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.
Un tutorial fiel en Python sobre Li y Fotheringham (2026) — utilizando un algoritmo MGWFER de dos etapas para eliminar los factores de confusión espaciales invariantes en el tiempo de la MGWR multiescala y recuperar tanto pendientes espacialmente variables insesgadas como efectos contextuales intrínsecos a partir de datos de panel simulados (225 unidades x 3 periodos).
Un recorrido accesible para principiantes por el aprendizaje automático causal —ATE, GATE, IATE y la asignación que maximiza el bienestar— usando DoubleML y EconML sobre una cohorte sintética estilo ALMP de Flandes con efectos verdaderos conocidos.
Replicación de la curva de Kuznets en forma de N con efectos fijos de datos de panel en Python usando PyFixest, desde el MCO agrupado hasta los efectos fijos bidireccionales, el análisis del punto de inflexión y los determinantes de la desigualdad regional en 180 países.
Aprenda Diferencias en Diferencias (DiD) en Python usando PyFixest y Great Tables. Cubre el diseño 2x2, la regresión TWFE, la comparación de inferencia, tablas con calidad de publicación, estudios de eventos y la prueba de tendencias paralelas basada en Corral y Yang (2024).
Un recorrido accesible para principiantes por siete estimadores de datos de panel — POLS, Between, Primeras Diferencias, Efectos Fijos, Efectos Fijos de Dos Vías, Efectos Aleatorios y Efectos Aleatorios Correlacionados (Mundlak) — aplicados a un panel de salarios de trabajadores de dos periodos.