Descripción
Este artículo presenta un nuevo conjunto de herramientas estadísticas al aplicar tres técnicas de inferencia causal basadas en datos tomados de la comunidad del aprendizaje automático (maching learning) y que son poco conocidos entre los economistas y los académicos de la innovación: un enfoque condicional basado en la independencia, modelos de ruido aditivo e inferencia no algorítmica a mano. Incluimos tres aplicaciones a los datos de la CIS -la encuesta de la comunidad sobre la innovación- para investigar los modelos de financiación pública para inversión en investigación y desarrollo, fuentes de información para la innovación, y gastos de innovación y crecimiento empresarial. Los resultados preliminares proporcionaron interpretaciones causales de algunas correlaciones observadas previamente. (Coad, A., Janzing, D., & Nightingale, P., 2018)
Referencia
Coad, A., Janzing, D., & Nightingale, P. (2018). Tools for causal inference from cross-sectional innovation surveys with continuous or discrete variables: theory and applications. Cuadernos de Economía, 39(75), 779-807. dx.doi.org/10.15446/cuad.econ.v37n75.69832 [Accepted: March 2018, Published: December 2018]
