¿Alguna vez te has preguntado de dónde viene la riqueza? A menudo, damos por sentada la prosperidad que nos rodea y nos enfocamos en explicar la pobreza como si fuera una anomalía. Sin embargo, el economista Miguel Anxo Bastos nos invita a darle la vuelta a esta perspectiva: la condición natural e histórica de la humanidad ha sido siempre la pobreza extrema. Lo que realmente necesita una explicación es la riqueza.

En una charla reveladora, Bastos desglosa los tres pilares que, según él, son la única solución a la pobreza y el único camino hacia el progreso: capitalismo, ahorro y trabajo duro.

El Motor de la Riqueza: El Capital

La idea central es que la diferencia fundamental entre un país rico y uno pobre es su dotación de capital por habitante. Bastos lo ilustra con una comparación clara: un campesino en Suiza no es inherentemente superior a un campesino en el Congo. La diferencia radica en sus herramientas. Mientras que el trabajador suizo utiliza un tractor de 500 caballos que multiplica su fuerza y productividad miles de veces , el trabajador en una zona no capitalizada sigue dependiendo de sus manos, un arado de madera y un buey flaco, lo que resulta en una productividad cientos de veces menor.

Este "capital" —las máquinas, las herramientas, la tecnología— no aparece de la nada. Se crea a través de tres pasos fundamentales:

1. Trabajo Duro: La base de toda producción.

2. 
   

   Ahorro y Frugalidad: En lugar de consumir todo lo producido, una parte se guarda.

   
   

3. 
   

   Inversión: Ese ahorro se utiliza para comprar o crear máquinas (capital) que aumentan la productividad.

   
   

Fue este proceso el que permitió a países como Inglaterra, Francia y Estados Unidos empezar a salir de la pobreza en los siglos XVIII y XIX, reemplazando el trabajo manual por la máquina de vapor y el transporte en carretas por el ferrocarril.

Desmontando Mitos: ¿La Riqueza Proviene de las Colonias?

Una de las críticas más comunes al capitalismo es que la riqueza de las naciones occidentales se construyó sobre el saqueo de sus colonias. Bastos argumenta que esta idea es una falacia. Para sostenerlo, presenta varios puntos:

• 
  

  Países ricos sin colonias: Suiza, Noruega, Suecia y Luxemburgo se encuentran entre los países más ricos del mundo y nunca tuvieron imperios coloniales significativos.

  
  

• 
  

  Imperios pobres: Portugal tuvo uno de los imperios coloniales más grandes y, sin embargo, durante mucho tiempo fue el país más pobre de Europa Occidental.

  
  

• 
  

  El colonialismo como un lastre: Lejos de ser una fuente de riqueza, las colonias a menudo representaban un costo político y económico para el imperio. De hecho, ningún país colonizador se derrumbó económicamente tras perder sus colonias.

  
  

• 
  

  El oro no generó desarrollo: El oro y la plata extraídos de América sirvieron principalmente para financiar guerras y crear una inflación masiva en Europa, no para desarrollar la industria.

  
  

El Contraste Habla por Sí Mismo

Para Bastos, la historia ofrece experimentos naturales que demuestran la superioridad del modelo capitalista para generar prosperidad.

• 
  

  Cuba: En 1958, antes de la revolución, Cuba tenía un nivel de renta per cápita similar al de Francia o Austria, y el doble que el de Italia o España. Hoy, compite por ser uno de los países más pobres de América Latina.

  
  

• 
  

  Las dos Coreas y Sudán: En 1960, Corea del Sur y Sudán tenían exactamente la misma renta. Corea del Sur abrazó un modelo capitalista y multiplicó su renta por 30, alcanzando el nivel de vida de España o Italia. Sudán se quedó como estaba.

  
  

La Verdadera Barrera: La Intervención

Entonces, si el capitalismo es la solución, ¿por qué hay países nominalmente capitalistas que no prosperan? Bastos argumenta que muchos de estos países no practican un capitalismo libre, sino un sistema fuertemente intervenido. Las regulaciones excesivas, la burocracia, la falta de seguridad en la propiedad y, sobre todo, los aranceles, actúan como un freno.

Utiliza un ejemplo concreto: ¿cómo es posible que un coche importado cueste un 50% o 60% más en un país pobre que en uno rico?. La respuesta son los aranceles y las intervenciones, que no son capitalismo, sino barreras que empobrecen a la población.

Conclusión: Un Camino Lento pero Seguro

La visión de Bastos es clara y contundente: no existen atajos mágicos para la prosperidad. El camino es el mismo que recorrió su abuelo: agachar la cabeza, trabajar duro, ahorrar e invertir sabiamente ese dinero. Es un proceso lento, que puede llevar décadas , pero es el único que ha demostrado ser capaz de sacar a la humanidad de su estado natural de pobreza y llevarla hacia una prosperidad cada vez mayor. No hay otra cosa.

🔍 Introducción

La Probabilidad de Incumplimiento (PD) es un indicador clave en el análisis de riesgo crediticio. Permite estimar la probabilidad de que un prestatario no cumpla con el pago de sus obligaciones financieras en un período determinado, siendo fundamental para calcular provisiones, capital económico y estrategias de pricing.

Hoy exploramos los modelos econométricos más utilizados y recomendados para estimar la PD en carteras de crédito, desde enfoques clásicos hasta machine learning.

💡 1. Regresión Logística (Logit)

📝 Descripción

Es el modelo más ampliamente usado en bancos y cooperativas. Modela la probabilidad de incumplimiento como una función logística de variables explicativas (ingreso, nivel de endeudamiento, antigüedad laboral, etc.).

✅ Ventajas

• Fácil interpretación de resultados (odds ratios).

• Requerimientos estadísticos moderados.

• Bien aceptado por reguladores y auditores.

• Rápida estimación y aplicación en software estándar (Excel, Stata, R).

⚠️ Limitaciones

• Supone relación lineal en el logit.

• Menor performance frente a modelos no paramétricos si la relación es compleja.

💡 2. Modelos Probit

📝 Descripción

Similar al Logit, pero usa la distribución normal acumulada. Genera resultados muy próximos al Logit, aunque la interpretación práctica es menos directa.

✅ Ventajas

• Útil cuando se asume distribución normal de errores.

• Amplia base teórica.

⚠️ Limitaciones

• Menor uso práctico en instituciones financieras frente al Logit, por su interpretación menos intuitiva.

💡 3. Análisis Discriminante

📝 Descripción

Clasifica a los clientes en categorías (incumplidores o cumplidores) mediante funciones lineales de las variables. Fue ampliamente usado antes de la popularización del Logit.

✅ Ventajas

• Buen desempeño cuando se cumplen supuestos de normalidad y varianza homogénea.

• Clasifica directamente.

⚠️ Limitaciones

• Muy sensible a violaciones de supuestos.

• Ha sido reemplazado en la práctica bancaria por modelos logísticos o de árboles de decisión.

💡 4. Árboles de Decisión (Decision Trees)

📝 Descripción

Segmentan la muestra en subgrupos homogéneos según las variables predictoras, generando reglas fáciles de interpretar.

✅ Ventajas

• Interpretación intuitiva (reglas tipo “si… entonces”).

• Capturan relaciones no lineales y variables categóricas sin problemas.

⚠️ Limitaciones

• Riesgo de overfitting si no se podan adecuadamente.

• Menor capacidad predictiva que modelos ensamblados.

💡 5. Random Forest

📝 Descripción

Combina múltiples árboles de decisión generados sobre muestras aleatorias de los datos (bagging). Es un modelo de ensemble learning.

✅ Ventajas

• Alta precisión predictiva.

• Reduce el overfitting presente en árboles individuales.

• Maneja grandes bases de datos y variables sin normalizar.

⚠️ Limitaciones

• Menor interpretabilidad frente al Logit o a un árbol único.

• Mayor demanda computacional.

💡 6. Gradient Boosting Machines (GBM) y XGBoost

📝 Descripción

Modelos de boosting que corrigen errores secuencialmente, generando predicciones muy precisas. XGBoost es su versión optimizada y ampliamente usada en competencias de data science.

✅ Ventajas

• Muy alto poder predictivo.

• Útil para scoring y estrategias de riesgo segmentadas.

⚠️ Limitaciones

• “Caja negra” en términos de interpretación.

• Requiere ajuste de hiperparámetros y validación cruzada cuidadosa.

💡 7. Redes Neuronales Artificiales

📝 Descripción

Modelos no lineales inspirados en la estructura del cerebro humano, útiles para relaciones complejas.

✅ Ventajas

• Capturan interacciones no lineales difíciles de modelar.

• Alto rendimiento en grandes bases de datos.

⚠️ Limitaciones

• Interpretación muy limitada (black box).

• Requiere gran volumen de datos para generalizar bien.

🔧 8. Modelos de Sobrevida (Survival Analysis)

📝 Descripción

Estiman el tiempo hasta el incumplimiento, no solo la probabilidad. Muy útiles para modelos de comportamiento y de ciclo de vida de crédito.

✅ Ventajas

• Incorporan dimensión temporal.

• Predicen la probabilidad condicional de default en cada período.

⚠️ Limitaciones

• Mayor complejidad técnica y computacional.

🎯 Conclusiones: ¿cuál modelo elegir?

✅ Para instituciones financieras tradicionales: Logit sigue siendo el modelo estándar por su interpretabilidad y aceptación regulatoria.
✅ Para fintechs y analítica avanzada: Random Forest, GBM o redes neuronales ofrecen mejor performance predictiva, aunque requieren especialistas en data science y validación robusta.
✅ Para estudios de comportamiento crediticio en el tiempo: modelos de sobrevida aportan un enfoque más completo.

🙌 Reflexión final

Elegir el modelo adecuado depende de:

1. El objetivo del análisis (score de originación, comportamiento, collections).

2. La disponibilidad y calidad de datos.

3. La capacidad técnica del equipo y requerimientos regulatorios.

📌 ¿Te gustaría un tutorial práctico para aplicar el modelo Logit en Excel, Stata o R con ejemplos de cartera realista?
Comenta abajo o contáctame para preparar las próximas entradas que potencien tu formación profesional y académica en econometría y riesgo crediticio.

Uno de los grandes desafíos al iniciar un proyecto de investigación en ciencias económicas o sociales es definir correctamente el tamaño de muestra. Desde la primera tesis o trabajo de campo, surge la clásica pregunta: ¿cuántas encuestas o datos necesito para que mis resultados sean válidos y representativos?

🔍 ¿Por qué importa el tamaño de muestra?

Porque la muestra debe ser lo suficientemente buena para explicar la realidad de la población total, que es el grupo completo al que queremos extrapolar nuestros resultados. Una muestra pequeña o mal calculada puede invalidar todo el estudio.

Sin embargo, al investigar sobre el tema, muchos se encuentran con dos fórmulas comunes para calcular el tamaño de muestra, y aquí empiezan los problemas prácticos.

✏️ Las dos fórmulas típicas

1. Cuando conocemos el tamaño de la población.

2. Cuando no conocemos el tamaño de la población (muestreo de proporciones).

Ambas fórmulas requieren conocer datos importantes como:

• Nivel de confianza.

• Margen de error tolerable.

• Probabilidad de ocurrencia del evento estudiado.

• Desviación estándar (en el caso de variables continuas).

⚠️ El problema real: falta de datos previos

Por ejemplo, si queremos calcular la muestra para estimar el ingreso promedio en un barrio, necesitamos saber la dispersión o variabilidad de los ingresos (desviación estándar). Este dato rara vez está publicado para poblaciones específicas, lo que genera incertidumbre y hace que la fórmula no sea tan aplicable como parece en teoría.

En el caso de la segunda fórmula (muestreo de proporciones), necesitamos conocer la probabilidad de ocurrencia del evento. Si estudiamos categorías como “mayor al salario mínimo”, “igual al salario mínimo” o “menor al salario mínimo”, debemos saber la proporción de personas en cada categoría. Si no la conocemos, nuevamente, la fórmula no nos sirve con rigor científico.

💡 ¿Qué hacen muchos investigadores?

Algunos optan por usar valores arbitrarios o estimaciones aproximadas solo para aplicar las fórmulas. Pero esto es problemático porque:

• Usar valores inventados genera muestras sin respaldo estadístico.

• Las conclusiones del estudio podrían carecer de validez.

✅ Alternativas de solución prácticas

Si estás realizando tu tesis o investigación y te encuentras con este dilema, considera estas alternativas reconocidas en la práctica científica:

1. Teoría del Límite Central (TLC)

Establece que, bajo ciertas condiciones, si tomamos muestras de tamaño suficientemente grande, la distribución de los promedios muestrales tenderá a ser normal, aunque la población no lo sea.

• Regla general:

  • Si tu muestra tiene 30 casos o más, es “suficientemente grande” para muchos análisis.

• Si tu variable es muy sesgada o con colas largas:

  • Se recomienda 40 a 50 casos como mínimo para que la aproximación sea confiable.

✅ Ventaja: No requiere conocer desviaciones estándar poblacionales para garantizar cierta normalidad en los promedios.
⚠️ Limitación: No sustituye un cálculo de poder estadístico si requieres alta precisión.

2. Técnica de saturación

Especialmente utilizada en investigaciones cualitativas, pero aplicable como estrategia práctica en estudios exploratorios:

• Consiste en organizar varias muestras pequeñas sucesivas, hasta que no aparezcan nuevos hallazgos significativos en la información recolectada.

• Cuando se alcanza ese punto, se detiene la recolección de datos.

✅ Ventaja: Útil cuando no se dispone de información previa ni distribución poblacional conocida.
⚠️ Limitación: Depende del juicio del investigador sobre cuándo la información deja de aportar novedades.

🎯 3. Estudios piloto

Antes de aplicar la fórmula, realiza un estudio piloto pequeño (10-20 casos) para:

• Obtener estimaciones preliminares de variabilidad o proporciones.

• Utilizar esos valores en el cálculo formal de tamaño de muestra.

✅ Ventaja: Permite aplicar las fórmulas con datos reales y no arbitrarios.
⚠️ Limitación: Requiere tiempo y recursos adicionales, pero mejora la validez del diseño.

📌 Conclusiones para investigadores y tesistas

1. Las fórmulas para calcular tamaño de muestra no son recetas universales; requieren datos previos confiables.

2. Si no cuentas con esos datos:

   • Usa la regla práctica de muestras ≥30 si es exploratorio y no requieres estimaciones de alta precisión.

   • Realiza un estudio piloto o revisa estudios similares para estimar desviación estándar o proporciones.

   • Considera la saturación en metodologías cualitativas o mixtas.

3. Evita utilizar valores inventados solo para “cumplir con la fórmula”.

🙌 Reflexión final

La investigación científica de calidad no se basa únicamente en fórmulas, sino en comprender su lógica y limitaciones para aplicar estrategias adaptadas a cada contexto. Fortalecer estas competencias es clave para el desarrollo académico y profesional de economistas, estadísticos y cientistas sociales.

📝 ¿Te gustó este contenido?
Comenta tu experiencia aplicando muestras en tus investigaciones o si te gustaría un tutorial con ejemplos prácticos y plantillas de cálculo en Excel o R para próximos artículos.