• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 7 minutos

En la primera entrega vimos cómo se puede medir la economía mirando lo que la gente compra: hamburguesas, calzoncillos, pintalabios, alubias en lata. Esa es la rama del bestiario más conocida y, dentro de su disparate, la más comprensible. Hay cierta lógica detrás: el consumo refleja confianza, y la confianza refleja expectativas económicas. Por estúpido que pueda parecer el ejemplo concreto, el principio general no es absurdo.

En esta segunda parte cambiamos de registro. Aquí los indicadores no se miden contando ventas, sino mirando. No figuradamente, sino literalmente. Mirando faldas en pasarelas, mirando rascacielos en construcción, mirando grúas en el horizonte, mirando lápices de labios en el metro, mirando el aliento del presidente de la Reserva Federal en directo. Es la economía leída como quien lee el vuelo de los pájaros antes de una batalla.

Lo divertido es que algunos de estos indicadores tienen base empírica. Otros no. La línea entre superstición sofisticada y observación válida es, como veremos, sorprendentemente pequeña.

Todas las publicaciones de la serie El bestiario de los indicadores económicos absurdos:

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan
  • Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés

Tabla de contenidos

  • 1 El Índice del Largo de las Faldas (Hemline Index)
  • 2 El Índice del Rascacielos (Skyscraper Index)
  • 3 El Índice de las Grúas (Crane Count)
  • 4 El Índice del Ancho de Corbata (Tie Width Index)
  • 5 El Índice del Lápiz de Labios (versión visual)
  • 6 El Índice de la Velocidad del Habla del Presidente de la Fed
  • 7 El Índice de la Iluminación Nocturna (Night Lights Index)
  • 8 Conclusiones

El Índice del Largo de las Faldas (Hemline Index)

George Taylor, economista de Wharton, lo propuso en 1926. La teoría: las faldas se acortan en épocas de bonanza, se alargan en crisis. Su explicación original era que en épocas prósperas las mujeres podían permitirse medias de seda caras y querían enseñarlas, mientras que en crisis las ocultaban bajo faldas largas.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

El indicador ha sobrevivido un siglo entero. Cada cierto tiempo aparece un artículo en prensa anglosajona “validándolo” con bases de datos de moda. Los estudios académicos serios (por ejemplo, uno de la Erasmus University de Rotterdam en 2010) encuentran una correlación con desfase temporal de unos tres años, lo cual es básicamente decir que la moda copia a la economía con retraso, no que la prediga.

El indicador tiene además un problema lógico que casi nadie señala: hoy conviven faldas de todos los largos. Mini, midi, maxi, tobillera, todas se venden simultáneamente. Si lo que mide es “longitud media”, el dato es ruido estadístico. Si lo que mide es “tendencia dominante en pasarela”, entonces depende de cuatro diseñadores parisinos y su humor del trimestre.

Aun así, sigue saliendo a colación cada vez que entra una crisis. Casi siempre lo cita un hombre mayor.

El Índice del Rascacielos (Skyscraper Index)

Andrew Lawrence, analista del banco Dresdner Kleinwort, lo propuso en 1999. La teoría: la inauguración del rascacielos más alto del mundo coincide históricamente con el techo de un ciclo económico. Empire State (1931, justo después del crack del 29), World Trade Center (1973, crisis del petróleo), Petronas Towers (1997, crisis asiática), Burj Khalifa (2009, crisis financiera).

La lógica subyacente tiene cierto sentido: cuando el crédito está tan barato que se financian proyectos megalómanos, la economía suele estar sobrecalentada. Pero el indicador convierte una observación general en una ley específica con cuatro datos. Si pruebas con cualquier otro proyecto faraónico —el Canal de Suez, la Sagrada Familia, Eurodisney— puedes obtener correlaciones tan plausibles como las del rascacielos.

Lo divertido es que se sigue citando con la solemnidad de una constante física. Cada vez que se anuncia un rascacielos nuevo “más alto del mundo” en Arabia Saudí o en China, hay analistas que predicen recesión inminente. Cuando esa recesión llega años después por motivos completamente distintos, el indicador “acierta”.

Publicidad


El Índice de las Grúas (Crane Count)

Variante moderna del rascacielos. Consiste en contar literalmente las grúas de construcción visibles en el horizonte de una ciudad. Si hay muchas, la ciudad está en pleno boom inmobiliario y, por tanto, en peligro. Si hay pocas, la ciudad está parada y por tanto recuperable.

Lo practica la empresa Rider Levett Bucknall, que publica un ”Crane Index” trimestral para ciudades norteamericanas con números reales. La metodología es básicamente que un becario sale a la calle a contar grúas. Esto, en una era de imágenes de satélite, sensores urbanos y bases de datos en tiempo real, tiene algo de ritual antropológico. Como si la economía necesitara seguir siendo observada a ojo para resultar creíble. Salvo cuando descubres que algunos gobiernos municipales toman decisiones de política urbana mirando esa cifra.

El Índice del Ancho de Corbata (Tie Width Index)

Propuesto medio en broma en los años 70. La teoría: en épocas de prosperidad las corbatas son anchas (los hombres se permiten más tela y más colorido); en crisis se estrechan. Como las faldas, pero para hombres y, dicho sea de paso, sin ninguna base estadística.

El indicador habría sufrido un problema fatal en el siglo XXI: las corbatas casi no se llevan. Si el ancho medio mide algo, mide la decadencia del uso de corbata, no la economía. Pero claro, eso ya es una correlación, así que técnicamente sigue siendo un indicador.

El Índice del Lápiz de Labios (versión visual)

Variante del índice del pintalabios (Lipstick Index) que analizamos en la primera entrada, pero observacional. Consiste en mirar a las mujeres en el metro o en el centro de Manhattan y contar cuántas llevan los labios pintados de rojo intenso. Si suben los rojos, suben las acciones. Si bajan los rojos, baja el ciclo.

Lo divertido es que esto no es una broma. Hay traders documentados en libros de divulgación que aseguran haber tomado posiciones después de “tres días de muchos rojos en el metro de Brooklyn”. Y haber ganado dinero. La explicación más probable es que el cerebro humano encuentra patrones donde los busca, especialmente cuando lleva una semana enganchado a Bloomberg.

Publicidad


El Índice de la Velocidad del Habla del Presidente de la Fed

No es broma. Existe un estudio publicado en revistas de economía financiera analizando la velocidad del habla de Jerome Powell y sus predecesores en ruedas de prensa como predictor del movimiento futuro de tipos de interés. La metodología consiste en cronometrar palabras por minuto. Encontraron correlación: cuando habla más rápido tiende a haber subidas, cuando habla más lento bajadas.

Es posible que se trate de la única correlación causal real entre las del catálogo. Si Powell habla rápido cuando está nervioso, y está nervioso cuando va a anunciar algo importante, la velocidad sí informa. Pero entonces lo que mides es su estado de ánimo, no el tipo de interés. Y bien podrías sentarte delante de él en la rueda de prensa y mirarle a la cara, que es lo que se hace habitualmente desde hace décadas, antes de que esto se vistiera de paper académico.

Pero ya ni hay que mirar, ahora se puede usar la IA para analizar las expresiones faciales de Powell y concluir que impactan las acciones. Esto consolida el análisis biométrico como una herramienta clave en la econometría moderna. Pero ya no es un indicador. Es otra cosa. Es convertir al banquero central en un activo financiero más, cuya volatilidad se puede explotar en tiempo real. Ya no observas la economía: observas al observador. Y no para entenderla mejor, sino para adelantarte unos milisegundos al resto.

El Índice de la Iluminación Nocturna (Night Lights Index)

Sí, este existe y se publica en revistas serias de macroeconomía. Consiste en medir el brillo de la Tierra de noche desde satélite y correlacionarlo con el PIB regional. Más luces, más economía. Países que no publican datos fiables (Corea del Norte, partes de África) pueden estimar su crecimiento por la luz.

Es ingenioso. También tiene problemas: una ciudad puede iluminarse más porque ha mejorado la red eléctrica, porque ha decidido políticamente iluminar más, porque ha cambiado a LED (que emiten en un espectro distinto), o porque está celebrando el Año Nuevo Chino. Los modelos intentan ajustar todo esto. Como casi siempre, lo que parece una medición física objetiva acaba siendo un modelo lleno de hipótesis discutibles.

Lo que sí es cierto es que la NASA publica imágenes a las que los macroeconomistas con la misma fe con la que otros miraban el hígado de un cordero recién sacrificados.

Conclusiones

Si la primera entrega era la economía leída a través del carrito de la compra, esta segunda ha sido la economía leída a través del paisaje urbano y la antropología observacional. Pero todavía falta el filón más absurdo de todos: los indicadores que predicen el mercado bursátil a partir de eventos que no tienen ninguna relación causal con la economía. Equipos de fútbol americano. Portadas de revistas. Maldiciones en videojuegos. Refranes ingleses sobre cuándo vender acciones.

Lo inquietante no es que existan estos indicadores. Es que, cuando funcionan, lo hacen por razones que nadie entiende del todo. Y eso los hace irresistibles. Es que muchos correlacionan, algunos durante décadas, y los analistas técnicos serios los citan con cara de circunstancias. En la tercera entrega cerramos la serie con los augurios deportivos y las portadas malditas, incluyendo un dato verificado que probablemente te haga replantearte el periodismo económico: The Economist, la revista económica más prestigiosa del planeta, predice mejor el futuro al revés que del derecho.

Nos vemos en la siguiente entrega.

Todas las publicaciones de la serie El bestiario de los indicadores económicos absurdos:

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan
  • Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés

Nota: Las imágenes de este artículo fueron generadas utilizando un modelo de inteligencia artificial.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicidad


Publicaciones relacionadas

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática
  • Calibración vs Discriminación en Credit Scoring: diferencias clave y cómo evaluarlas

Publicado en: Opinión Etiquetado como: Economía, Falacias Estadísticas

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

junio 4, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • pandas Pandas: Cómo convertir listas en DataFrames publicado el noviembre 9, 2020 | en Python
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python) publicado el octubre 7, 2025 | en Herramientas, Productividad
  • pandas Pandas: Cambiar los tipos de datos en los DataFrames publicado el julio 15, 2021 | en Python
  • Matriz en tabla con Excel Cómo convertir una matriz en tabla con Excel sin VBA publicado el diciembre 4, 2020 | en Herramientas
  • pandas Pandas: Contar los valores nulos en DataFrame publicado el agosto 12, 2021 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto