expdpy

Explore, analice y aprenda datos de panel — de forma interactiva, en Python.

expdpy combina funciones componibles que devuelven figuras interactivas de Plotly y tablas con calidad de publicación de Great Tables con econometría al estilo fixest, una capa pedagógica integrada que interpreta y explica cada resultado, y tres aplicaciones sin código. Está pensada para estudiantes, docentes e investigadores aplicados por igual.

🔍 Explorar

Describa y visualice su panel: tablas, distribuciones, mapas de valores faltantes, tendencias temporales, comparaciones por grupos, diagramas de dispersión, variación intra/inter (within/between) y dinámicas de panel.

🚀 Abrir la app · ▶ Abrir en Colab

🧮 Analizar

Estime modelos: efectos fijos / aleatorios / aleatorios correlacionados, FWL, la prueba de Hausman, inferencia robusta, estudio de eventos / DiD, convergencia β/σ/de clubes y la curva de ondas de Kuznets.

🚀 Abrir la app · ▶ Abrir en Colab

📚 Aprender

Conozca las ideas detrás de los métodos: 9 entornos de práctica (sandboxes) ejecutables donde usted ajusta una verdad conocida, un índice de explicadores de 27 temas y una lectura en lenguaje sencillo de cada resultado.

🚀 Abrir la app · ▶ Abrir en Colab

Pruebe las aplicaciones en su navegador

Sin instalación ni código: las tres aplicaciones ExPdPy ejecutan todo el flujo de trabajo en su navegador: una canalización de ejemplo, análisis con apuntar y hacer clic, tablas ordenables y exportación reproducible a cuadernos. Cada una es la versión sin código de un caso de estudio de la documentación.

🔍 App Explorar · 🧮 App Analizar · 📚 App Aprender

Qué incluye

Explorar — tablas descriptivas / de correlación / de observaciones extremas, histogramas y gráficos de barras, tendencias temporales y por cuantiles, vistas por grupos de barras / violín / tendencias, un mapa de calor de valores faltantes, diagramas de dispersión con un suavizado LOESS opcional, la descomposición intra/inter (xtsum), trayectorias por unidad, diagnósticos de estructura del panel, dinámicas de distribución y transición, y treat_outliers.

Analizar — MCO con efectos fijos multidireccionales y errores estándar agrupados (clustered) mediante pyfixest; un analyze_estimation más completo (por pasos / múltiples resultados, errores estándar de Newey–West y Driscoll–Kraay); estimadores agrupado (pooled) / inter (between) / de efectos fijos / de efectos aleatorios y el estimador de efectos aleatorios correlacionados (Mundlak); la prueba de Hausman; posestimación (gráficos de efectos fijos, predicciones, pruebas conjuntas de Wald); inferencia robusta (inferencia por aleatorización, bootstrap de clúster salvaje); gráficos de Frisch–Waugh–Lovell y de coeficientes; estudios de eventos / diferencias en diferencias escalonadas modernos (did2s, Sun–Abraham, LP-DiD, TWFE dinámico); convergencia β, σ y de clubes; y la curva de ondas de Kuznets con estimadores agrupado / inter / intra.

Aprender — cada resultado habla en lenguaje sencillo: .interpret() ofrece una lectura asociacional (nunca una afirmación causal, salvo que el diseño lo permita) y .explain() / explain(topic) / list_topics() permiten explorar 27 explicadores de conceptos. Nueve entornos de práctica (sandboxes) simulan datos para que usted pueda ver y ajustar una verdad conocida: la identidad de primeras diferencias ≈ centrado en la media ≈ variables ficticias, los efectos fijos, el agrupamiento (clustering), el sesgo por variable omitida, la convergencia β/σ/de clubes y la onda de Kuznets.

Conjuntos de datos incluidos — expdpy.data incluye paneles listos para explorar: kuznets (la demostración insignia de la curva de Kuznets en forma de N), gapminder, staggered_did (estudio de eventos / DiD), productivity y bolivia112_gdppc (convergencia). Consulte la página del conjunto de datos kuznets para ver el diccionario de datos.

Instalación

Instale la versión más reciente desde PyPI (los efectos aleatorios, el CRE y la prueba de Hausman funcionan de fábrica; las aplicaciones necesitan el extra streamlit):

pip install expdpy
pip install "expdpy[streamlit]"   # the no-code ExPdPy apps (Streamlit)

Usando uv:

uv pip install expdpy
uv pip install "expdpy[streamlit]"

Para la versión más reciente sin publicar, instale directamente desde la rama main:

pip install "git+https://github.com/cmg777/expdpy.git"

Requiere Python 3.10+.

De un vistazo

El ejemplo principal a lo largo de esta documentación es el panel kuznets incluido (80 países × 2015–2025): un conjunto de datos sintético cuya desigualdad regional traza una curva de Kuznets en forma de N en el ingreso: primero asciende, luego desciende y vuelve a ascender con ingresos muy altos.

import expdpy as ex
from expdpy.data import load_kuznets

df = load_kuznets()
# The N-shaped regional Kuznets curve: regional inequality vs (log) GDP per capita
ex.explore_scatter_plot(
    df, x="log_gdp_pc", y="gini_regional", color="continent", size="population", loess=1
).fig

Ejecute una regresión y deje que se explique sola — efectos fijos bidireccionales, errores estándar agrupados, una lectura en lenguaje sencillo y un gráfico de coeficientes:

res = ex.analyze_regression_table(
    df,
    dvs="gini_regional",
    idvs=["log_gdp_pc", "log_gdp_pc_sq", "log_gdp_pc_cu"],
    feffects=["country", "year"],
    clusters=["country"],
)
print(res.interpret())            # plain-language, associational reading
ex.analyze_coefficient_plot(res)  # themed coefficient plot with confidence intervals

Aprenda sobre la marcha — entornos de práctica y explicadores de conceptos:

ex.learn_first_differences()        # first differences ≈ demeaning ≈ dummy variables
print(ex.explain("fixed_effects"))  # a concept explainer; ex.list_topics() lists all 27

Diríjase a Explorar, Analizar y Aprender para ver cada función en acción, o a la página del conjunto de datos kuznets para el diccionario de datos.

Construido sobre

expdpy se apoya en la pila moderna de datos y econometría de Python:

• Plotly — figuras interactivas
• pyfixest — estimadores de efectos fijos y de diferencias en diferencias
• Great Tables — tablas con calidad de publicación
• linearmodels — efectos aleatorios / inter / aleatorios correlacionados y la prueba de Hausman
• Streamlit — las aplicaciones ExPdPy sin código

Agradecimiento

expdpy comenzó como una adaptación a Python del excelente paquete de R ExPanDaR de Joachim Gassen y el proyecto TRR 266 Accounting for Transparency, y sus cimientos siguen profundamente inspirados en ese trabajo. Con el tiempo, expdpy ha crecido mucho más allá del original — estimadores al estilo fixest, herramientas de estudio de eventos / diferencias en diferencias, modelos de panel de efectos aleatorios y aleatorios correlacionados, análisis de convergencia y una capa pedagógica integrada que interpreta y explica los resultados — y seguirá evolucionando.

Agradecemos a los autores de ExPanDaR. Por favor, cite el trabajo original al usar expdpy en investigaciones (consulte CITATION.cff).