Métricas causales comparativas

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

Una introducción a la evaluación de impacto regional

Una introducción a la evaluación de impacto regional mediante métodos modernos de inferencia causal implementados en R y renderizados con 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:

• Un recorrido comparativo por los métodos — Desde las series temporales interrumpidas y las diferencias en diferencias hasta el control sintético, las series temporales estructurales bayesianas y los estimadores modernos de datos de panel, todo con un enfoque comparativo regional.
• Cuadernos en R + Quarto — Capítulos reproducibles con código plegable, listos para renderizarse localmente o ampliarse con sus propios datos.

El libro está organizado en dos partes:

• Parte I — Unidad tratada única (capítulos 1 a 9) desarrolla la intuición con un único caso de estudio: el impuesto al cigarrillo de la Proposición 99 de California (1989).
• Parte II — Adopción escalonada (capítulos 10 a 12) pasa a entornos en los que muchas unidades adoptan una política en momentos distintos, mediante un panel de condados sobre el salario mínimo de Callaway–Sant’Anna.

Capítulos

Parte I — Unidad tratada única

1. Introducción
2. Series temporales interrumpidas
3. Diferencias en diferencias básicas
4. Control sintético clásico
5. Control sintético aumentado
6. Diferencias en diferencias sintéticas
7. Series temporales estructurales bayesianas
8. Control sintético con intervalos de predicción
9. Control sintético espacial bayesiano

Parte II — Adopción escalonada

10. Diferencias en diferencias escalonadas
11. Efectos fijos interactivos y completado de matrices
12. Control sintético generalizado

Además: 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.