Carlos Mendez

Doble LASSO en Python: ¿reduce el aborto la delincuencia?

Mon, 25 May 2026 00:00:00 +0000

Doble LASSO en Stata: ¿reduce el aborto la delincuencia?

Sun, 24 May 2026 00:00:00 +0000

Doble LASSO para inferencia causal: ¿reduce el aborto la delincuencia?

Thu, 21 May 2026 00:00:00 +0000

Diferencias en diferencias con microdatos geocodificados: cuando la distancia define el tratamiento

Mon, 18 May 2026 00:00:00 +0000

Diferencias en diferencias con datos regionales: ¿redujo la mortalidad la expansión de Medicaid?

Sun, 17 May 2026 00:00:00 +0000

Métricas causales comparativas

Sun, 17 May 2026 00:00:00 +0000

¡Bienvenido/a a Métricas causales comparativas! (En desarrollo)

Una introducción a la evaluación de impacto regional mediante métodos modernos de inferencia causal implementados en R y Quarto. El recurso abarca técnicas cuasiexperimentales para evaluar los efectos de políticas e intervenciones sobre resultados regionales, con ejemplos resueltos y datos de acceso público para una reproducibilidad completa.

Este libro en desarrollo incluye:

Métodos cuasiexperimentales — Desde series temporales interrumpidas hasta el control sintético y las series temporales estructurales bayesianas, con un enfoque comparativo regional.
Cuadernos en R + Quarto — Capítulos reproducibles con código plegable, listos para renderizarse localmente o ampliarse con sus propios datos.

Capítulos

Introducción
Series temporales interrumpidas
Regresión discontinua en el tiempo
Diferencias en diferencias básicas
Control sintético clásico
Series temporales estructurales bayesianas
Referencias

Contribuya y deje sus comentarios en https://github.com/quarcs-lab/ccm.

Proyecto relacionado

Recurso complementario: Dominando las métricas causales — una guía de estudio en Python impulsada por IA basada en Mastering ‘Metrics de Angrist & Pischke.

Seis formas de evaluar una política con R: estudios de caso comparados de la Proposición 99

Fri, 15 May 2026 00:00:00 +0000

Dominando las métricas causales

Wed, 22 Apr 2026 00:00:00 +0000

¡Bienvenido/a a Dominando las métricas causales!

Una guía de estudio impulsada por IA para Dominando las métricas causales. Aprenda los fundamentos de la inferencia causal con cuadernos interactivos de Python y herramientas de IA, a partir del libro de texto fundacional Mastering ‘Metrics: The Path from Cause to Effect de Angrist & Pischke.

Esta plataforma incluye:

Métodos fundamentales — Basados en Mastering ‘Metrics de Angrist & Pischke. Aprenda inferencia causal desde los ensayos aleatorizados hasta las diferencias en diferencias.
Cuadernos de Python — Cuadernos de Google Colab sin instalación. Conjuntos de datos reales, código funcional e implementaciones completas de cada método.
Aprendizaje impulsado por IA — Múltiples tutores de IA con estilos pedagógicos diferenciados.

Cuadernos interactivos de Google Colab

Haga clic en cualquier insignia de abajo para abrir y ejecutar al instante en su navegador:

Parte I: El marco conceptual

Capítulo	Título	Temas	Cuaderno de Colab
1	Ensayos aleatorizados	Sesgo de selección, resultados potenciales, RAND HIE

Parte II: Las cinco herramientas

Capítulo	Título	Temas
2	Regresión	MCO, sesgo por variable omitida, controles inadecuados
3	Variables instrumentales	LATE, cumplidores, experimento de violencia doméstica de Minneapolis
4	Regresión discontinua	RD nítida, ancho de banda, edad legal para beber y mortalidad
5	Diferencias en diferencias	Tendencias paralelas, efectos fijos bidireccionales, banca de la Gran Depresión

Parte III: Síntesis

Capítulo	Título	Temas	Cuaderno de Colab
6	Los retornos de la educación	Gemelos, trimestre de nacimiento, efectos del diploma

Cómo usar los cuadernos

Haga clic en cualquier insignia “Open in Colab” de arriba
Inicie sesión con su cuenta de Google (gratuita)
Haga clic en “Ejecutar todo” en el menú Entorno de ejecución (o ejecute las celdas de forma individual)
Explore y modifique — cambie parámetros, pruebe distintos modelos, experimente con los datos
Guarde su trabajo — Archivo > Guardar una copia en Drive para conservar sus modificaciones

¡Sin instalación, sin descargas, sin configuración!

Autores y créditos

Carlos Mendez — Implementación en Python y desarrollo de los cuadernos educativos

Joshua D. Angrist & Jörn-Steffen Pischke — Libro de texto original, Mastering ‘Metrics

Econometría impulsada por la IA

Mon, 26 Jan 2026 00:00:00 +0000

🤖 Econometría impulsada por la IA

Una introducción mediante cuadernos de Python en la nube

🚀 Visión

🤖 La econometría en la era de la IA
☁️ Aprendizaje interactivo en la nube
📊 Datos reales, preguntas económicas reales

El aprendizaje de la econometría se replantea como un proceso activo, computacional y asistido por la IA que preserva el rigor teórico.

🧠 ¿Por qué repensar la enseñanza de la econometría?

📖 Manuales pasivos
💻 Altas barreras técnicas
🔗 Brecha entre la teoría y su implementación

Los enfoques tradicionales a menudo retrasan el análisis de datos significativo y dificultan la comprensión conceptual.

🔄 El enfoque del libro

🧱 Conceptos fundamentales
🧪 Cuadernos computacionales
🤖 Aprendizaje potenciado por la IA

Un sistema de tres pilares integra la teoría, la programación y la IA para crear un ecosistema de aprendizaje activo.

📘 Pilar 1: Conceptos fundamentales

📚 Basado en Cameron (2022)
📐 Teoría econométrica rigurosa
🌍 Enfoque aplicado y real

La estructura y el contenido se ajustan a la práctica econométrica y de investigación estándar.

🗂️ Estructura

🧮 Fundamentos estadísticos
📉 Regresión bivariante
📊 Regresión múltiple
🔬 Temas avanzados

Diecisiete capítulos avanzan de forma sistemática desde los fundamentos hasta los métodos empíricos modernos.

☁️ Pilar 2: Cuadernos computacionales

🚫 Sin instalación
🧑‍💻 Google Colab
🌐 Acceso desde cualquier dispositivo

Cada capítulo se acompaña de un cuaderno interactivo de Python.

🧰 Stack moderno de Python

🐼 Manipulación de datos
📐 Modelización econométrica
📊 Visualización

El alumnado aprende herramientas ampliamente utilizadas y transferibles para la investigación empírica.

🔁 Aprender programando

✏️ Modificar y volver a ejecutar el código
⚡ Retroalimentación inmediata
🔍 Experimentación activa

La comprensión se desarrolla mediante la interacción directa con los datos y los modelos.

🤖 Pilar 3: Aprendizaje potenciado por la IA

🖼️ Resúmenes visuales
📑 Diapositivas generadas por IA
🎙️ Pódcast y cuestionarios

Múltiples modalidades refuerzan el aprendizaje y se adaptan a distintas preferencias.

⚖️ Uso responsable de la IA

🧠 La IA apoya el pensamiento, no lo reemplaza
🔍 La verificación es esencial
📘 La teoría sigue siendo central

La IA mejora la comprensión, pero no sustituye al razonamiento econométrico.

🔗 Sistema de aprendizaje de tres componentes

📕 Este libro
🌐 El sitio web metricsAI
📘 El manual de Cameron

En conjunto, conforman un entorno de aprendizaje completo y coherente.

🎓 Conclusión

📊 La econometría a través de la computación
🤖 Potenciada por la IA
🌍 Accesible y rigurosa

metricsAI

Wed, 21 Jan 2026 00:00:00 +0000

¡Bienvenido/a a metricsAI!

Esta plataforma de ciencia de datos ofrece una introducción moderna a la econometría combinando cuadernos de Python en la nube con herramientas de aprendizaje con IA de NotebookLM.

Diseñada como complemento interactivo del libro de texto de Colin Cameron, Analysis of Economics Data: An Introduction to Econometrics, metricsAI transforma capítulos estáticos en experiencias de aprendizaje dinámicas. El alumnado puede acceder a resúmenes generados por IA, código de Python y ejemplos prácticos directamente en su navegador a través de Google Colab. No se requiere configuración ni instalación alguna, y los cuadernos incorporan herramientas de IA para la generación, explicación y transformación de código.

📓 Cuadernos interactivos de Google Colab

Haga clic en cualquier insignia de abajo para abrir y ejecutar al instante en su navegador:

Parte I: Fundamentos estadísticos

Capítulo	Título	Cuaderno de Colab
1	Análisis de datos económicos
2	Resumen de datos univariantes
3	La media muestral
4	Inferencia estadística sobre la media

Parte II: Regresión bivariante

Capítulo	Título	Cuaderno de Colab
5	Resumen de datos bivariantes
6	El estimador de mínimos cuadrados
7	Inferencia estadística para la regresión bivariante
8	Estudios de caso de regresión bivariante
9	Modelos con logaritmos naturales

Parte III: Regresión múltiple

Capítulo	Título	Cuaderno de Colab
10	Resumen de datos para la regresión múltiple
11	Inferencia estadística para la regresión múltiple
12	Temas adicionales sobre la regresión múltiple
13	Estudios de caso de regresión múltiple

Parte IV: Temas avanzados

Capítulo	Título	Cuaderno de Colab
14	Regresión con variables indicadoras
15	Regresión con variables transformadas
16	Comprobación del modelo y los datos
17	Datos de panel, series temporales y causalidad

Cómo usar los cuadernos

Haga clic en cualquier insignia “Open in Colab” de arriba
Inicie sesión con su cuenta de Google (gratuita)
Haga clic en “Ejecutar todo” en el menú Entorno de ejecución (o ejecute las celdas de forma individual)
Explore y modifique — cambie parámetros, pruebe distintos modelos, experimente con los datos
Guarde su trabajo — Archivo → Guardar una copia en Drive para conservar sus modificaciones

¡Sin instalación, sin descargas, sin configuración!

👥 Autores y créditos

Carlos Mendez — Implementación en Python y desarrollo de los cuadernos educativos

A. Colin Cameron — Libro de texto, datos, código en Stata/R y diapositivas originales.

Paneles GeoDevelopment

Sun, 18 Jan 2026 00:00:00 +0000

Mendez, C. (2026). Dinámica espacio-temporal de la población, la luminosidad, la cobertura del suelo y el PIB en Camboya (2013-2019). Aplicación de Google Earth Engine. Acceder a la app | Abrir en GEE

Kanyama, Y., & Mendez, C. (2026). Explorando las disparidades regionales en Japón: comparación multiescala del PIB per cápita (1990–2022). Aplicación de Google Earth Engine. Acceder a la app | Abrir en GEE

DS4Bolivia

Wed, 14 Jan 2026 00:00:00 +0000

DS4Bolivia: un repositorio de ciencia de datos para estudiar el desarrollo geoespacial en Bolivia

¡Bienvenido/a a DS4Bolivia! Este proyecto reúne conjuntos de datos espaciales y socioeconómicos, paneles interactivos y flujos de trabajo computacionales centrados en los 339 municipios de Bolivia. Está diseñado para tender un puente entre el análisis espacial y los Objetivos de Desarrollo Sostenible (ODS).

Este repositorio está organizado para personas dedicadas a la investigación y a la ciencia de datos interesadas en:

Econometría espacial: comprender las disparidades, el crecimiento y la agrupación regionales.
Aprendizaje automático espacial: aprovechar las imágenes satelitales (observación de la Tierra) para el modelado predictivo.
Desarrollo sostenible: hacer seguimiento de los indicadores de los ODS a un nivel local granular.

🖥️ Paneles geoespaciales interactivos

Explore los datos sin escribir código. Estas aplicaciones visualizan la dinámica espacio-temporal de indicadores clave del desarrollo.

Dinámica espacio-temporal de la población, la luminosidad, la cobertura del suelo y el PIB (2013-2019): visualiza la evolución de la densidad de población, las luces nocturnas, los cambios en la cobertura del suelo y las estimaciones del PIB en los municipios bolivianos en 2013 y 2019.

🐍 Cuadernos computacionales en la nube

Tutoriales paso a paso que le ayudan a reproducir nuestro análisis. Estos cuadernos utilizan bibliotecas de Python como GeoPandas y PySAL.

Introducción al análisis exploratorio de datos espaciales (ESDA)
Enfoque: aprenda a detectar agrupaciones y valores atípicos espaciales mediante la I de Moran global y local.
Conceptos clave: autocorrelación espacial, estadísticos LISA, mapas coropléticos.

💾 Conjuntos de datos espacialmente explícitos

Conjuntos de datos curados y listos para el análisis. Estos archivos están preprocesados para ajustarse a los límites municipales de Bolivia.

ODS y embeddings satelitales (2017)
Descripción: un conjunto de datos combinado que une indicadores socioeconómicos (ODS) con vectores de características de alta dimensión extraídos de imágenes satelitales.
Caso de uso: entrenar modelos de aprendizaje automático para predecir índices de pobreza o de desarrollo a partir de patrones visuales desde el espacio.

📜 Cómo citar

Si utiliza este repositorio en su investigación, cítelo con los siguientes metadatos.

Formato APA

Mendez, C., Gonzales, E., Leoni, P., Andersen, L., Hendrix, P. (2024). DS4Bolivia: A Data Science Repository to Study GeoSpatial Development in Bolivia [Data set]. GitHub. https://github.com/quarcs-lab/ds4bolivia

Formato BibTeX

@misc{ds4bolivia2026,
author = {Mendez, Carlos and Gonzales, Erick and Leoni, Pedro and Andersen, Lykke and Hendrix, Peralta},
title = {{DS4Bolivia}: A Data Science Repository to Study GeoSpatial Development in Bolivia},
year = {2026},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/quarcs-lab/ds4bolivia}}
}

🚀 Construya su propio conjunto de datos

Los conjuntos de datos están organizados en módulos, todos vinculados por un identificador único (asdf_id).

Categoría del conjunto de datos	Ruta del archivo	Descripción	Clave de unión
Nombres de regiones	`/regionNames/regionNames.csv`	Metadatos administrativos (nombres de municipios y de departamentos).	`asdf_id`
Socioeconómico	`/sdg/sdg.csv`	Índices de los Objetivos de Desarrollo Sostenible (ODS) y métricas de pobreza.	`asdf_id`
Características satelitales	`/satelliteEmbeddings/satelliteEmbeddings2017.csv`	Vectores de características (embeddings) extraídos de imágenes satelitales diurnas.	`asdf_id`
Vector espacial	`/maps/bolivia339geoqueryOpt.geojson`	Límites geométricos (polígonos) de todos los municipios.	`asdf_id`

⚠️ Nota importante sobre los identificadores: > La clave principal para unir todos los conjuntos de datos de este repositorio es asdf_id.
Aunque mun_id (el código gubernamental estándar) está presente en los datos administrativos, asdf_id garantiza la coherencia entre los embeddings satelitales y los archivos de mapas optimizados que se proporcionan aquí. Asegúrese siempre de que esta columna se trate de forma coherente como int o string en ambos dataframes antes de fusionarlos.

Puede ejecutar los ejemplos de abajo de inmediato en Google Colab.

Ejemplo 1: integración de datos de atributos

Este script muestra cómo fusionar los nombres administrativos, los indicadores socioeconómicos y las características de aprendizaje automático satelitales en un único dataframe analítico.

import pandas as pd
# -----------------------------------------------------------------------------
# 1. SETUP: Define Source URLs
# We use the raw GitHub URL to stream data directly into Colab/Pandas.
# -----------------------------------------------------------------------------
REPO_URL = "https://raw.githubusercontent.com/quarcs-lab/ds4bolivia/master"
url_names = f"{REPO_URL}/regionNames/regionNames.csv"
url_sdg = f"{REPO_URL}/sdg/sdg.csv"
url_emb = f"{REPO_URL}/satelliteEmbeddings/satelliteEmbeddings2017.csv"
# -----------------------------------------------------------------------------
# 2. LOAD: Read CSVs
# -----------------------------------------------------------------------------
print("Loading datasets...")
df_names = pd.read_csv(url_names)
df_sdg = pd.read_csv(url_sdg)
df_embeddings = pd.read_csv(url_emb)
# -----------------------------------------------------------------------------
# 3. MERGE: Combine Dataframes
# -----------------------------------------------------------------------------
# Step A: Attach SDG data to Names
df_merged_step1 = pd.merge(df_names, df_sdg, on='asdf_id', how='inner')
# Step B: Attach Satellite Embeddings to the result
df_final = pd.merge(df_merged_step1, df_embeddings, on='asdf_id', how='inner')
# -----------------------------------------------------------------------------
# 4. VERIFY
# -----------------------------------------------------------------------------
print(f"Merge Complete.")
print(f"Original Municipalities: {len(df_names)}")
print(f"Final Merged Rows: {len(df_final)}")
print(f"Total Columns: {len(df_final.columns)}")
# Display the first few rows (names + first few embedding columns)
display(df_final[['mun', 'dep', 'index_sdg1', 'A00', 'A01', 'A02']].head())

Ejemplo 2: integración de datos espaciales y de atributos

Este script toma los datos fusionados del Ejemplo 1 y los une a las geometrías de los municipios (GeoJSON) para el análisis y la representación espacial.


import geopandas as gpd
import matplotlib.pyplot as plt
# -----------------------------------------------------------------------------
# 1. LOAD SPATIAL DATA
# We load the optimized GeoJSON file containing municipality boundaries.
# -----------------------------------------------------------------------------
geojson_url = f"{REPO_URL}/maps/bolivia339geoqueryOpt.geojson"
print("Loading GeoJSON map...")
gdf_boundaries = gpd.read_file(geojson_url)
# -----------------------------------------------------------------------------
# 2. SPATIAL DATA PREPARATION
# GeoJSON often loads IDs as objects/strings, while CSVs load as integers.
# -----------------------------------------------------------------------------
# Force 'asdf_id' to integer to match the pandas dataframe
gdf_boundaries['asdf_id'] = gdf_boundaries['asdf_id'].astype(int)
# -----------------------------------------------------------------------------
# 3. ATTRIBUTE JOIN
# Merge the spatial dataframe (gdf) with the attribute dataframe (df_final).
# This creates a 'GeoDataFrame' capable of spatial operations.
# -----------------------------------------------------------------------------
gdf_bolivia = gdf_boundaries.merge(df_final, on='asdf_id', how='inner')
# -----------------------------------------------------------------------------
# 4. VISUALIZATION (Choropleth Map)
# Plot the "No Poverty" SDG Index (SDG 1)
# -----------------------------------------------------------------------------
fig, ax = plt.subplots(1, 1, figsize=(12, 10))
gdf_bolivia.plot(
column='index_sdg1', # Variable to map
cmap='viridis', # Color palette (perceptually uniform)
linewidth=0.1, # Border width
edgecolor='white', # Border color
legend=True,
legend_kwds={'label': "SDG 1 Index (No Poverty)", 'orientation': "horizontal"},
ax=ax
)
ax.set_title("Bolivia: SDG 1 Index by Municipality", fontsize=15)
ax.set_axis_off() # Turn off lat/lon axis numbers for cleaner look
plt.show()

Fuentes de datos

Los indicadores de los ODS fueron construidos originalmente por Andersen, L. E., Canelas, S., Gonzales, A., Peñaranda, L. (2020) Atlas municipal de los Objetivos de Desarrollo Sostenible en Bolivia 2020. La Paz: Universidad Privada Boliviana, SDSN Bolivia

🤝 Cómo contribuir

¡Las contribuciones son bienvenidas! Si va a corregir un problema con el sistema de referencia de coordenadas (CRS), añadir un nuevo modelo espacial o subir datos nuevos, envíe un Pull Request.

Mapeo de las dimensiones de la pobreza mediante macrodatos, encuestas socioeconómicas y aprendizaje automático en Camboya

Mon, 06 Oct 2025 00:00:00 +0000

🌏 Introducción

Crecimiento económico acelerado, pero pobreza persistente (17,8 % por debajo de la línea nacional en 2019)
Los datos tradicionales de pobreza: desactualizados, costosos y poco detallados
La pobreza: no solo ingresos, sino también salud, educación y nivel de vida (marco del MPI)

Notas: Camboya ha experimentado un fuerte crecimiento, pero la pobreza persiste. El estudio aplica un enfoque multidimensional alineado con el MPI Global para captar privaciones más allá de los ingresos, centrándose en la educación, la salud y el nivel de vida.

📊 Objetivos de la investigación

Utilizar macrodatos de observación de la Tierra + la encuesta CSES + el aprendizaje automático
Mapear 10 indicadores de pobreza en las 3 dimensiones del MPI
Generar mapas de pobreza de alta resolución
Apoyar intervenciones de política focalizadas y rentables

Notas: El objetivo es integrar datos espaciales y de encuestas mediante IA/ML para producir mapas de pobreza detallados. Esto ayuda a los responsables de las políticas a asignar recursos de forma eficiente y a identificar vulnerabilidades locales.

📚 Literatura y motivación

Las encuestas de hogares = costosas, poco frecuentes y espacialmente poco detalladas
Luces nocturnas e imágenes satelitales → indicadores indirectos de la pobreza
El aprendizaje automático (RF, XGBoost, CNN) mejora las predicciones
Carencia: pocos estudios integran datos de encuestas + datos de observación de la Tierra para la pobreza multidimensional

Notas: Investigaciones previas muestran que los satélites y el ML pueden ayudar a predecir la pobreza, pero su integración con encuestas socioeconómicas para la pobreza multidimensional es limitada. Este estudio cubre esa carencia.

🗂️ Fuentes de datos

Encuesta CSES (10 000 hogares) – salud, educación, vivienda, ingresos
Datos satelitales y de observación de la Tierra – luces nocturnas, cobertura del suelo, densidad de población
Datos de infraestructura – carreteras, escuelas, hospitales, servicios públicos
Huellas de edificaciones – 3,8 millones de edificios residenciales/comerciales

Notas: Se utilizó un amplio conjunto de datos: la CSES para la información de los hogares, datos de observación de la Tierra para el entorno y la infraestructura, y huellas de edificaciones para escalar las predicciones al nivel del hogar.

⚙️ Metodología

Modelo Random Forest para la clasificación
Predice la probabilidad de privación para cada indicador
División en entrenamiento y validación (90/10)
Resultados: mapas de privación a nivel de hogar y regional

Notas: Se eligió el algoritmo Random Forest por su robustez y su capacidad para procesar tipos de datos mixtos. Los modelos producen mapas de probabilidad que pueden agregarse a nivel de municipio, distrito o provincia.

📑 Indicadores del MPI

Salud (2): consumo de alimentos, acceso a la atención sanitaria

Educación (2): nivel educativo alcanzado, asistencia escolar

Nivel de vida (6): combustible para cocinar, saneamiento, agua, electricidad, vivienda, activos

Notas: Se eligieron diez indicadores siguiendo el MPI Global. Se aplicaron ponderaciones iguales a las tres dimensiones principales. Estos indicadores reflejan prioridades de los ODS como la educación, la salud, el agua potable y la energía.

📈 Resultados – Importancia de las variables

Luces nocturnas = predictor clave en todos los indicadores
Densidad de población y redes viales también significativas
Predicciones más sólidas: combustible para cocinar, agua potable, saneamiento, electricidad
Predicciones débiles: asistencia escolar, atención sanitaria, activos

Notas: Las luces nocturnas y la densidad de población explican mejor la privación. El acceso a la infraestructura también es crucial. Los indicadores con correlación espacial (p. ej., los servicios públicos) tuvieron mejor desempeño que los vinculados a condiciones específicas del hogar.

🗺️ Resultados – Patrones espaciales de la pobreza

Centros urbanos: Phnom Penh, Siem Reap, Battambang → baja privación
Provincias remotas: Preah Vihear, Ratanakiri, Mondulkiri → alta privación
La pobreza es menor cerca de las principales carreteras y fronteras (efectos del comercio)

Notas: Los mapas espaciales muestran una concentración de la privación en regiones remotas y mal conectadas. Las zonas urbanas y fronterizas con infraestructura presentan una menor pobreza.

💡 Discusión

El ML espacial es útil, pero limitado para indicadores con señales espaciales débiles
Los datos de las encuestas de hogares no están diseñados para el ML → problemas de aproximación de la ubicación
Necesidad de una integración más rica de las encuestas (p. ej., preguntas sobre accesibilidad)
La observación de la Tierra + el ML ofrecen un mapeo de la pobreza granular y dinámico

Notas: Aunque prometedor, el ML tiene dificultades cuando los datos carecen de correlación espacial. Un mejor diseño de las encuestas puede potenciar la integración. Este enfoque híbrido muestra potencial para un seguimiento de la pobreza en tiempo real y de grano fino.

✅ Conclusión

10 indicadores del MPI mapeados usando observación de la Tierra + encuestas + ML
Mejores resultados para las privaciones relacionadas con la infraestructura
Permite estimaciones de la pobreza a nivel de hogar
Apoya los ODS: Fin de la Pobreza, Educación de Calidad, Salud, Agua Limpia, Energía
Investigación futura: autocorrelación espacial, descomposición de la desigualdad, IA avanzada

Notas: Este trabajo muestra cómo la IA y los datos de observación de la Tierra complementan a las encuestas tradicionales para mapear la pobreza multidimensional. Las líneas futuras incluyen el análisis espacial avanzado y modelos de aprendizaje profundo para una mayor precisión.

Los estudios del desarrollo en la era de la IA

Thu, 18 Sep 2025 14:00:00 +0000

Diapositivas por Carlos Mendez

Fuente: https://bit.ly/gdo-cambodia

Promedio bayesiano de estimaciones clásicas para datos de panel: ¿puede resolverse el enigma de la forma de la curva de Kuznets regional?

Thu, 05 Jun 2025 00:00:00 +0000

🗺️ Motivación

La desigualdad regional moldea la cohesión social, la migración y la estabilidad política
Kuznets (1955): vínculo en forma de U invertida entre desarrollo y desigualdad
La evidencia reciente apunta a patrones más complejos (en forma de N)
Se necesitan herramientas econométricas robustas para zanjar el debate sobre la “forma”

📚 Panorama de la literatura

A favor de la U invertida: List y Gallet (1999); Thornton (2001)
Evidencia mixta / no en forma de U: Tam (2008); Huang (2012)
Defensa de la forma de N: Lessmann (2014); Lessmann y Seidel (2017)
Carencia: la incertidumbre de modelo rara vez se aborda de forma explícita

🎯 Objetivos de la investigación

Extender el promedio bayesiano de estimaciones clásicas (BACE) a paneles con efectos fijos
Probar la robustez de la forma de la curva de Kuznets bajo incertidumbre de modelo
Identificar los determinantes que impulsan de forma consistente la desigualdad regional

🛠️ Aspectos destacados de la metodología

Espacio de búsqueda: 14 regresores candidatos → 2¹⁴ = 16 384 modelos, cada uno estimado con efectos fijos bidireccionales (país + período).
Barrido de robustez: al permitir cuatro opciones de efectos fijos (ninguno, tiempo, país, bidireccional), el universo se amplía a 65 536 modelos; las probabilidades posteriores de modelo (PMP) se concentran por completo en la especificación bidireccional.
Promedio bayesiano de estimaciones clásicas (BACE):
- Mantiene un sencillo FE-OLS para cada modelo, sin un MCMC costoso.
- Traduce el BIC de cada modelo en una verosimilitud marginal aproximada.
- Emplea una distribución a priori uniforme para que las PMP sumen 1, y luego forma promedios ponderados por probabilidad para todos los coeficientes, predicciones y derivadas.
Cribado de variables: la probabilidad de inclusión posterior (PIP) destaca los determinantes robustos —“evidencia sustancial” con PIP ≥ 0,75, “fuerte” con PIP ≥ 0,90.
Picos de la curva: los puntos de inflexión de la desigualdad provienen de la derivada ponderada por BACE del polinomio cúbico del PIB, con errores estándar analíticos para las bandas de credibilidad.
Validación: los experimentos de Monte-Carlo con un proceso generador de datos conocido muestran que BACE identifica con precisión la estructura correcta de efectos fijos y los verdaderos impulsores, lo que subraya la fiabilidad del método.

📈 Panorama de los datos

180 países, cinco ventanas de 5 años (1990-2013)
Variable dependiente: índice de Gini ponderado por población a partir de luces nocturnas satelitales
Covariables clave (14): PIB pc (de lineal a quíntico), rentas de recursos, tierra cultivable, Gini étnico, comercio, IED, etc.

🧪 Comprobación mediante simulación

Panel simulado con un proceso generador de datos conocido
BACE recuperó:
- La especificación correcta de efectos fijos bidireccionales (PMP ≈ 100 %)
- Los verdaderos impulsores (PIB pc, rentas, tierra, Gini étnico)

🔍 Robustez de los determinantes (datos reales)

PIP alto (> 0,75)

Las rentas de los recursos naturales ↑ la desigualdad
La proporción de tierra cultivable ↓ la desigualdad
El Gini étnico ↑ la desigualdad Términos de Kuznets
PIB pc (lineal y cuadrático) robusto
El término cúbico no es robusto (PIP ≈ 0,48)

📐 Forma de la curva

La desigualdad aumenta: 189 → 2 189 USD
Se estabiliza: 2 189 → 3 935 USD
Disminuye: 3 935 → 71 682 USD
Se estabiliza de nuevo más allá de 71 682 USD

La evidencia favorece una U invertida con una meseta en las economías ricas, no una forma de N completa.

🧭 Implicaciones de política

Redistribuir las rentas de los recursos naturales entre las regiones
Invertir en productividad agrícola y en un acceso equitativo a la tierra
Apuntar a la inclusión étnica para frenar las disparidades espaciales
El crecimiento por sí solo no cerrará las brechas tras el pico: se requiere una política regional activa

🏁 Conclusión

El BACE para panel ofrece una visión transparente y probabilística de los impulsores de la desigualdad
Se confirma una U invertida robusta; la desigualdad se estabiliza, no repunta, con ingresos altos
Trabajo futuro: incorporar la difusión tecnológica y las instituciones en el marco de Kuznets

Monitorizar el desarrollo local desde el espacio

Wed, 13 Nov 2024 10:10:00 +0000

Diapositivas por Carlos Mendez

Monitorizar el desarrollo económico desde el espacio

Wed, 04 Sep 2024 10:10:00 +0000

Diapositivas por Carlos Mendez

Explorar la actividad económica desde el espacio

Tue, 27 Aug 2024 10:10:00 +0000

Diapositivas por Carlos Mendez

Accede al cuaderno computacional AQUÍ.

Luces nocturnas y actividad económica

Mon, 26 Aug 2024 10:10:00 +0000

Diapositivas por Carlos Mendez