Una réplica integral y didáctica en Python de Lessmann y Seidel (2017): convertir las luces nocturnas satelitales en PIB regional predicho, construir desde cero cinco índices de desigualdad ponderados por población, explorar la dinámica de la desigualdad regional entre países y estimar la curva de Kuznets regional, sus determinantes y una verificación de robustez espacial de Conley (HAC) con PyFixest.
¿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.
¿Qué tan persistente es el empleo de las empresas? MCO agrupado, efectos fijos, IV de Anderson-Hsiao, GMM en diferencias de Arellano-Bond y GMM en sistema de Blundell-Bond aplicados al clásico panel de 140 empresas del Reino Unido — y cómo los diagnósticos AR(2), de Hansen y de colapso de instrumentos separan la única estimación defendible de cuatro seductoras estimaciones erróneas.
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.
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).
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.
Replique a Acemoglu, Johnson y Robinson (2001) en Python con pyfixest y linearmodels: instrumente las instituciones modernas con la mortalidad de los colonos en 64 ex colonias y aprenda cómo IV recupera un efecto causal que MCO subestima en un 80 por ciento.
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.
Una introducción accesible para principiantes a la inferencia causal mediante el marco de cuatro pasos de DoWhy con datos observacionales simulados sobre el trabajo desde casa y la productividad.
Estimación del efecto causal de la elegibilidad y la participación en planes 401(k) sobre los activos financieros netos mediante tres modelos DoubleML (PLR, IRM, IIVM) con el conjunto de datos de pensiones SIPP de 1991.