Cuando una empresa gana o pierde trabajadores este año, ¿cuánto de ese cambio persiste el año siguiente? Este tutorial en Python usa datos de 140 empresas británicas para mostrar por qué las estimaciones simples de esta persistencia engañan y cómo métodos y verificaciones más cuidadosos llegan a una respuesta confiable. Incluye una aplicación interactiva que funciona en su navegador web.
¿Cómo afectó el tsunami de 2004 a la economía de Aceh, Indonesia, a largo plazo? Este tutorial de Python para principiantes usa datos simulados, luces nocturnas y varios métodos causales para comparar zonas dañadas y no dañadas antes y después del desastre.
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).
¿El impuesto al carbono que Suecia introdujo en 1991 redujo las emisiones de carbono del transporte, y perjudicó a la economía? Este tutorial de Python construye una Suecia comparable a partir de otros países ricos y encuentra emisiones del transporte alrededor de 11 por ciento más bajas cada año, sin señales de un menor crecimiento económico. Incluye una aplicación interactiva que funciona en su navegador web.
¿Las buenas instituciones hacen más ricos a los países? Este tutorial en Python revisa el estudio de 2001 de Acemoglu, Johnson y Robinson, que usa las tasas de mortalidad de los primeros colonos europeos en 64 ex colonias para aislar el efecto de las instituciones, y muestra que una comparación simple subestima ese efecto. Incluye una aplicación interactiva que funciona en su navegador web.
¿La riqueza minera ayuda o perjudica el desarrollo local, y las buenas instituciones locales marcan la diferencia? Este tutorial en Python usa aprendizaje automático causal con datos simulados de distritos, cuyos efectos verdaderos se conocen, para medir cómo varía de un lugar a otro el impacto de la minería y de los precios de los minerales. Incluye una aplicación interactiva que funciona en su navegador web.
¿Trabajar desde casa hace a los empleados más productivos, o las personas productivas simplemente eligen trabajar desde casa? Este tutorial de Python para principiantes usa datos simulados con una respuesta conocida para mostrar un enfoque de cuatro pasos sobre causa y efecto: plantear los supuestos, decidir qué comparar, estimar el efecto y ponerlo a prueba. Incluye una aplicación interactiva que funciona en su navegador web.
¿Tener acceso a un plan de ahorro para el retiro en el trabajo hace que los hogares estadounidenses ahorren más, o los hogares que lo tienen simplemente ganan más? Este tutorial en Python usa el doble aprendizaje automático, que permite que modelos de predicción flexibles tengan en cuenta el ingreso y otras diferencias, con datos de una encuesta de 1991. Incluye una aplicación interactiva que funciona en su navegador web.
Cuando medimos cómo cambia una relación de un lugar a otro, las características ocultas de cada lugar pueden distorsionar la respuesta. Este tutorial en Python sigue un estudio de 2026 de Li y Fotheringham y usa datos simulados de 225 lugares en tres períodos para mostrar cómo seguir a los mismos lugares a lo largo del tiempo elimina esa distorsión. Incluye una aplicación interactiva que funciona en su navegador web.
Si un programa de capacitación laboral ayuda a las personas desempleadas a encontrar trabajo, ¿quién se beneficia más y a quién conviene ofrecerle un cupo primero? Este tutorial en Python usa aprendizaje automático causal con datos simulados de buscadores de empleo, cuyos efectos verdaderos se conocen, para pasar del efecto promedio a los efectos individuales y a una mejor forma de asignar la capacitación. Incluye una aplicación interactiva que funciona en su navegador web.