directamente y quitar la leyenda.",
  "Dar a cada etiqueta el color de su serie. La gráfica queda en el estilo de las páginas de datos del sitio: su paleta, su tipografía y una cuadrícula tenue."
]

lineaPaso = (paso) => html`<p>${textosPaso[paso]}</p>`

graficaPasos = (paso) => {
  const sucio = paso <= 3;
  const casa = paso >= 6;
  const trazo = casa ? "var(--rule)" : "var(--ink-soft)";
  const marcas = [];

  if (paso <= 1) {
    marcas.push(Plot.gridY({ stroke: "var(--ink-soft)", strokeOpacity: 0.85, strokeWidth: 1 }));
  } else if (casa) {
    marcas.push(Plot.gridY({ stroke: "var(--rule)" }));
  }

  if (paso === 0) marcas.push(Plot.frame({ stroke: "var(--ink-soft)" }));

  marcas.push(Plot.lineY(lineasPaso, {
    x: "fecha", y: "valor", z: "serie", stroke: "serie",
    strokeWidth: casa ? 2 : 1.5,
    strokeLinejoin: "round", strokeLinecap: "round"
  }));

  if (paso <= 2) {
    marcas.push(Plot.dot(puntosPaso, {
      x: "fecha", y: "valor", z: "serie", fill: "serie", r: 2.8
    }));
  }

  if (paso >= 5) {
    marcas.push(Plot.text(finalesPaso, {
      x: "fecha", y: "valor", text: "serie",
      textAnchor: "start", dx: 10, fontSize: 13, fontWeight: 500,
      fill: casa ? "serie" : "var(--ink)"
    }));
  }

  if (casa) {
    marcas.push(Plot.dot(finalesPaso, {
      x: "fecha", y: "valor", z: "serie", fill: "serie",
      r: 3.5, stroke: "var(--plot-background)", strokeWidth: 1.5
    }));
    // Los datos del tip son la unión de todas las series que dibuja la
    // gráfica, y su título nombra la serie que describe (CLAUDE.md sec. 13).
    marcas.push(Plot.tip(puntosPaso, Plot.pointerX({
      x: "fecha", y: "valor",
      title: d => `${d.serie}\n${d.anio}-T${d.trimestre} (${etiquetaMarco[d.regimen] ?? d.regimen})\n${d.valor}%`
    })));
  }

  marcas.push(Plot.axisX({
    stroke: trazo,
    tickSize: sucio ? 5 : 0,
    ticks: sucio ? 21 : 5,
    tickRotate: sucio ? -45 : 0,
    fontSize: sucio ? 10 : 12
  }));
  marcas.push(Plot.axisY({
    stroke: trazo,
    tickSize: sucio ? 5 : 0,
    ticks: sucio ? 14 : 5,
    tickFormat: sucio ? (d => d.toFixed(2)) : undefined
  }));

  return Plot.plot({
    width: 680,
    height: 340,
    marginTop: 30,
    marginLeft: sucio ? 58 : 44,
    marginBottom: sucio ? 58 : 30,
    marginRight: paso >= 5 ? 132 : 24,
    style: {
      background: "transparent",
      color: paso >= 4 ? "var(--ink-soft)" : "var(--ink)",
      fontFamily: casa ? "IBM Plex Sans, sans-serif" : "Arial, Helvetica, sans-serif",
      fontSize: "12px"
    },
    x: { label: null },
    y: { label: sucio ? "Porcentaje (%)" : "%", domain: dominioPasoY },
    color: casa
      ? { domain: dominioPaso, range: ["var(--teal)", "var(--clay)"] }
      : { domain: dominioPaso, scheme: "tableau10", legend: paso <= 4 },
    marks: marcas
  });
}

viewof pasoActivo = Inputs.radio([0, 1, 2, 3, 4, 5, 6], { label: "Paso", value: 0 })

lineaPaso(pasoActivo)

graficaPasos(pasoActivo)

Informalidad laboral (TIL1) y ocupación en el sector informal (TOSI1), como proporción de la población ocupada. ENOE, INEGI, series originales, sin ajuste estacional. En 2020-T2 no hubo levantamiento. La propia encuesta cambió dos veces en este periodo: a la Nueva Edición (ENOEN) en 2020-T3 y de regreso a la ENOE regular en 2023-T1. La línea se traza continua a través de los dos cambios, y el tooltip indica qué encuesta está detrás de cada punto. El eje vertical se ajusta a las dos series y no arranca en cero.

Las dos líneas valen por lo que miden, no sólo por cómo están dibujadas. La informalidad laboral cuenta a quienes trabajan sin seguridad social, trabajen donde trabajen. La ocupación en el sector informal cuenta a quienes trabajan en un negocio que nunca se registró. Se puede estar en una y no en la otra, y la distancia entre las líneas es justo ese grupo: sobre todo quienes trabajan sin seguridad social en empresas, gobierno e instituciones, más el trabajo del hogar remunerado y el ámbito agropecuario fuera del sector informal.

En esa brecha está el cambio. La serie no trae ajuste estacional, así que la comparación va de segundo trimestre a segundo trimestre. La informalidad laboral bajó de 59.4% en 2005 a 55.1% en 2026, mientras que la ocupación en el sector informal subió de 28.2% a 30.2%. El sector informal no se encogió. Lo que se cerró fue la brecha, de 31.2 puntos a 24.9. La mayor parte del terreno que cedió fue trabajo agropecuario, conforme el campo perdió peso en el empleo. Medida sin el sector agropecuario, esa misma brecha se cerró apenas 3.0 puntos, menos de la mitad. Una sola cifra de “informalidad” esconde los dos movimientos a la vez, que es por lo que la elección de la serie ya es parte de la historia que se cuenta.

Las sesiones

Doce de las sesiones están ancladas en un artículo y, cuando la sesión enseña uno, en un método: salarios mínimos y diferencias en diferencias, el choque de China e instrumentos shift-share, el folclor como predictor de decisiones económicas actuales, una campaña electoral que reactiva un episodio histórico de hace siglos. Dos de ellas, sobre storytelling con datos, son de donde salen los ejercicios de arriba.

Las doce sesiones, con láminas

• 1. La importancia de las historias. Apertura del curso. El origen de la narración y la evidencia de que el folclor predice valores y decisiones económicas. Lecturas: Shiller, Narrative Economics: How Stories Go Viral and Drive Major Economic Events (Princeton University Press, 2019); Michalopoulos y Xue, “Folklore” (Quarterly Journal of Economics, 2021); Stephens, Silbert y Hasson, “Speaker-listener neural coupling underlies successful communication” (Proceedings of the National Academy of Sciences, 2010). Láminas (PDF, 0.48 MB)

• 2. Historias, estadísticas y memoria. El capítulo 2 de Nexus, un repaso de aleatorización y estadística bayesiana, y un experimento sobre historias frente a estadísticas. Método: aleatorización y estadística bayesiana. Lecturas: Harari, Nexus, capítulo 2, “Stories: Unlimited Connections” (2024); Graeber, Roth y Zimmermann, “Stories, Statistics, and Memory” (Quarterly Journal of Economics, 2024). Láminas (PDF, 0.20 MB)

• 3. Viralidad de las narrativas. Contagio de narrativas en Shiller, los modelos como historias con estructura, variables instrumentales y el debate entre Acemoglu y Albouy. Método: variables instrumentales. Lecturas: Shiller, Narrative Economics; Morgan, The World in the Model: How Economists Work and Think (2012); Acemoglu, Johnson y Robinson, “The Colonial Origins of Comparative Development: An Empirical Investigation” (American Economic Review, 2001), con el comentario de Albouy y la respuesta de los autores (los dos en American Economic Review, 2012); Angrist y Krueger (1991) como instrumento de ejemplo. Láminas (PDF, 0.72 MB)

• 4. Salarios mínimos y diferencias en diferencias. Modelos del salario mínimo y la narrativa de la espiral salarios-precios; diferencias en diferencias, con Card y Krueger y el caso mexicano. Método: diferencias en diferencias. Lecturas: Card y Krueger, “Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania” (American Economic Review, 1994) y Myth and Measurement: The New Economics of the Minimum Wage (1995); Calderón, Cortés, Pérez Pérez y Salcedo, “Disentangling the Effects of Large Minimum Wage and VAT Changes on Prices: Evidence from Mexico” (Labour Economics, 2023); Campos-Vázquez y Esquivel, “The Effect of Doubling the Minimum Wage and Decreasing Taxes on Inflation in Mexico” (Economics Letters, 2020); sobre los modelos del mercado laboral que están detrás del debate, Manning, Monopsony in Motion (2003), Diamond (1982) y Mortensen y Pissarides (1994); y sobre el estimador, de Chaisemartin y D’Haultfœuille (2020), Callaway y Sant’Anna (2021), Sun y Abraham (2021), y Roth, Sant’Anna, Bilinski y Poe (2023). Láminas (PDF, 0.82 MB)

• 5. Regresión discontinua y economía del comportamiento. Repaso de regresión discontinua, con una aplicación a la admisión a bachillerato, y economía del comportamiento hasta la crisis de replicación. Método: regresión discontinua. Lecturas: Ortega Hesles, “Just Making the Admission Cut-Off” (2015); Kahneman y Tversky, “Prospect Theory: An Analysis of Decision under Risk” (Econometrica, 1979); Simmons, Nelson y Simonsohn, “False-Positive Psychology” (Psychological Science, 2011); Brodeur, Lé, Sangnier y Zylberberg, “Star Wars: The Empirics Strike Back” (American Economic Journal: Applied Economics, 2016); sobre el método, Thistlethwaite y Campbell (1960), Angrist y Lavy (1999), e Imbens y Lemieux (2008). Láminas (PDF, 0.82 MB)

• 6. Reemplazo de trabajos e instrumentos shift-share. Narrativas sobre el reemplazo de trabajos e instrumentos shift-share aplicados al comercio con China, los robots y la inteligencia artificial. Método: instrumentos shift-share. Lecturas: Autor, Dorn y Hanson, “The China Syndrome: Local Labor Market Effects of Import Competition in the United States” (American Economic Review, 2013); Acemoglu y Restrepo, “Robots and Jobs: Evidence from US Labor Markets” (Journal of Political Economy, 2020); Acemoglu, Autor, Hazell y Restrepo, “Artificial Intelligence and Jobs: Evidence from Online Vacancies” (Journal of Labor Economics, 2022); Borusyak, Hull y Jaravel, “A Practical Guide to Shift-Share Instruments” (Journal of Economic Perspectives, 2025); sobre la medición de la exposición, Felten, Raj y Seamans (2019), Webb (2020), y Brynjolfsson, Mitchell y Rock (2019). Láminas (PDF, 1.22 MB)

• 8. Narrativas y eventos económicos: pánico y confianza. Shiller trata la causalidad en dos sentidos y las narrativas de pánico y confianza; Roos y Reccius definen la narrativa económica colectiva. Lecturas: Shiller, Narrative Economics; Roos y Reccius, “Narratives in economics” (Journal of Economic Surveys 38(2), 2024, 303-341); Cass y Shell, “Do Sunspots Matter?” (Journal of Political Economy, 1983); Vosoughi, Roy y Aral, “The spread of true and false news online” (Science, 2018). Láminas (PDF, 0.32 MB)

• 9. Storytelling con datos I: contexto, gráficas y desorden. Cubre las tres primeras lecciones de Knaflic: contexto, elección de gráfica y eliminación del desorden. Cierra con McCloskey y la escritura económica. Método: visualización de datos. Lecturas: Nussbaumer Knaflic, Storytelling with Data (2015), lecciones 1 a 3; McCloskey, “Economical Writing” (Economic Inquiry 23(2), 1985, 187-222). Láminas (PDF, 2.12 MB)

• 10. Storytelling con datos II: atención, diseño e historia. Cubre las tres últimas lecciones de Knaflic: atención, diseño y estructura narrativa, con un ejemplo completo. Cierra con McCloskey y la retórica. Método: narrativa visual. Lecturas: Nussbaumer Knaflic, Storytelling with Data, lecciones 4 a 6; McCloskey, “The Rhetoric of Economics” (Journal of Economic Literature 21(2), 1983, 481-517); McKee, Story: Substance, Structure, Style, and the Principles of Screenwriting (1997); Vonnegut, “How to Write with Style” (1980). Láminas (PDF, 1.94 MB)

• 11. Storytelling en política pública. El Narrative Policy Framework de Jones y McBeth, aplicado a tres evaluaciones de desarrollo: escuelas en Indonesia, desparasitación y redes antimalaria. Método: experimentos aleatorizados y diferencias en diferencias. Lecturas: Jones y McBeth, “A Narrative Policy Framework: Clear Enough to Be Wrong?” (Policy Studies Journal, 2010); Duflo, “Schooling and Labor Market Consequences of School Construction in Indonesia” (American Economic Review, 2001); Miguel y Kremer, “Worms: Identifying Impacts on Education and Health in the Presence of Treatment Externalities” (Econometrica, 2004); Cohen y Dupas, “Free Distribution or Cost-Sharing? Evidence from a Randomized Malaria Prevention Experiment” (Quarterly Journal of Economics, 2010); sobre el marco y sus críticas, Stone, Policy Paradox, Roe, Narrative Policy Analysis (1994), y Schlaufer, Kuenzler, Jones y Shanahan (2022). Láminas (PDF, 0.67 MB)

• 13. Storytelling en negocios. La narrativa como marca, como pitch de inversión y como cultura interna. Dos artículos miden su efecto en anuncios y prospectos bursátiles. Método: codificación de contenido y regresión. Lecturas: Quesenberry y Coolsen, “What Makes a Super Bowl Ad Super? Five-Act Dramatic Form Affects Consumer Super Bowl Advertising Ratings” (Journal of Marketing Theory and Practice, 2014); Martens, Jennings y Jennings, “Do the Stories They Tell Get Them the Money They Need? The Role of Entrepreneurial Narratives in Resource Acquisition” (Academy of Management Journal, 2007); con la pirámide dramática de cinco actos de Freytag como andamiaje. Láminas (PDF, 0.48 MB)

• 14. Storytelling en procesos políticos. Ideas, encuadre y memoria colectiva en política. El caso central mide cómo una campaña electoral reactiva un episodio histórico de hace siglos. Método: diferencias en diferencias y regresión discontinua espacial. Lecturas: Ochsner y Roesel, “Activated History: The Case of the Turkish Sieges of Vienna” (American Economic Journal: Applied Economics, 2024); Mukand y Rodrik, “The Political Economy of Ideas” (NBER, 2018); Entman, “Framing: Toward Clarification of a Fractured Paradigm” (Journal of Communication, 1993); Halbwachs, Les cadres sociaux de la mémoire (1925); sobre persistencia histórica, Dell (2010, 2012) y Acemoglu, Johnson y Robinson (2001); Chetty et al., “Social Capital I: Measurement and Associations with Economic Mobility” (Nature, 2022). Láminas (PDF, 0.50 MB)

Las sesiones 7 y 12 se dedicaron a las presentaciones de las propuestas de artículo de los estudiantes, así que no tienen láminas.

Cómo se evalúa

• Participación en clase, con tres láminas por lectura asignada (resumen, aciertos y áreas de oportunidad) que alguien comenta ante el grupo en cada sesión.
• Tareas: ejercicios empíricos a lo largo del curso.
• Presentación ante el grupo de la propuesta de artículo, de cinco a diez minutos, con retroalimentación de los compañeros.
• Propuesta escrita de dos páginas: la historia que se quiere contar, la motivación, los elementos que la sostienen y el plan de trabajo.
• Artículo final.

El temario permite usar herramientas de inteligencia artificial para explorar ideas, redactar borradores e iterar, siempre que el texto entregado no sea copiado de ellas y que sus afirmaciones se verifiquen.

Lecturas

Libros y artículos que el curso usa a lo largo del semestre, además de las lecturas de cada sesión.

• Robert J. Shiller. Narrative Economics: How Stories Go Viral and Drive Major Economic Events. Princeton University Press, 2019.
• Deirdre N. McCloskey. The Rhetoric of Economics. University of Wisconsin Press, 1985.
• Mary S. Morgan y Thomas A. Stapleford. “Narrative in Economics: A New Turn on the Past”. History of Political Economy 55(3), 2023, 395-421.
• Mary S. Morgan. The World in the Model: How Economists Work and Think. Cambridge University Press, 2012.
• Michael Roos y Matthias Reccius. “Narratives in Economics”. Journal of Economic Surveys 38(2), 2024, 303-341.
• Karla Borja y Suzanne Dieringer. “Telling My Story: Applying Storytelling to Complex Economic Data”. Eastern Economic Journal 49(3), 2023, 328-348.
• Edward E. Leamer. Macroeconomic Patterns and Stories: A Guide for MBAs. Springer, 2009.