La evolución del debate de las dos culturas de Breiman: del modelado estadístico al aprendizaje automático contemporáneo
DOI:
https://doi.org/10.22370/pe.2026.20.5263Palabras clave:
Modelado estadístico, ciencia de datos, aprendizaje automático, debate entre dos culturas, interpretabilidad de modelos, evolución del análisis de datos, métodos basados en datos, colaboración interdisciplinariaResumen
Este artículo presenta una revisión crítica estructurada del debate entre el modelamiento estadístico y el modelamiento algorítmico, siguiendo el marco SALSA (Search, Appraisal, Synthesis y Analysis). La revisión se fundamenta en los trabajos de Breiman (2001a) sobre las “dos culturas” y de Athey e Imbens (2019) sobre el aprendizaje automático para economistas, complementados con literatura reciente identificada mediante Scopus, Web of Science y OpenAlex y evaluada mediante criterios explícitos de inclusión y exclusión. La síntesis analiza la evolución de la relación entre precisión predictiva e interpretabilidad, flexibilidad algorítmica e inferencia causal, así como sus implicancias para la investigación económica y la evaluación de políticas públicas. Asimismo, se examinan desarrollos recientes en ciencia basada en aprendizaje automático, inteligencia artificial explicable y confiable, y aprendizaje automático causal como extensiones contemporáneas del debate original. El artículo sostiene que el progreso futuro no dependerá del predominio de una única cultura metodológica, sino de la integración del razonamiento estadístico, los enfoques algorítmicos y el juicio científico mediante procesos transparentes de validación y decisiones metodológicas orientadas al problema.
Descargas
Referencias
Angrist, J. D., & Pischke, J.-S. (2009). *Mostly harmless econometrics: An empiricist’s companion*. Princeton University Press.
Athey, S., Agrawal, A., Gans, J., & Goldfarb, A. (2018). The impact of machine learning on economics. In *The economics of artificial intelligence: An agenda* (pp. 507–547). University of Chicago Press.
Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. *Annual Review of Economics, 11*(1), 685–725. https://doi.org/10.1146/annurev-economics-080217-053950
Barocas, S., Hardt, M., & Narayanan, A. (2023). *Fairness and machine learning: Limitations and opportunities*. MIT Press.
Bhadra, A., Datta, J., Polson, N., Sokolov, V., & Xu, J. (2021). Merging two cultures: Deep and statistical learning. *arXiv preprint arXiv:2110.11561*. https://doi.org/10.48550/arXiv.2110.11561
Booth, A., St. James, M., Clowes, M., Sutton, A., et al. (2021). *Systematic approaches to a successful literature review*. SAGE Publications Ltd.
Borrellas, P., & Unceta, I. (2021). The challenges of machine learning and their economic implications. *Entropy, 23*(3), 275. https://doi.org/10.3390/e23030275
Breiman, L. (2001). Random forests. *Machine Learning, 45*, 5–32. https://doi.org/10.1023/A:1010933404324
Breiman, L. (2001). Statistical modeling: The two cultures (with comments and a rejoinder by the author). *Statistical Science, 16*(3), 199–231. https://doi.org/10.1214/ss/1009213729
Calin-Jageman, R. J., & Cumming, G. (2019). The new statistics for better science: Ask how much, how uncertain, and what else is known. *The American Statistician, 73*(sup1), 271–280. https://doi.org/10.1080/00031305.2019.1616221
Castelvecchi, D. (2024). The AI-quantum computing mash-up: Will it revolutionize science? *Nature*. https://doi.org/10.1038/s41586-024-08888-7
Chen, J. C., Dunn, A., Hood, K., Driessen, A., & Batch, A. (2019). Off to the races: A comparison of machine learning and alternative data for predicting economic indicators. In *Big data for 21st century economic statistics* (pp. 123–145). University of Chicago Press.
de Mast, J., Steiner, S. H., Nuijten, W. P. M., & Kapitan, D. (2023). Analytical problem solving based on causal, correlational, and deductive models. *The American Statistician, 77*(1), 51–61. https://doi.org/10.1080/00031305.2023.2100701
Easton, P. D., Kapons, M. M., Monahan, S. J., Schütt, H. H., & Weisbrod, E. H. (2024). Forecasting earnings using k-nearest neighbors. *The Accounting Review, 99*(3), 115–140. https://doi.org/10.2308/accr-2024-0029
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. *AI Magazine, 17*(3), 37–37. https://doi.org/10.1609/aimag.v17i3.1464
García-Holgado, A., Marcos-Pablos, S., & García-Peñalvo, F. (2020). Guidelines for performing systematic research projects reviews. *International Journal of Interactive Multimedia and Artificial Intelligence, 7*(1), 19–26. https://doi.org/10.9781/ijimai.2020.02.002
Grammarly, Inc. (2024). *Grammarly* [Online tool]. https://www.grammarly.com/
Hassija, V., Chamola, V., Mahapatra, A., Singal, A., Goel, D., Huang, K., Scarda-pane, S., Spinelli, I., Mahmud, M., & Hussain, A. (2024). Interpreting black-box models: A review on explainable artificial intelligence. *Cognitive Computation, 16*(1), 45–74. https://doi.org/10.1007/s12559-024-09803-w
Hume, D. (1907). *An Enquiry Concerning Human Understanding and Selections from A Treatise of Human Nature: With Hume’s Autobiography and a Letter from Adam Smith* (Vol. 45). Open Court Publishing Company.
Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). *Noise: A flaw in human judgment*. Hachette UK.
Kapoor, S., Cantrell, E. M., Peng, K., Pham, T. H., Bail, C. A., Gundersen, O. E., Hofman, J. M., Hullman, J., Lones, M. A., Malik, M. M., et al. (2024). Reforms: Consensus-based recommendations for machine-learning-based science. *Science Advances, 10*(18), eadk3452. https://doi.org/10.1126/sciadv.adk3452
Ludwig, J., & Mullainathan, S. (2024). Machine learning as a tool for hypothesis generation. *The Quarterly Journal of Economics, 139*(2), 751–827. https://doi.org/10.1093/qje/qjz016
Maccarrone, G., Morelli, G., & Spadaccini, S. (2021). GDP forecasting: Machine learning, linear or autoregression? *Frontiers in Artificial Intelligence, 4*, 757864. https://doi.org/10.3389/frai.2021.757864
Majone, G., & Quade, E. S. (1980). *Pitfalls of analysis* (Vol. 8). John Wiley & Sons.
Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. *Nature, 627*(8002), 49–58. https://doi.org/10.1038/s41586-024-08900-w
Ooi, K.-B., Tan, G. W.-H., Al-Emran, M., Al-Sharafi, M. A., Capatina, A., Chakraborty, A., Dwivedi, Y. K., Huang, T.-L., Kar, A. K., Lee, V.-H., et al. (2023). The potential of generative artificial intelligence across disciplines: Perspectives and future directions. *Journal of Computer Information Systems*, 1–32. https://doi.org/10.1080/08874417.2023.2174927
OpenAI. (2024, August 25). *ChatGPT: A large language model* [Model version]. https://chat.openai.com/
Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications, and research directions. *SN Computer Science, 2*(3), 160. https://doi.org/10.1007/s42979-021-00439-x
Silva, T. C., Wilhelm, P. V. B., & Amancio, D. R. (2024). Machine learning and economic forecasting: The role of international trade networks. *Physica A: Statistical Mechanics and its Applications, 649*, 129977. https://doi.org/10.1016/j.physa.2024.129977
Tukey, J. W. (1962). The future of data analysis. *The Annals of Mathematical Statistics, 33*(1), 1–67. https://doi.org/10.1214/aoms/1177704711
van der Zant, T., Kouw, M., & Schomaker, L. (2013). *Generative artificial intelligence*. Springer.
Woloszko, N. (2017). Making better economic forecasts with machine learning. *Finance, Machine Learning, 2017. Visited on 01-11-2024
Descargas
Publicado
Número
Sección
Licencia
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
1.- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (CC BY-NC-ND 4.0 International) https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es que permite a terceros compartir, copiar y redistribuir el material en cualquier medio o formato
- Atribución: se debe dar crédito de manera adecuada, brindar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerse en cualquier forma razonable, pero no de forma tal que sugiera que el uso tiene el apoyo del licenciante.
- No Comercial: no puede hacerse uso del material con propósitos comerciales.
- Sin Derivadas: Cualquier remezcla, transformación o creación a partir del material, no podrá distribuirse el material modificado.
- No hay restricciones adicionales: No pueden aplicarse términos legales ni medidas tecnológicas que restringan legalmente a otras a hacer cualquier uso permitido por la licencia.
2.- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
3.- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
