Reality Check — 24 de octubre de 2026

24 de octubre de 2026 · Cuatro papers. Un criterio: ¿aplica en la realidad?

Pobreza rural y productividad en México: análisis de restricciones institucionales y reintervención agroalimentaria en 2019-2024

Víctor Herminio Palacio Muñoz, Alma Velia Ayala Garay, Jorge Ávila Aguilar, Daniela Ruiz Sandoval, Erika De Luna Segura · Instituto Nacional de Investigaciones Forestales Agrícolas y Pecuarias · 2026-10-19

La pregunta

¿Las políticas agroalimentarias de 2019-2024 (transferencias directas y precios de garantía) redujeron la pobreza rural, y a qué costo para la inversión productiva? Importa porque define si los subsidios al ingreso pueden transformar el campo o solo lo sostienen.

El argumento

Los autores arman un panel de los 32 estados con solo dos momentos, 2018 y 2024. Usan los padrones de beneficiarios de tres programas (Sembrando Vida, Fertilizantes para el Bienestar y Producción para el Bienestar) y los indicadores de pobreza multidimensional publicados por INEGI. Estiman un modelo de efectos fijos de dos vías: cada estado se compara consigo mismo en el tiempo, y se controla por diferencias permanentes entre estados y por choques nacionales comunes. Añaden como controles el rezago educativo, la carencia alimentaria y el salario mínimo real.

El resultado central: solo Producción para el Bienestar muestra una asociación significativa, y es minúscula, pues más beneficiarios se asocian con una reducción de 0.00461% en la pobreza. Los otros dos programas no tienen efecto estadísticamente significativo. A esto se suma un análisis descriptivo con datos de CONEVAL, FAO, SIAP, SHCP y CIEP. La pobreza multidimensional bajó de 41.9% a 36.3% entre 2018 y 2022, pero la carencia de acceso a salud pasó de 16.2% a 39.1%. Las transferencias crecieron 305% real y la inversión física cayó 12.5%, lo que interpretan con la teoría de la elección pública.

Con N=32 y dos periodos, el modelo tiene muy pocos grados de libertad. No es un diseño causal: el número de beneficiarios es endógeno, porque los programas se enfocan donde hay más pobreza. El texto tampoco aclara cómo se midió la cobertura de cada programa ni cómo se manejan los errores estándar. Las conclusiones sobre el dilema entre redistribución y productividad no se prueban con el modelo, que ni siquiera mide productividad. Además, el texto dice que la política no tuvo cambios significativos, mientras el resumen habla de una reducción de pobreza asociada a un programa. Esa tensión queda sin resolver. Hay otras inconsistencias: el periodo de datos oscila entre 2018-2022 y 2018-2024, y la tabla de variaciones tiene errores evidentes, como el rezago educativo de 19.0 a 19.4 etiquetado como mejora o la carencia de salud presentada con el mismo signo que una caída.

Scorecard

¿La inteligencia artificial introduce un sesgo de género en la contratación? Un análisis contrafactual para la zona del Bajío en México

Alejandro Tatsuo Moreno Okuno, Edgar Cruz, Johanan Zamilpa · Universidad de Guanajuato · 2026-10-21

La pregunta

Los autores quieren saber si un modelo de lenguaje (ChatGPT) evalúa distinto un mismo currículum según el género del candidato, lo que importa porque la IA se usa cada vez más para filtrar candidatos.

El argumento

Según el resumen, el diseño es contrafactual: cada currículum de la región del Bajío se evalúa dos veces con ChatGPT, primero con el nombre original y luego con el género cambiado. Como lo único que cambia es el género, cualquier diferencia en la calificación se atribuye al sesgo del modelo. No es IV, RDD ni diferencias en diferencias; es un experimento de sustitución de nombres, parecido a los estudios de auditoría con currículums falsos.

Según el resumen, los resultados son mixtos: el modelo evalúa mejor a los hombres para el puesto con mayor nivel de responsabilidad y mejor a las mujeres en los demás puestos. Los autores concluyen que hay sesgo contra las mujeres en puestos de más responsabilidad y contra los hombres en los de menos.

Una advertencia importante: el texto que recibí para esta revisión no corresponde al paper. Es un infográfico de la Society for Human Resource Management (SHRM), una encuesta de febrero de 2022 a 1,688 profesionales de recursos humanos en Estados Unidos sobre automatización e IA en recursos humanos. No trae muestra de currículums, número de puestos, prompts, versión de ChatGPT ni tamaños del efecto del estudio del Bajío. Por eso solo puedo evaluar lo que dice el resumen, no la ejecución. Como contexto, esa encuesta reporta que 64% de las organizaciones que usan IA en reclutamiento la emplean para revisar o filtrar currículums, y que solo 2 de cada 5 compradoras a proveedores dicen que estos son muy transparentes sobre cómo previenen la discriminación. Ese contexto no prueba nada sobre el Bajío.

Scorecard

Prerregistro: cuando el VAR le da al banco central el crédito del clima. Política monetaria, inflación de alimentos y la reversión de oferta 2021-2023 en países latinoamericanos con metas de inflación

Jorge Aníbal Restrepo-Morales, Eduar Antonio Rodríguez Flores, Freddy Zea Restrepo, Emerson Andrés Giraldo Betancur · Universidad Autónoma del Perú · 2026-10-19

La pregunta

¿Los VAR estimados con muestras que incluyen 2021-2023 exageran el efecto de la política monetaria sobre la inflación de alimentos, porque el ciclo de alzas coincidió con la reversión de choques de oferta?

El argumento

No es un estudio con resultados, sino un prerregistro fechado el 19 de octubre de 2026, escrito antes de bajar series de alimentos, inflación o actividad de Perú, Chile, México y Brasil. Lo único consultado fuera de Colombia son las tasas de política del BIS, para fechar la primera alza de cada país. Colombia, donde se observó el patrón, queda fuera de la prueba para que ésta se haga con datos que no generaron la idea.

La metodología es un VAR recursivo mensual (un sistema de ecuaciones que modela juntas actividad, IPC básico, IPC de alimentos, tasa de política y tipo de cambio), con 3 rezagos, dummies estacionales, controles exógenos (ONI, índice del fenómeno de El Niño, y la variación del índice FAO de precios) e intervalos por bootstrap. El choque es de 25 puntos base y se mide la respuesta de alimentos a 24 meses (A24) en tres ventanas: hasta 2019, muestra completa y muestra completa con dummies mensuales de 2021-2022. Con Colombia, el autor reporta que A24 pasa de −0,48 % (hasta 2020-12) a −1,36 % (hasta 2021-09), y cae a −0,34 %, no significativa, con dummies.

Se fijan cuatro predicciones con criterios de refutación. V1, el núcleo: en al menos 3 de 4 países, la magnificación (A24 completa entre A24 pre) debe ser ≥1,5 y la caída por neutralización ≥0,40. V2: relación dosis-respuesta según meses de 2021 con tasa quieta (Colombia 9, Perú 7, Chile 6, México 5, Brasil 2). V3: especificidad a alimentos frente al IPC básico. V4: los controles de oferta reducen la magnificación. Si V1 falla, no se busca otra especificación. El rival declarado es Grajales-Olarte et al. (2026), que atribuye la diferencia a dependencia de estado por credibilidad.

Scorecard

¿Quién recibe el interés? Estatus de reserva, composición de los tenedores y el canal fiscal de la política monetaria

Thomas Filsecker · OpenAlex · 2026-10-22

La pregunta

¿Es cierto que el canal fiscal directo de la política monetaria (el gasto en intereses del gobierno que llega como ingreso a los tenedores de deuda) es pequeño y lento en Estados Unidos, o el alza de tasas de 2022-2024 lo volvió más rápido y más doméstico, y por qué importa para saber qué tanto muerden las alzas de tasas?

El argumento

El autor usa solo datos publicados: el Estado Combinado y la CBO para el interés neto federal, el Boletín del Tesoro para vencimientos y tenedores, el sistema TIC para tenedores extranjeros, el CRS para intereses pagados al exterior y los estados financieros auditados de la Reserva Federal. No hay estimación econométrica: es una contabilidad por clase de tenedor. El interés de los tenedores domésticos no federales se obtiene como residuo (interés neto total menos lo pagado al exterior y a la Fed), y la comparación es entre el año fiscal 2021 y 2024.

Resultados: el interés neto federal subió de 352 a 881 mil millones de dólares (unos 530 mil millones), y tres cuartas partes se deben a tasas más altas y una cuarta parte a más deuda. Al consolidar Tesoro y Fed, cerca de 57% del aumento en pagos de interés del sector público llegó directo a tenedores domésticos no federales, 27% por los pagos de la Fed sobre reservas y reportos inversos (cuya contraparte fue el fin de sus remesas al Tesoro) y 16% al exterior. Con supuestos de tasas efectivas, el impuesto federal recupera entre 12 y 16%. La proporción de pasivos que se reprecian en un año pasa de 32% (solo Tesoro) a 50% (consolidado) en 2021. Un contrafactual parcial indica que, por la expansión cuantitativa, el ingreso de los tenedores por los bonos que tenía la Fed creció entre 2 y 2.5 veces más rápido que si hubieran seguido en manos privadas. Los inversionistas domésticos absorbieron cerca de 88% del crecimiento de la deuda en manos privadas.

El propio paper aclara que no demuestra que las alzas fueran expansivas: no estima propensiones a gastar ni la respuesta fiscal. Propone, pero no ejecuta, una prueba causal con proyecciones locales sobre sorpresas monetarias de alta frecuencia, interactuadas con la proporción consolidada de repreciación. También incluye una comparación con Japón, que es descriptiva.

Scorecard

El veredicto de la semana

El hilo común de la semana es la distancia entre lo que prometen los títulos y lo que realmente entregan los datos. El paper sobre pobreza rural dice "demostrar empíricamente" un dilema que solo asume: su panel de 64 observaciones no mide productividad, su único coeficiente significativo es de 0.005% y las tablas traen errores. El del sesgo de género en la contratación con inteligencia artificial cambia nombres en currículums dentro de ChatGPT, lo cual dice algo del modelo y nada de cómo se contrata en el Bajío; además, el texto revisado ni siquiera era el paper, así que no hay mucho más que decir. El prerregistro sobre política monetaria y clima es honesto y tiene buenas reglas, pero no trae un solo dato nuevo: es una promesa de método, no evidencia de que el banco central se lleve el crédito de un choque de oferta. Y el trabajo sobre quién recibe el interés es el que mejor sale parado, porque ofrece un buen mapa de adónde fue el dinero, pero sin propensiones a gastar ni identificación causal (es decir, sin forma de aislar el efecto) no puede decir si las alzas de tasas dolieron menos; solo muestra que el cheque llegó rápido y a domicilio. Lo que más destaca es ese último, por ser descriptivo y útil dentro de sus límites; lo que más preocupa es el primero, que presenta como prueba lo que es narrativa. El veredicto agregado: ninguno de los cuatro sostiene la conclusión que anuncia. Uno tiene un buen mapa, otro una buena intención y los otros dos, poco más que un título.