Convergencia de indicadores independientes como evidencia

Qué es

Cuando dos mediciones que se construyen por caminos distintos apuntan al mismo diagnóstico, la fuerza del diagnóstico no es la suma de ambas: es bastante mayor. Ese salto tiene nombre en filosofía de la ciencia —consiliencia, término que acuñó William Whewell (1840) para describir el momento en que inducciones obtenidas de clases de hechos distintas "saltan juntas" hacia una misma explicación— y tiene una traducción estadística incómodamente simple. Si dos errores de medición son independientes, la probabilidad de que ambos apunten en la misma dirección equivocada es el producto de dos probabilidades pequeñas, no su promedio.

En econometría aplicada esto aparece bajo dos formas que conviene no confundir. La primera es la triangulación de indicadores: distintas estadísticas del mismo fenómeno subyacente (actividad, empleo, ventas, consumo eléctrico) construidas con marcos muestrales, definiciones y momentos de medición diferentes. La segunda es la identificación por consistencia de implicaciones: una hipótesis económica no solo predice el movimiento de una serie, sino de varias, y con un patrón definido de signos. Que se cumplan todos los signos a la vez es mucho más informativo que que se cumpla uno.

La condición crítica —y la que se olvida— es la independencia. Dos indicadores que comparten fuente, muestra o metodología no triangulan nada: repiten. Si la Encuesta Nacional de Empleo y una serie derivada de la misma encuesta se mueven juntas, eso no es evidencia adicional; es la misma evidencia contada dos veces. Cuando los errores están correlacionados, la convergencia puede ser un artefacto compartido. La literatura sobre validación de constructos formalizó esta exigencia hace décadas: Campbell y Fiske (1959) propusieron la matriz multirrasgo-multimétodo justamente para separar lo que converge porque el fenómeno es real de lo que converge porque el método es el mismo.

El razonamiento tiene además una estructura eliminativa, no acumulativa. La convergencia gana fuerza no porque agregue confirmaciones, sino porque destruye explicaciones alternativas. Una serie débil admite muchas historias: error de medición, estacionalidad mal ajustada, un sector puntual, revisión pendiente. Cuando una segunda serie independiente muestra el mismo movimiento, cada una de esas historias tiene que replicarse por separado en dos aparatos estadísticos distintos, y eso es caro. Es el mismo movimiento lógico que Popper (1959) describió al distinguir corroboración de verificación: lo que sube es la resistencia de la hipótesis a intentos de falsación, no su probabilidad de ser cierta.

Existe una versión más exigente todavía: la convergencia desagregada. Que dos agregados coincidan es sugerente; que coincidan además en su composición interna —los mismos sectores, en el mismo orden de magnitud— cierra la puerta a la coincidencia estadística casi por completo. Dos series independientes pueden moverse juntas por azar en un trimestre. Que se muevan juntas y señalen los mismos tres sectores como responsables ya no es un evento que el azar produzca con comodidad.

Y una advertencia final, porque la herramienta corta para los dos lados: la convergencia también puede ser espuria si ambos indicadores responden a un tercer factor común que no es el que uno cree —un shock climático, un feriado mal ajustado, un cambio metodológico simultáneo—. La independencia hay que argumentarla, no suponerla.

Cómo lo explicó el programa

El caso apareció con toda su estructura en Buenas Tardes Mercado del 1 de septiembre de 2026, al comentar el desempleo de 9,5% y la primera caída interanual del empleo desde 2021.

El dato en bruto era ambiguo: un alza del desempleo puede venir de más gente entrando a buscar trabajo —lo que es hasta buena noticia— o de destrucción de puestos. El programa lo resolvió cruzando dos indicadores que no comparten construcción. Por un lado, la ocupación cayó 0,2% en doce meses, unos 16.200 puestos: la primera caída interanual desde el trimestre febrero-abril de 2021, medida por la encuesta de empleo. Por otro, el IMACEC venía débil, y viene de otra parte —cuentas nacionales, registros administrativos y sectoriales, no una encuesta de hogares—.

El razonamiento que hizo el panel es exactamente el eliminativo descrito arriba, y vale la pena reconstruirlo porque estaba completo: un IMACEC débil con desempleo estable se explicaría por ganancias de productividad; un desempleo alto con IMACEC fuerte sería un desajuste friccional, gente rotando entre trabajos. Que ambos indicadores se muevan en la misma dirección deja sin pie a esas dos salidas. Y el remate fue la convergencia desagregada: los sectores que más destruyeron empleo —minería, manufactura, información y comunicación— son los mismos que arrastran el IMACEC. Coincidir en el agregado y en la composición hace insostenible la explicación por coincidencia estadística.

De ahí el diagnóstico de Pepe Arias: "es la peor de las combinaciones: una actividad que no crece en forma sostenida y un mercado laboral que sigue destruyendo empleo formal". La contundencia de la frase descansa en la convergencia, no en ninguno de los dos datos por separado.

Relación con otros conceptos

Se apoya directamente en la ley de Okun, que postula una relación estable entre la brecha de producto y el desempleo: la convergencia entre IMACEC y empleo no es una casualidad afortunada, es lo que esa regularidad predice, y por eso su cumplimiento conjunto valida el diagnóstico en vez de sorprender. Se relaciona también con el problema de los indicadores adelantados, coincidentes y rezagados: el empleo es notoriamente rezagado respecto de la actividad, así que verlos moverse a la vez sugiere que el deterioro de actividad ya lleva tiempo instalado.

Es prima hermana de la identificación en econometría: en ambos casos el problema es distinguir entre varias explicaciones compatibles con los mismos datos, y la solución pasa por conseguir variación que solo una de ellas pueda producir. Y conversa con la descomposición entre desempleo cíclico, friccional y estructural, porque justamente esas categorías eran las hipótesis que la convergencia fue descartando. Por último, tiene un límite compartido con la revisión de datos: dos indicadores preliminares pueden converger hoy y divergir tras la revisión de ambos.

Fuentes y lecturas

• Whewell, W. (1840), The Philosophy of the Inductive Sciences, Founded Upon Their History, John W. Parker, Londres. (El origen del concepto de consiliencia de inducciones.)
• Campbell, D. T. y Fiske, D. W. (1959), "Convergent and discriminant validation by the multitrait-multimethod matrix", Psychological Bulletin, 56(2), pp. 81-105.
• Popper, K. (1959), The Logic of Scientific Discovery, Hutchinson, Londres. (Corroboración frente a verificación; la asimetría de la falsación.)
• Blanchard, O. (2017), Macroeconomics, 7ª ed., Pearson. (Capítulos sobre la ley de Okun y la lectura conjunta de producto y mercado laboral.)
• Stock, J. H. y Watson, M. W. (2019), Introduction to Econometrics, 4ª ed., Pearson. (Identificación, correlación de errores y por qué dos mediciones dependientes no son dos evidencias.)