Software | Carlos Mendez

scspill

Tue, 28 Jul 2026 00:00:00 +0000

Control sintético cuando el tratamiento se filtra: el efecto sobre la unidad tratada y el desbordamiento que recibe cada donante.

scspill es un paquete de Python con modelos de control sintético que abandonan el supuesto SUTVA sobre el grupo de donantes. Se permite que el tratamiento alcance a los controles y cada modelo informa dos estimandos: el efecto sobre la unidad tratada, libre de contaminación, y el efecto de desbordamiento que recibe cada donante, algo que el control sintético clásico no puede expresar en absoluto. El modelo disponible hoy, sar, canaliza los desbordamientos a través de los pesos espaciales que usted defina, escalados por una única intensidad ρ que se estima en lugar de suponerse; ajusta pesos sintéticos con contracción de tipo herradura (horseshoe) y sin restricciones, de modo que los donantes pueden quedar excluidos, entrar con signo negativo o extrapolar, y devuelve incertidumbre bayesiana completa para ambos estimandos. Cuando ρ = 0 se reduce exactamente al control sintético bayesiano de tipo herradura. La arquitectura del estimador sigue a mlsynth —una configuración de pydantic a la entrada y un objeto de resultados estandarizado a la salida— y los nombres de method coinciden con los de su despachador SPILLSYNTH, por lo que ambas bibliotecas se combinan con naturalidad.

🚀 Primeros pasos

Estime un modelo con la Proposición 99 de California en unas diez líneas: el ATT con un intervalo de credibilidad del 95 %, la intensidad del desbordamiento ρ, el desbordamiento año por año que recibe cada donante, los diagnósticos MCMC y los gráficos contrafactuales.

▶ Abrir en Colab

🧬 Modelos

Hoy se distribuye un modelo: sar, el control sintético bayesiano con desbordamiento autorregresivo espacial de Sakaguchi y Tagawa (2026). Otros tres modelos que incorporan desbordamientos están en la hoja de ruta: el de Cao y Dowd, el control sintético inclusivo de Di Stefano y Mellace, y el SCG con interferencia parcial de Grossi y coautores. No están implementados, y SCSPILLConfig rechaza sus nombres en lugar de recurrir a otro modelo de forma silenciosa.

🧪 Validación

La evidencia de que el muestreador de sar es correcto: la prueba de distribución conjunta de Geweke (2004), cuadrículas de sensibilidad a las distribuciones a priori, verificaciones predictivas a priori y validación cruzada frente a los intervalos de credibilidad congelados del código en R de los autores.

Qué incluye

scspill — la capa de modelos. SCSPILL(config).fit() devuelve el ATT y su intervalo de credibilidad, la trayectoria contrafactual, la distribución posterior de ρ, un panel de desbordamientos por tiempo y donante, y los diagnósticos MCMC.

scspill.validation — la validación del muestreador de sar: la prueba de distribución conjunta de Geweke, las cuadrículas de sensibilidad a las distribuciones a priori y las verificaciones predictivas a priori.

scspill.simulate — el motor de Monte Carlo de sar: un proceso generador de datos SAR sobre una retícula de contigüidad tipo torre y la comparación SCM / BSCM / SCSPILL que sustenta los cuadros 1 y 2 del artículo.

scspill.data — los paneles de desbordamiento que se describen más abajo. Son independientes del modelo, así que cualquier modelo que se añada más adelante podrá usarlos sin cambios.

sar está validado, no solo implementado — se contrasta con el paquete de replicación en R de los autores: las distribuciones posteriores de California y Sudán frente a los intervalos de credibilidad congelados en R, la cuadrícula de Monte Carlo frente a los cuadros congelados del artículo, y los estadísticos predictivos a priori hasta el tercer decimal. Las opciones por defecto son fieles al artículo: se corrigen varios errores documentados de la implementación de referencia, cada uno con una vía de escape o una comparación que cuantifica la diferencia. Véase la página del modelo sar.

Casos de estudio incluidos

scspill.data incluye dos conjuntos de datos listos para estimar:

California — la Proposición 99, 39 estados (1970–2000): ventas de cigarrillos per cápita con pesos de contigüidad tipo torre, mediante scspill.data.load_california().
Sudán — la secesión de 2011, 34 países africanos (2000–2015): PIB per cápita con pesos de red comercial, mediante scspill.data.load_sudan(). Se desarrolla en el caso de estudio de Sudán.

Instalación

Instale la versión más reciente desde PyPI (la instalación básica usa solo NumPy/SciPy; el extra numba añade muestreadores compilados con JIT):

pip install scspill # NumPy/SciPy sampler backend
pip install "scspill[numba]" # + JIT-compiled samplers (~10x faster)
pip install "scspill @ git+https://github.com/quarcs-lab/scspill.git" # latest

Requiere Python 3.10 o superior.

De un vistazo

Cargue un caso de estudio incluido, ajuste el muestreador y lea ambos estimandos:

from scspill import SCSPILL
from scspill.data import load_california
panel = load_california() # Prop 99 panel + rook-contiguity weights
result = SCSPILL(
{**panel.config_kwargs(), "m_iter": 20_000, "burn": 10_000, "seed": 42}
).fit()
result.att, result.att_ci # treatment effect on California + 95% CrI
result.rho_hat, result.rho_ci # spillover intensity posterior
result.spillover_panel["Nevada"] # the effect received by Nevada, per year
result.diagnostics() # ESS / R-hat / MCSE per chain
result.plot(kind="panel") # counterfactual | effect | top spillovers

Diríjase a Primeros pasos, Modelos y Validación para ver los estimadores en acción.

Construido sobre

scspill mantiene sus dependencias deliberadamente ligeras: la pila científica moderna de Python y nada más.

NumPy y SciPy — el motor del muestreador
pandas — los paneles y las tablas de desbordamientos
pydantic — la configuración validada del estimador
matplotlib — las figuras de diagnóstico y contrafactuales
numba — muestreadores opcionales compilados con JIT

Agradecimiento

scspill es obra de Carlos Mendez, Shosei Sakaguchi y Hayato Tagawa. El paquete de Python está escrito y es mantenido por Carlos Mendez; el modelo sar y su implementación original en R/C++ son obra de Shosei Sakaguchi y Hayato Tagawa. Su paquete de replicación se distribuye bajo licencia MIT, su aviso de derechos de autor se conserva en el archivo LICENSE de la biblioteca, y cada versión de scspill se valida de forma cruzada frente a sus resultados congelados. La arquitectura del estimador sigue a mlsynth, de Jared Greathouse; la infraestructura de documentación sigue al paquete geometrics del QuaRCS Lab.

Si utiliza scspill, cite el software (los metadatos legibles por máquina están en CITATION.cff):

Mendez, C., Sakaguchi, S., & Tagawa, H. (2026). Synthetic Control Models with Spillovers in Python (version 0.2.1). https://github.com/quarcs-lab/scspill

Distribuido bajo la licencia MIT.

geometrics

Thu, 02 Jul 2026 00:00:00 +0000

Explore, analice y aprenda sobre el crecimiento, la convergencia y la desigualdad regionales — de forma espacial, en Python.

geometrics se apoya en la familia PySAL y traduce los análisis estándar de la literatura de convergencia regional en funciones fáciles de aplicar que devuelven figuras interactivas de Plotly, tablas con calidad de publicación de Great Tables y DataFrames ordenados (tidy). Combina un flujo de trabajo Explorar / Analizar / Aprender con 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

Cartografíe y describa sus regiones: mapas coropléticos clasificados y animados, conectividad de pesos espaciales, diagramas de dispersión de Moran y mapas de conglomerados LISA, y vistas espaciotemporales.

🚀 Abrir la app · ▶ Abrir en Colab

🧮 Analizar

Estime los modelos: convergencia β, σ y de clubes, modelos econométricos espaciales con impactos, dinámicas de Markov y de Markov espacial, desigualdad de Gini/Theil con descomposición espacial, y GWR / GWR multiescala.

🚀 Abrir la app · ▶ Abrir en Colab

📚 Aprender

Conozca las ideas detrás de los métodos: 11 entornos de práctica (sandboxes) ejecutables donde usted ajusta una verdad conocida, un índice de explicadores de 30 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 de geometrics ejecutan todo el flujo de trabajo en su navegador: mapas y modelos con apuntar y hacer clic, tablas ordenables y exportaciones reproducibles. Cada una es la versión sin código de un caso de estudio de la documentación.

🗺️ App Explorar · 🧮 App Analizar · 📚 App Aprender

Qué incluye

Mapas y ESDA — mapas coropléticos clasificados / animados, conectividad de pesos espaciales, diagramas de dispersión de Moran, mapas de conglomerados LISA y la I de Moran a lo largo del tiempo.

Dinámicas espaciotemporales — evolución de la distribución transversal y mapas de calor por entidad y tiempo.

Convergencia — convergencia β con estimadores MCO o espaciales, convergencia σ y clubes de convergencia de Phillips–Sul con sus mapas.

Econometría espacial — el conjunto spreg, diagnósticos LM con recomendación de modelo y robustez ante pesos alternativos.

Dinámicas de distribución — análisis de transiciones de Markov y de Markov espacial.

Desigualdad — tendencias de Gini / Theil con descomposición espacial y descomposición de Theil entre/dentro (between/within).

Modelos locales — GWR y GWR multiescala con coeficientes locales cartografiados.

Entornos de práctica (sandboxes) — 11 funciones pedagógicas que simulan datos a partir de procesos generadores conocidos.

Casos de estudio incluidos

geometrics.data incluye dos casos de estudio listos para analizar:

India — 520 distritos, luces nocturnas satelitales (1996–2010): gm.data.load_india(), load_india_states().
Bolivia — PIB local anclado en las PWT (US\$ en PPA de 2021, 2012–2022) a tres escalas geográficas: gm.data.load_bolivia() (112 provincias), load_bolivia_departments() (9 departamentos) y load_bolivia_grid() (1603 celdas).

Instalación

Instale la versión más reciente desde PyPI (la instalación básica cubre la mayoría de los flujos de trabajo; los extras añaden las dinámicas de Markov, las aplicaciones sin código y la exportación a PNG):

pip install geometrics # core
pip install "geometrics[dynamics]" # + Markov / spatial Markov (giddy)
pip install "geometrics[streamlit]" # + the three no-code apps
pip install "geometrics[all]" # everything, incl. PNG export

Requiere Python 3.11 o superior.

De un vistazo

Cargue un caso de estudio incluido, asigne las etiquetas de sus variables y cartografíelo: cada figura es un objeto interactivo de Plotly.

import geometrics as gm
# India — 520 districts, satellite nighttime lights (1996–2010)
gdf, df, df_dict = gm.data.load_india()
df = gm.set_labels(df, df_dict, set_panel=True)
# A classified choropleth of nighttime lights in 2010
gm.explore_choropleth_map(df, "ntl_total", gdf=gdf, period=2010).fig

Estime la convergencia y deje que se explique sola — convergencia β y σ, cada una con una lectura en lenguaje sencillo:

beta = gm.analyze_beta_convergence(df, "ntl_total", model="ols")
print(beta.interpret()) # plain-language, associational reading
sigma = gm.analyze_sigma_convergence(df, "ntl_total")

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

gm.learn_beta_convergence(convergence_rate=0.02) # a runnable concept sandbox
print(gm.explain("spatial_autocorrelation")) # a concept explainer; gm.list_topics() lists all 30

Diríjase a Explorar, Analizar y Aprender para ver cada función en acción.

Construido sobre

geometrics se apoya en el ecosistema de análisis espacial PySAL y en la pila moderna de datos de Python:

PySAL — libpysal (pesos), esda (I de Moran / LISA), giddy (dinámicas de distribución), inequality (Gini / Theil), mapclassify (clasificación de mapas coropléticos), spreg (regresión espacial) y mgwr (GWR multiescala)
geopandas — marcos de datos geoespaciales
Plotly — figuras interactivas
Great Tables — tablas con calidad de publicación

Agradecimiento

geometrics se desarrolla en el QuaRCS Lab (Ciencia Regional Cuantitativa y Computacional) y se apoya en el proyecto PySAL, geopandas, Plotly y Great Tables. Si utiliza geometrics en su investigación, cite el repositorio (consulte CITATION.cff) y los paquetes subyacentes de PySAL.

expdpy

Thu, 18 Jun 2026 00:00:00 +0000

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).