python | Carlos Mendez

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.

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.