¿Elevan los parques industriales la actividad económica local, y para quién? Una evaluación para principiantes con diferencias en diferencias escalonadas de los parques industriales etíopes en Python, que replica a Huang, Wang y Xu (2026) sobre datos sintéticos calibrados: TWFE y un estudio de eventos con pyfixest, los estimadores modernos de Sun-Abraham, Borusyak/Gardner y Callaway-Sant'Anna más una descomposición de Goodman-Bacon con diff-diff, DiD de sección cruzada repetida y ponderada por encuesta sobre el bienestar de los hogares y el empoderamiento de las mujeres en la DHS, y errores estándar espaciales de Conley.
Evalúe el impacto económico de largo plazo de un desastre natural localizado con inferencia causal en Python. Una replicación para principiantes de Heger y Neumayer (2019) sobre el tsunami de Aceh de 2004, con datos sintéticos calibrados: diferencias en diferencias dinámicas con pyfixest, un estudio de eventos con diff-diff, una respuesta a la dosis de luces nocturnas, control sintético con mlsynth y errores estándar espaciales de Conley.
Un tutorial introductorio y centrado en la intuición sobre el método de control sintético aumentado (ASCM) para una sola unidad tratada: la estimación del efecto de los recortes de impuestos de Kansas de 2012 sobre el PIB per cápita con el paquete augsynth, del control sintético clásico a la aumentación por ridge, con un recorrido cuidadoso por cuatro formas de hacer inferencia.
Introducción y derivación del método de diferencias en diferencias sintéticas, con una aplicación a la Proposición 99 de California: se compara con las diferencias en diferencias y el control sintético originales (synth2) y se explica cómo realizar inferencia por placebo con una sola unidad tratada.
Se extienden las diferencias en diferencias sintéticas al caso de adopción escalonada, en el que las unidades reciben el tratamiento en momentos distintos, y se aplican en Stata a las cuotas de género parlamentarias en 119 países: se deriva el estimador por cohorte, su agregación en el ATT global, el moderno estudio de eventos con sdid_event y la inferencia por bootstrap, jackknife y placebo.
Versión en Python de los tutoriales de Doble LASSO en R y Stata: los mismos datos, los mismos cinco estimadores y una introducción práctica a la biblioteca DoubleML (DoubleMLPLR, DoubleMLIRM y robustez frente al estimador base entre LASSO, RandomForest y XGBoost).
Versión en Stata del tutorial de Doble LASSO en R: los mismos datos, los mismos cinco estimadores, replicando la extensión de 284 controles de Belloni-Chernozhukov-Hansen del panel de aborto y delincuencia de Donohue y Levitt con pdslasso, rlasso y cvlasso.
Un recorrido accesible por el Doble LASSO para inferencia causal, replicando el análisis de Fitzgerald, Lattimore, Robinson y Zhu (2026) sobre la cuestión del aborto y la delincuencia de Donohue–Levitt con 284 controles candidatos y errores estándar agrupados por estado.
Control sintético e IV en Python — replicando a Andersson (2019) sobre el impuesto al carbono de Suecia y las emisiones de CO2 con pysyncon y pyfixest.
Estime efectos causales heterogéneos de la minería y los precios de los minerales sobre el desarrollo económico mediante el CausalForestDML de EconML con Double Machine Learning, aplicado a datos simulados de la maldición de los recursos.