Nel 2008, in seguito alla crisi dei subprime, i governi europei si trovarono davanti a una decisione difficile. Il mercato immobiliare stava crollando, le banche erano in crisi, la disoccupazione saliva. Bisognava decidere se ridurre le tasse, aumentare la spesa pubblica, o entrambe le cose. E se aumentare, di quanto? E per quanto tempo? Ogni risposta avrebbe avuto conseguenze concrete su milioni di famiglie — sul mutuo, sul lavoro, sulle pensioni. Insomma su come si sarebbe vissuto nei dieci anni successivi.
Quelle decisioni non furono prese a caso né puramente per intuizione politica. Furono prese — come tutte le grandi decisioni di politica economica — sulla base di modelli. Modelli che usavano dati storici per stimare gli effetti di diverse scelte. Modelli costruiti con uno strumento preciso, che si chiama econometria.
L’econometria è la disciplina che applica metodi statistici e matematici all’analisi dei fenomeni economici. Non è semplicemente statistica applicata all’economia: è qualcosa di più ambizioso. È il tentativo di capire le relazioni causali tra fenomeni economici complessi, usando dati osservazionali, cioè dati raccolti dal mondo reale, non da esperimenti controllati in laboratorio. È una delle imprese scientifiche più difficili che esistano e una delle più importanti.
Il problema fondamentale: il mondo non è un laboratorio
In medicina, quando si vuole sapere se un farmaco funziona, si conduce un trial clinico randomizzato. Si seleziona un gruppo di pazienti, li si divide in modo casuale — randomizzazione — in due gruppi: uno riceve il farmaco in studio, l’altro il placebo. Alla fine si confrontano i risultati. La randomizzazione è il cuore di questo disegno: garantisce che le differenze tra i due gruppi siano attribuibili al farmaco e non ad altri fattori, perché l’assegnazione casuale bilancia in media tutte le caratteristiche dei pazienti sia quelle che misuriamo e quelle che non misuriamo.
In economia questo non è possibile. Non possiamo prendere due paesi identici, applicare politiche fiscali diverse a ciascuno e confrontare i risultati dopo dieci anni. Non possiamo randomizzare la disoccupazione, il tasso di interesse, o una recessione. Il mondo economico è un sistema complesso, interconnesso, in continuo cambiamento, in cui tutto influenza tutto, e noi possiamo solo osservarlo, non controllarlo.
Questo, in termini scientifici, crea un problema enorme: la correlazione non è causalità. Se osserviamo che nei paesi con maggiore spesa pubblica in istruzione il PIL cresce di più, possiamo concludere che investire in istruzione fa crescere l’economia? Non necessariamente. Forse sono i paesi più ricchi a potersi permettere più istruzione e non il contrario. Forse c’è una terza variabile, come la stabilità istituzionale, che causa entrambe le cose. Forse è una coincidenza storica. Distinguere la causa dall’effetto, in un sistema complesso come l’economia, è straordinariamente difficile.
L’econometria nasce precisamente da questo problema: come fare inferenza causale in un mondo che non possiamo sperimentare, ma solo osservare. È una disciplina nata dall’impossibilità, e dalla necessità, di fare scienza in condizioni imperfette.
Cosa fa esattamente un esperto di econometria
A dispetto di quello che si pensi, un esperto di econometria non si limita a descrivere i dati. Non si accontenta di dire affermazioni generiche quali «quando X sale, Y sale». Vuole capire se X causa Y, di quanto, e in quali condizioni. E per farlo, deve affrontare una serie di problemi metodologici che rendono il suo lavoro straordinariamente complesso.
Il primo problema è il confondimento. Immaginiamo di voler stimare l’effetto dell’istruzione sul salario. Prendiamo i dati di un milione di lavoratori, confrontiamo chi ha una laurea con chi non ce l’ha, e osserviamo che i laureati guadagnano mediamente il 40% in più. Possiamo concludere che la laurea causa questo aumento salariale? No, sfortunatamente non possiamo affermare che maggiore istruzione allora maggiore salario e ciò perché le persone che si laureano non sono un campione casuale della popolazione. Tendono a provenire da famiglie più istruite, più abbienti, con più capitale sociale. Hanno probabilmente più ambizione, più disciplina, più reti relazionali. Tutti questi fattori — che gli econometristi chiamano variabili di confondimento — influenzano sia la probabilità di laurearsi sia il salario futuro. Se non li consideriamo, sovrastimiamo l’effetto causale della laurea.
Il secondo problema è la causalità inversa. Vogliamo sapere se la crescita economica riduce la criminalità. Osserviamo che nei periodi di crescita la criminalità scende. Ma potrebbe anche essere il contrario: meno criminalità attira investimenti, che producono crescita. Qual è la causa e quale l’effetto? La bassa criminalità aumenta la crescita o la crescita riduce la criminalità? Spesso entrambe le cose si influenzano a vicenda in un ciclo e scoprirlo richiede strumenti econometrici sofisticati.
Il terzo problema è la variabile omessa. Vogliamo stimare l’effetto della polizia sulla criminalità. Confrontiamo città con più poliziotti e città con meno poliziotti e scopriamo che le prime hanno più criminalità. Conclusione: i poliziotti causano criminalità? Ovviamente no: ciò che vediamo è che le città con più criminalità assumono più poliziotti. La variabile omessa è il livello di criminalità preesistente, che determina sia il numero di poliziotti sia i dati che osserviamo.
Per affrontare questi problemi, l’econometria ha sviluppato nel tempo un arsenale di strumenti sofisticati — variabili strumentali, differenze in differenze, regression discontinuity design, synthetic control, esperimenti naturali. Ciascuno di questi metodi è una risposta matematicamente creativa a uno specifico problema di identificazione causale. Ciascuno ha assunzioni precise che devono essere verificate. E ciascuno, se usato male, produce risposte sbagliate che sembrano credibili.
Perché fare bene econometria cambia la vita delle persone
L’econometria non è un esercizio accademico. Le stime che gli studi econometrici producono, entrano nelle decisioni di politica economica e, come sappiamo, quelle decisioni hanno conseguenze reali, concrete, misurabili sulla vita di milioni di persone.
Il salario minimo
Per decenni, la teoria economica standard prevedeva che aumentare il salario minimo avrebbe ridotto l’occupazione: se il lavoro costa di più, le imprese ne comprano di meno. Era una previsione logica, derivata da un modello teorico semplice. E per decenni, questa previsione ha influenzato le politiche di molti governi, che hanno tenuto bassi i salari minimi per non «danneggiare» i lavoratori.
Poi, nel 1994, David Card e Alan Krueger pubblicarono uno studio che confrontava il New Jersey — che aveva appena aumentato il salario minimo — con la confinante Pennsylvania che non lo aveva fatto1. Usarono i ristoranti fast food come unità di analisi, confrontando l’occupazione prima e dopo nei due stati. Il risultato fu sorprendente: l’aumento del salario minimo nel New Jersey non aveva ridotto l’occupazione. Anzi, l’occupazione era leggermente aumentata.
Lo studio era metodologicamente innovativo — applicava il metodo delle differenze in differenze in modo rigoroso, usando un quasi-esperimento naturale per isolare l’effetto causale della politica. I risultati dello studio cambiarono il dibattito sul salario minimo per i decenni successivi. David Card vinse il Premio Nobel per l’Economia nel 2021 proprio per questo contributo, ma soprattutto le politiche che seguirono in molti paesi — aumenti del salario minimo che in precedenza sarebbero stati impensabili — furono influenzate da quella stima econometrica. Milioni di lavoratori con salari più alti. Una conseguenza diretta di un’analisi fatta bene.
Dalla progettazione alla pubblicazione, supporto metodologico completo, rigoroso e firmato.
Le politiche di istruzione
Quanto vale un anno in più di istruzione? La risposta a questa domanda influenza le politiche scolastiche di ogni paese. Ognuno di noi, da ragazzo, ha probabilmente sognato di finire la scuola il prima possibile — senza sapere che gli anni di istruzione, obbligatori o meno, gli investimenti nell’istruzione pubblica e gli incentivi per chi studia sono alla base della nostra società. E fanno la differenza nella vita di ciascuno di noi, ogni giorno e per un’intera vita.
Stimare l’effetto causale dell’istruzione sul salario è uno dei problemi più classici dell’econometria, ed è pieno di trappole. La selezione — il fatto che chi studia di più è diverso per molte caratteristiche da chi studia di meno — rende impossibile confrontare semplicemente i salari di chi ha più o meno istruzione2.
Joshua Angrist e Jörn-Steffen Pischke hanno mostrato come usare variabili strumentali per isolare l’effetto causale dell’istruzione: ad esempio, il trimestre di nascita influenza quanti anni di scuola si fanno (chi nasce in certi mesi entra a scuola prima e tende a uscire prima per via delle leggi sull’obbligo scolastico), ma non influenza direttamente il salario3. Usando questo strumento, si può stimare l’effetto causale di un anno aggiuntivo di istruzione sul salario in modo molto più preciso. Le stime ottenute — intorno al 7-10% di aumento salariale per ogni anno aggiuntivo di istruzione — hanno fondato politiche di investimento in istruzione in decine di paesi.
La risposta alle crisi economiche
Nel 2009, il governo americano approvò un pacchetto di stimolo economico da quasi 800 miliardi di dollari: l’American Recovery and Reinvestment Act. Era la risposta alla Grande Recessione. Ma funzionò? Di quanto aumentò il PIL? Quanti posti di lavoro creò o salvò?
Rispondere a queste domande richiede un utilizzo massiccio dell’econometria. Bisogna stimare il moltiplicatore fiscale — quanto PIL aggiuntivo produce ogni dollaro di spesa pubblica — e questo richiede affrontare il problema fondamentale che i governi tendono a spendere di più proprio quando l’economia va peggio, rendendo difficile separare l’effetto dello stimolo dall’effetto della recessione sottostante.
Gli studi econometrici sul moltiplicatore fiscale hanno prodotto stime molto diverse — da 0.5 a 2.5 — a seconda del metodo usato, del periodo storico, del tipo di spesa4. Queste differenze non sono dettagli tecnici: implicano conclusioni radicalmente diverse sulla politica da adottare. Un moltiplicatore di 0.5 suggerisce che la spesa pubblica è relativamente inefficace e può essere controproducente se finanziata con debito. Un moltiplicatore di 2.5 suggerisce che stimolare l’economia in recessione è uno degli strumenti più potenti disponibili. Le politiche di austerità che hanno caratterizzato la risposta europea alla crisi del 2010-2012 erano fondate, tra l’altro, su stime del moltiplicatore che si rivelarono poi sistematicamente troppo basse — come riconobbe lo stesso Fondo Monetario Internazionale nel 2013. Le conseguenze per i paesi europei — anni di stagnazione, disoccupazione, tagli ai servizi — furono reali e misurabili.
Fare econometria male non è un errore tecnico che rimane confinato in un paper accademico. È un errore che può costare anni di crescita mancata, milioni di posti di lavoro non creati, servizi pubblici tagliati. Le stime sbagliate hanno vittime reali, anche se non le vediamo.
L’econometria come ponte tra teoria e realtà
Ragnar Frisch e Jan Tinbergen, che fondarono l’Econometric Societynel 1930 e vinsero i primi Nobel per l’Economia nel 1969, avevano una visione chiara: l’econometria doveva essere il ponte tra la teoria economica astratta e la realtà empirica dei dati. La teoria senza i dati è speculazione. I dati senza la teoria sono rumore. L’econometria è lo strumento che li connette.
Questa visione è ancora più vera oggi di quanto non lo fosse nel 1930. Viviamo in un’epoca di abbondanza di dati — ogni transazione economica, ogni interazione di mercato, ogni scelta di consumo lascia una traccia digitale. I dati amministrativi dei governi, i dati fiscali, i dati delle assicurazioni sanitarie, i registri delle imprese: tutto questo è potenzialmente disponibile per la ricerca economica. La quantità di informazioni che abbiamo su come funziona l’economia è senza precedenti nella storia.
Ma più dati non significa automaticamente migliore conoscenza. Significa più opportunità di fare errori su scala più grande. Un modello econometrico mal specificato applicato a un dataset enorme produce stime sbagliate con un’apparenza di precisione che può essere ingannevole. La rivoluzione dei dati rende l’econometria più potente — e la qualità del metodo più importante, non meno.
Perché l’econometria riguarda anche chi non è economista
L’econometria non è solo per gli economisti. I metodi sviluppati dall’econometria per affrontare il problema dell’inferenza causale in dati osservazionali sono oggi usati in epidemiologia, in sociologia, in scienze politiche, in psicologia, in medicina. Il metodo delledifference in difference, le variabili strumentali, ilregression discontinuity design, sono strumenti che chiunque lavori con dati osservazionali deve conoscere.
E chi lavora con dati osservazionali? Quasi tutti i ricercatori che non lavorano in laboratorio. Gli epidemiologi che studiano gli effetti delle politiche sanitarie. I medici che valutano i trattamenti usando i dati delle cartelle cliniche. I demografi che studiano le migrazioni. Gli psicologi che analizzano i comportamenti sociali. Tutti si trovano di fronte allo stesso problema fondamentale dell’econometria: come fare inferenza causale in un mondo che non possiamo controllare.
In questo senso, l’econometria è una delle discipline metodologiche più trasversali che esistano. Non riguarda solo l’economia: riguarda chiunque voglia capire come funziona il mondo e non si accontenti di descriverlo.
L’econometria non è una tecnica per specialisti chiusi nelle università.È lo strumento con cui le società decidono se aumentare il salario minimo o abbassarlo, se stimolare l’economia o tagliare la spesa, se investire in istruzione o in infrastrutture. È lo strumento con cui si valuta se una politica ha funzionato — davvero, causalmente, non solo nella narrazione di chi l’ha proposta. Fatta bene, produce conoscenza che migliora la vita delle persone. Fatta male, produce illusioni di conoscenza che possono danneggiarla. La differenza tra le due non è una questione di buone intenzioni: è una questione di metodo.
Riferimenti bibliografici
- Card, David e Krueger, Alan B. “Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania.”American Economic Review, Vol. 84, No. 4, pp. 772-793, settembre 1994.↩︎
- Angrist, Joshua D. e Krueger, Alan B. “Does Compulsory School Attendance Affect Schooling and Earnings?”Quarterly Journal of Economics, Vol. 106, No. 4, pp. 979-1014, 1991.↩︎
- Angrist, Joshua D. e Pischke, Jörn-Steffen.Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press, 2009.↩︎
- Blanchard, Olivier J. e Leigh, Daniel. “Growth Forecast Errors and Fiscal Multipliers.”American Economic Review, Vol. 103, No. 3, pp. 117-120, maggio 2013. DOI: 10.1257/aer.103.3.117↩︎
Nota editoriale
Questo articolo ha finalità divulgative e informative. I contenuti non costituiscono consulenza professionale e non sostituiscono una valutazione specifica del tuo studio o progetto di ricerca. Mathsly Research declina ogni responsabilità per decisioni metodologiche o analitiche adottate sulla base dei soli contenuti del magazine senza consulenza professionale dedicata. Per supporto specifico:mathsly.it.