Una introducción desde cero al método de control sintético en Python, construida sobre el caso de la Proposición 99 de California y organizada en tres etapas: el símplex clásico de Abadie, Diamond y Hainmueller; una distribución previa horseshoe que permite que sean los datos, y no una restricción, los que elijan los estados donantes; y el modelo espacial bayesiano de Sakaguchi y Tagawa, que abandona el supuesto SUTVA sobre el grupo de donantes y pregunta quién más resultó tratado. Cada ecuación se deriva y se vincula con el código que la implementa, usando las librerías scspill y mlsynth. El resultado para California sobrevive a todas las relajaciones del modelo. La afirmación de que el grupo de donantes estaba limpio, no.
Una introducción cuidadosa a mlsynth, la librería de Python que reúne toda la familia de estimadores de control sintético para una sola unidad tratada detrás de una única interfaz de configuración. Recorremos la escalera completa —diferencias en diferencias, control sintético, control sintético centrado, diferencias en diferencias sintéticas en sus tres variantes, MASC y control sintético aumentado— con una clase de mlsynth por peldaño, explicando qué hace cada opción y dónde los valores por defecto entregan silenciosamente un estimador distinto. El caso de estudio es el referéndum del Brexit de 2016 y su costo para el PIB del Reino Unido.
Un recorrido pedagógico por la escalera completa de estimadores de control sintético para una sola unidad tratada: diferencias en diferencias, control sintético, control sintético centrado (DSC), diferencias en diferencias sintéticas (SDID) en sus tres variantes, MASC y control sintético aumentado. Cada método se programa primero desde cero y después se ejecuta con su paquete, sobre el PIB real trimestral de 24 economías de la OCDE entre 1995 y 2020. Incluye hojas de referencia rápida en R, Stata y Python.
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.
Un recorrido práctico por el método de control sintético aumentado en un entorno multipaís con el paquete augsynth: aprenda single_augsynth, multisynth y augsynth_multiout con datos simulados y luego replique a Papaioannou (2021) sobre la unión monetaria europea y la convergencia de la productividad.
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.
Seis estimadores en un mismo tutorial —pre-post ingenuo, DiD, dos variantes de ITS, RDD temporal, control sintético y CausalImpact— aplicados al impuesto al tabaco de la Proposición 99 de California (1988) para ver cuánto (y dónde) difieren.