Un nuevo documento de trabajo de los economistas Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter y James Reisinger reporta que los modelos de machine learning basados en datos administrativos a gran escala pueden estimar los efectos salariales de los programas de capacitación laboral con una precisión comparable a la de los ensayos controlados aleatorizados (RCT, por sus siglas en inglés). El documento completo está disponible en formato PDF a través de Opportunity Insights.

De pequeñas encuestas a datos tributarios nacionales

La evaluación moderna de programas ha priorizado durante mucho tiempo la evidencia de los RCT, en los que los participantes son asignados de forma aleatoria a grupos de tratamiento y control para que el efecto de un programa pueda aislarse de otros factores. Los gobiernos y los investigadores han dependido de este tipo de experimentos porque las estimaciones observacionales del impacto de los programas con frecuencia divergen sustancialmente de los puntos de referencia experimentales —un problema que los economistas han señalado desde la década de 1980. Esos hallazgos anteriores, señalan los autores del nuevo documento, se basaban en pequeños conjuntos de datos de encuestas. El estudio retoma la pregunta en la era de los datos administrativos a gran escala, en un momento en que llevar a cabo un experimento para cada programa que opera un gobierno rara vez resulta viable por razones de costo, logística o ética. Los datos administrativos ofrecen una base de evidencia alternativa: registros generados en el curso de funciones gubernamentales rutinarias —entre ellas la presentación de declaraciones de impuestos— que cubren poblaciones enteras en lugar de las pequeñas muestras de encuestas detrás de los hallazgos previos de divergencia.

Utilizando registros de impuestos sobre la renta anonimizados que cubren a todos los adultos estadounidenses entre 1999 y 2025, los investigadores estiman los efectos de los programas de capacitación laboral sobre los ingresos. Los modelos de machine learning predicen resultados contrafactuales —lo que los participantes habrían ganado sin la inscripción— a partir de datos ricos sobre historiales laborales previos, datos demográficos y lugares de residencia.

Igualando el punto de referencia experimental

En lugar de probar si las estimaciones observacionales son insesgadas, los autores utilizan 37 RCT para estimar la distribución de su sesgo —una validación que abarca decenas de experimentos independientes en lugar de un único ensayo de referencia. Las estimaciones de machine learning coinciden estrechamente con las estimaciones de los RCT, con un error cuadrático medio (RMSE, por sus siglas en inglés) —una medida estándar de cuánto se alejan las estimaciones de los valores que buscan aproximar— comparable al de los propios RCT. Según el documento, el enfoque reduce el RMSE en un 60 por ciento en relación con los estimadores paramétricos utilizados en trabajos anteriores, porque las muestras más grandes y las covariables más ricas permiten modelos contrafactuales más flexibles y de mayor dimensión.

Dónde se concentran las ganancias

Al aplicar el método a un conjunto más amplio de sitios y años de inscripción fuera de la muestra experimental, el documento concluye que los efectos del tratamiento sobre los ingresos varían sustancialmente según el lugar y el tiempo, incluso dentro de un mismo programa —lo que significa que el mismo programa puede generar retornos muy diferentes según dónde y cuándo opere. Los programas que colocan a más participantes en empleos del sector objetivo generan las mayores ganancias salariales, con impactos que persisten incluso después de que los participantes dejan sus empleos iniciales.

Los hallazgos, escriben los autores, ofrecen orientación para mejorar los programas de capacitación laboral y, de manera más general, ilustran un enfoque escalable para la evaluación de programas: utilizar datos observacionales para construir 'digital twins' validados experimentalmente. Bajo este marco, los experimentos conservan un papel central como punto de referencia contra el cual se calibran y verifican las estimaciones basadas en datos, mientras que los datos administrativos extienden la evaluación a sitios, años y programas más allá de aquellos donde se realizaron los ensayos aleatorizados. El documento aplica el método a la capacitación laboral, y hasta dónde se extiende a otras áreas de evaluación de políticas queda por demostrarlo investigaciones posteriores.

El documento fue destacado en Marginal Revolution, el blog de economía fundado por Tyler Cowen y Alex Tabarrok, en una publicación del 11 de noviembre de 2026. Su comentario acompañante fue contundente: "Work of this sort is going to revolutionize economic method".

Como documento de trabajo, el estudio circula en el formato que los investigadores suelen usar para difundir hallazgos antes de su publicación en una revista y de la revisión por pares que la acompaña, lo que sitúa estos resultados en una etapa temprana del proceso de investigación.

Chetty y Katz son ambos economistas de la Universidad de Harvard. Chetty dirige Opportunity Insights, una organización de investigación con sede en Harvard enfocada en la oportunidad y la movilidad económicas, cuyo sitio web aloja el documento de trabajo. Katz, economista laboral, ha estudiado durante mucho tiempo los salarios, la educación y el cambio tecnológico.