Carlos Mendez

La ley de Okun y los regímenes espaciales en Indonesia: un enfoque de aprendizaje automático

Thu, 28 May 2026 00:00:00 +0000

El enigma

La ley de Okun es una de las regularidades más fiables de la macroeconomía: cuando el producto crece, el desempleo cae. Sin embargo, estimada para Indonesia como una sola economía, la relación no se sostiene. La razón es la agregación. Un archipiélago vasto y heterogéneo no es un único mercado laboral, y un promedio nacional cancela silenciosamente las regiones que se mueven en direcciones opuestas. La pregunta, entonces, no es si la ley de Okun se cumple en Indonesia, sino dónde.

Un enfoque guiado por los datos en dos pasos

En lugar de imponer grupos geográficos de antemano (por ejemplo, “Oeste” frente a “Este”), los autores dejan que los datos ordenen los distritos en grupos con dinámicas similares de crecimiento y desempleo, y luego modelan cómo esas dinámicas se desbordan a través del espacio. El marco es descriptivo: mapea asociaciones, no efectos causales.

graph LR
A("<b>Paso 1 — C-Lasso</b><br/>(aprendizaje automático)<br/><i>Ordena los distritos en regímenes latentes<br/>que comparten un patrón de crecimiento-desempleo</i>")
B("<b>Paso 2 — Modelo espacial de Durbin</b><br/><i>Divide la respuesta de cada régimen en una<br/>asociación directa (local) e indirecta (desbordamiento<br/>hacia los vecinos)</i>")
A --> B
classDef blue fill:#1f2b5e,stroke:#6a9bcc,stroke-width:3px,color:#e8ecf2
classDef orange fill:#1f2b5e,stroke:#d97757,stroke-width:3px,color:#e8ecf2
class A blue
class B orange

Cuatro regímenes latentes

El clasificador descubre cuatro regímenes distintos que cruzan la geografía administrativa y física: los distritos del mismo grupo no tienen por qué ser vecinos. Cada uno cuenta una historia diferente sobre cómo el crecimiento se encuentra con el mercado laboral.

Régimen	Perfil estructural	Ejemplos	Comportamiento de Okun
Grupo 1	Centros que absorben mano de obra: metrópolis, cinturones industriales, plantaciones de pequeños productores	Bekasi, Yakarta Norte, Makassar, Medan	Fuerte, de manual. El crecimiento se mueve junto con la caída del desempleo, tanto a nivel local como en los vecinos.
Grupo 2	Polos intensivos en capital: zonas de recursos, agricultura corporativa mecanizada	Balikpapan, Yakarta Central, focos rurales de Java	Invertido. Un crecimiento más rápido se asocia con un desempleo abierto medido más alto.
Grupo 3	Centros en transición: ciudades secundarias que pasan de la agricultura a los servicios	Cilacap, Indramayu, Malang	Débil. Escaso vínculo de base; el ajuste opera a través de las horas trabajadas, no de los despidos.
Grupo 4	Mercados periféricos: economías rurales insulares delgadas y aisladas	Papúa remota, Nusa Tenggara Oriental	Insignificante. La informalidad generalizada corta el vínculo con el desempleo formal.

¿Por qué el crecimiento se mueve junto con un desempleo creciente en el Grupo 2? Donde predominan la industria intensiva en capital y la agricultura corporativa, el crecimiento suele llegar a través de la mecanización que desplaza a la mano de obra agrícola tradicional. A medida que los trabajadores desplazados abandonan el trabajo informal o familiar para buscar empleos asalariados formales, entran en las estadísticas como “desempleados abiertos”. El desempleo medido aumenta junto con el producto debido a las fricciones de búsqueda y al desajuste de competencias, no porque el crecimiento en sí destruya empleos.

Robustez a nivel provincial

Para comprobar que el patrón no es un artefacto del ruido a nivel de distrito, los autores vuelven a aplicar el marco a 34 provincias. Este reproduce una estructura similar, ahora en tres regímenes:

Provincias diversificadas y con demanda abundante: polos industriales y de consumo con un pronunciado coeficiente de Okun de $-0.262$.
Corazones de productos básicos agrícolas: grandes plantaciones corporativas donde el crecimiento es localmente “sin empleo” pero genera desbordamientos hacia los vecinos.
Enclaves de frontera de productos básicos: mercados laborales delgados ligados a la minería y la industria pesada, con un coeficiente casi plano de $-0.033$.

Los desbordamientos espaciales importan

El ajuste del mercado laboral no se detiene en las fronteras de los distritos. Los cambios en el desempleo están correlacionados entre distritos vecinos ($\rho = 0.135$), de modo que un choque de crecimiento en un lugar alcanza al siguiente.

Separar las respuestas locales de los desbordamientos es lo que hace visible este fenómeno. En el Grupo 1, el crecimiento se asocia con un menor desempleo en el propio distrito (asociación directa $-0.112$) y con un menor desempleo en el vecino (desbordamiento indirecto $-0.077$). Un modelo que ignore los desbordamientos pasaría por alto prácticamente toda la huella vecina del impulso regional.

Conclusiones clave

Las estimaciones agregadas inducen a error. Un único coeficiente de Okun nacional promedia regímenes cuyas asociaciones entre crecimiento y desempleo apuntan en direcciones opuestas.
Los polos diversificados son el motor. En los distritos metropolitanos y de plantaciones de pequeños productores (Grupo 1), las ganancias de producto se traducen de la manera más fiable en creación de empleo, tanto en el propio distrito como en los cercanos.
El cambio estructural reconfigura la absorción. Pasar de la agricultura familiar a la agricultura corporativa mecanizada reduce la cantidad de trabajadores que la economía local absorbe por unidad de producto.
La informalidad oculta la holgura. En las regiones periféricas (Grupo 4), las cifras de desempleo abierto subestiman las dificultades porque la gente recurre al subempleo y al trabajo informal.

Preguntas abiertas

Si el crecimiento intensivo en capital (Grupo 2) sigue empujando a los trabajadores agrícolas desplazados hacia el desempleo abierto, ¿cómo pueden los gobiernos locales crear canales de capacitación que los reorienten hacia empleos modernos en los servicios?
Dado cuánto de la asociación total opera a través de los desbordamientos en las zonas que absorben mano de obra, ¿debería la planificación pasar de metas distritales aisladas hacia corredores económicos coordinados de varios distritos?

Pódcast con IA: la ley de Okun y los regímenes espaciales en Indonesia

Haga clic en reproducir para cargar

0:00 0:00

Diferenciales del salario mínimo y desplazamientos laborales entre distritos

Mon, 16 Feb 2026 00:00:00 +0000

🌍 Motivación 1: descentralización y brechas salariales

Salarios mínimos a nivel de distrito a partir de 2001
Amplios diferenciales salariales transfronterizos
Alta movilidad diaria dentro de Jabodetabek

Tras la descentralización fiscal de Indonesia, los distritos de Jabodetabek fijan salarios mínimos distintos. La distribución de 2015 muestra una variación sustancial entre distritos adyacentes. Como los costos de desplazamiento son menores que los de reubicación, los trabajadores pueden responder a las brechas salariales cruzando los límites de los distritos en lugar de migrar de forma permanente.

🚆 Motivación 2: por qué importan los desplazamientos laborales

De 3,5 a 4,4 millones de personas que se desplazan a diario
El 21 % de los trabajadores formales se desplaza
Los datos de empleo reflejan la residencia, no el lugar de trabajo

Durante 2011-2015, los desplazamientos laborales fueron generalizados y predominantemente presenciales. Dado que las encuestas laborales registran el lugar de residencia, ignorar la movilidad entre distritos puede sesgar las estimaciones de los efectos del salario mínimo. La evaluación de las políticas debe considerar los efectos de derrame a través de los límites administrativos.

📊 Datos y métodos

Cortes transversales agrupados de Sakernas (2011-2015)
Modelo logit binomial de la probabilidad de desplazamiento
Salarios mínimos del distrito de residencia frente a los transfronterizos
Efectos fijos de distrito y de año

El análisis explota comparaciones por pares de distritos dentro de un único mercado laboral metropolitano. Las variables clave son los salarios mínimos reales en el distrito de residencia y en los distritos vecinos. La especificación controla por características demográficas, factores macroeconómicos y efectos de derrame espaciales (modelo SLX).

🎓 Heterogeneidad por nivel educativo

+0,9 p. p. de desplazamiento por cada aumento de 100 000 IDR (promedio)
Personas con título universitario: +1,7 p. p.
Con menos de educación secundaria: +0,3 p. p.

Los salarios mínimos transfronterizos elevan de forma significativa las probabilidades de desplazamiento. Las respuestas son más intensas entre los trabajadores con mayor nivel educativo, lo que sugiere que se benefician más de los diferenciales salariales y enfrentan menores fricciones de movilidad.

💰 Heterogeneidad por nivel de ingresos

Los trabajadores de ingresos altos son los más sensibles (+1,9 p. p.)
Quienes ganan el salario mínimo responden de forma moderada
Quienes ganan por debajo del mínimo: sin efecto significativo

Las respuestas de desplazamiento se concentran entre los trabajadores que ganan por encima del salario mínimo. El incumplimiento debilita los incentivos para quienes perciben salarios bajos, lo que pone de relieve las restricciones institucionales en los mercados laborales de los países en desarrollo.

🌐 Efectos de derrame espaciales

Los salarios de los distritos vecinos afectan los desplazamientos
Evidencia robusta al modelo SLX
Los efectos de derrame varían entre grupos de trabajadores

Los modelos de rezago espacial confirman que las políticas de los distritos generan efectos transfronterizos medibles. Si bien la magnitud varía según la especificación, la conclusión cualitativa se mantiene consistente: la fragmentación en la fijación de salarios transmite los choques locales a través del sistema metropolitano.

⚖️ Implicaciones de política

La fijación descentralizada de salarios crea fronteras internas
Los efectos de derrame pueden distorsionar las estadísticas de empleo
La coordinación entre distritos es esencial

Los diferenciales del salario mínimo configuran los patrones de movilidad en las regiones urbanas integradas. Los responsables de las políticas deberían considerar marcos armonizados o reglas de dispersión acotada para equilibrar la autonomía local con la integración del mercado laboral.

🔎 Conclusiones clave

Las brechas salariales transfronterizas aumentan los desplazamientos laborales
Los efectos son heterogéneos según el nivel educativo y de ingresos
Ignorar la movilidad sesga la evaluación de las políticas
La coordinación regional mejora el diseño del bienestar

La evidencia indica que el desplazamiento laboral es un margen de ajuste clave en los mercados laborales descentralizados. Incorporar la movilidad de los trabajadores es esencial para una evaluación creíble del salario mínimo en regiones metropolitanas como Jabodetabek.

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

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.

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

Sobre la geografía política y socioeconómica de la violencia: heterogeneidad espacial y efectos de escala en Brasil

Sat, 22 Mar 2025 00:00:00 +0000

🤖 Resumen en pódcast con IA

QuaRCS-lab · On the political and socioeconomic geography of violence: Spatial heterogeneity and scale effects in Brazil

💻 Notebooks de replicación

Todos los análisis son totalmente reproducibles en notebooks de Jupyter basados en la nube mediante Google Colab:

📊 1. Estadística descriptiva

📈 2. Mínimos cuadrados ordinarios (OLS)

🗺️ 3. Regresión geográficamente ponderada (GWR)

📐 4. GWR multiescala (MGWR)

🔄 5. Comparación de coeficientes GWR frente a MGWR

🌍 Introducción

La violencia territorial en Brasil exhibe fuertes patrones espaciales.
Amplía el trabajo de Ingram y Marchesini da Costa (2019) utilizando MGWR.
Objetivo: explorar la heterogeneidad espacial y los efectos de escala sobre la violencia letal.

🧪 Innovaciones metodológicas

Se usaron notebooks computacionales basados en la nube para una replicación completa y de ciencia abierta.
Se adoptó la regresión geográficamente ponderada multiescala (MGWR).
Se identificaron conglomerados geográficos de violencia persistentes.
Se aplicó una corrección por pruebas múltiples para garantizar la robustez.

📊 Resumen de los datos

Unidad de análisis: 5562 municipios (2007-2012)
Variable dependiente: cambio en la tasa de homicidios (Δ 2011-2012 frente a 2007-2008)

Variables políticas

Margen de victoria (%)
Alineación partidaria con el gobernador del estado
Abstención electoral (%)
Identificación partidaria del alcalde:
- Partido del Movimiento Democrático Brasileño (PMDB)
- Partido de la Social Democracia Brasileña (PSDB)
- Partido de los Trabajadores (PT)

Variables socioeconómicas

Densidad de población
Población masculina joven (%)
Índice de Gini (desigualdad del ingreso)
Índice de Desarrollo Humano (IDH)
Hogares encabezados por madres solteras (%)
Tasa de empleo de adultos (%)
Elegibilidad para Bolsa Família (%)

🧭 Marcos de modelado

OLS: estimaciones de efectos globales.
GWR: estimaciones de efectos localizados con una única escala espacial.
MGWR: estimaciones de efectos localizados　con múltiples escalas espaciales.

🔍 Resultados de OLS

Alcaldes del PMDB → mayor violencia.
PT y PSDB → sin efecto consistente.
Abstención electoral → fuertemente asociada a tasas de homicidio más altas.
Inesperado: el índice de Gini mostró una correlación negativa.

🗺️ Resultados de GWR: variables políticas

PMDB: correlación positiva en el nordeste.
PT: reductor de la violencia en muchas regiones.
PSDB: efectos mixtos —norte (↑), sur (↓).
Abstención: incrementadora de la violencia en varias regiones.

🧮 Resultados de GWR: variables socioeconómicas

Densidad de población y Bolsa Família → efectos heterogéneos.
% de población masculina joven y madres solteras → en general, mayor violencia.
La dirección y la significación del efecto varían espacialmente.

🗺️ Resultados de MGWR: variables políticas

El PMDB sigue ↑ la violencia en el nordeste.
El PSDB ahora solo ↓ la violencia en el sur de Brasil.
El efecto del PT desaparece en su mayor parte tras las correcciones estadísticas.
Abstención: consistente con la GWR en algunas regiones.

🌆 Resultados de MGWR: variables socioeconómicas

Bolsa Família: sin impacto significativo.
% de población masculina joven: significativo en más áreas debido a la gran escala espacial.
Densidad de población y madres solteras: influencia heterogénea y de pequeña escala.

📌 Mapeo de conglomerados residuales

Mapeo del intercepto (MGWR): revela conglomerados inexplicados.
Brasil central: residuos positivos → ¿factores estructurales no observados?
Sur y centro-este: residuos negativos.

🧩 Conclusión

La MGWR aporta perspectivas espaciales matizadas.
Confirma la heterogeneidad en los determinantes de la violencia.
Sugiere la necesidad de intervenciones de política regionales y a la medida.
Se requiere mayor investigación sobre los conglomerados residuales de violencia.

Predicción del PIB subnacional en Vietnam con datos de teledetección: un enfoque de aprendizaje automático

Thu, 20 Mar 2025 00:00:00 +0000

🤖 Resumen en pódcast con IA

QuaRCS-lab · Vietnam Subnational GDP Prediction Using Remote Sensing and Machine Learning

🛰️ Introducción y contexto

Desafío: datos limitados del PIB subnacional en Vietnam antes de 2010
Necesidad: datos de largo plazo para el análisis del desarrollo económico
Solución: predecir el PIB mediante teledetección y aprendizaje automático

🌌 Fuentes de datos utilizadas

Datos oficiales del PIB (2010-2020)
Luces nocturnas (NTL): conjuntos de datos armonizados DMSP y tipo VIIRS
Datos de tierras agrícolas (ESA)
Datos climáticos: temperatura y precipitación (CRU)

🧠 Enfoque de aprendizaje automático

Seis algoritmos comparados:
- Redes neuronales artificiales (ANN)
- Random Forest (RF)
- Máquinas de vectores de soporte (SVM)
- K vecinos más cercanos (KNN)
- Regresión ridge
- eXtreme Gradient Boosting (XGBoost)

🔦 Hallazgos clave

Predicciones consistentes entre los distintos conjuntos de datos nocturnos
Se eligió la regresión ridge para el modelo final
Variables importantes: la temperatura y las tierras agrícolas resultaron más influyentes que las NTL

🌍 Aplicación e importancia

Se generaron datos del PIB para 1992-2009
Permite un análisis detallado de largo plazo de las tendencias económicas regionales
Ayuda a responsables de las políticas e investigadores a abordar la desigualdad y el crecimiento regionales

⚠️ Limitaciones

Discrepancias de medición y calibración en la teledetección
Dependencia de los valores de referencia del PIB oficial
Desafíos de interpretabilidad de los métodos de aprendizaje automático

🚀 Líneas de investigación futuras

Explorar conjuntos de datos de teledetección adicionales
Estimar indicadores socioeconómicos más amplios
Mejorar los modelos con conjuntos de datos más grandes

🎯 Conclusión

El aprendizaje automático y la teledetección abordan eficazmente las carencias de datos subnacionales
El nuevo conjunto de datos respalda decisiones de política económica informadas
Método potencialmente replicable para otros países en desarrollo

Luminosidad armonizada y actividad económica entre las provincias de China: diferencias transversales, series temporales regionales y dinámica de la desigualdad

Thu, 19 Dec 2024 00:00:00 +0000

Pódcast con IA (hecho con NotebookLM)

cmg777 · Harmonized luminosity and economic activity across provinces in China: cross-sectional differences, regional time series, and inequality dynamics

Explorando la actividad económica desde el espacio: un cuaderno de Python para procesar y analizar luces nocturnas satelitales

Wed, 17 Apr 2024 00:00:00 +0000

Acceda al cuaderno computacional AQUÍ.

Vídeo con IA (creado con Invideo AI)

Diapositivas (creadas con Canva PRO)

Diapositivas por Carlos Mendez

Pódcast con IA (creado con NotebookLM)

cmg777 · Mendez 2024 Exploring economic activity from outer space

¿Pueden las luces nocturnas de mayor calidad predecir el PIB sectorial entre regiones subnacionales? Luminosidad urbana y rural en las provincias de Turquía

Sun, 07 Apr 2024 00:00:00 +0000

Dinámica del desempleo regional en Indonesia: persistencia serial, dependencia espacial y factores comunes

Fri, 24 Nov 2023 00:00:00 +0000

La ley de Okun regional y la endogeneidad: evidencia de los distritos de Indonesia

Thu, 12 Oct 2023 00:00:00 +0000

Escolarizar no es aprender en Europa: una perspectiva de convergencia de clubes

Thu, 16 Jun 2022 00:00:00 +0000

Figuras interactivas

Dinámica de la escolarización en los países de la UE.

Dinámica del aprendizaje en los países de la UE.

Clubes de convergencia de los resultados de aprendizaje.

Dinámica del ingreso per cápita en los países de la UE.

Convergencia social y económica entre distritos de Indonesia: un enfoque de econometría espacial

Sat, 09 Apr 2022 00:00:00 +0000

Convergencia regional y dependencia espacial en Tailandia: evaluaciones globales y locales

Thu, 03 Mar 2022 00:00:00 +0000

Disparidades económicas y sociales entre las regiones subnacionales de Sudamérica: un enfoque de convergencia espacial

Tue, 04 Jan 2022 00:00:00 +0000

Aspectos destacados

¿Están las regiones inicialmente pobres alcanzando a las regiones inicialmente ricas?

Sí, pero ¡la heterogeneidad regional sigue importando!

¿Cómo podemos estudiar el papel de la dependencia espacial en el proceso de convergencia?

¿Qué tan espacialmente heterogéneo es el proceso de convergencia?

Diapositivas resumen

Convergencia de la productividad sectorial, estructura insumo-producto y comunidades de red en Japón

Sat, 30 Oct 2021 00:00:00 +0000

Clubes de convergencia del ingreso provincial en Indonesia: identificación y factores condicionantes

Sun, 19 Sep 2021 00:00:00 +0000

Restricciones de capital humano, dependencia espacial y regionalización en Bolivia: un enfoque de agrupamiento espacial

Thu, 05 Aug 2021 00:00:00 +0000

Convergencia del crecimiento económico regional y desbordamientos espaciales del crecimiento en tiempos de la pandemia de COVID-19 en Indonesia

Thu, 01 Jul 2021 00:00:00 +0000

Disparidades del ingreso regional, convergencia distribucional y efectos espaciales: evidencia de las regiones de Indonesia 2010-2017

Wed, 20 Jan 2021 00:00:00 +0000

Disparidades del ingreso regional y clubes de convergencia en Indonesia: nueva evidencia a nivel de distrito

Mon, 11 Jan 2021 00:00:00 +0000

Clubes de convergencia en la productividad laboral y sus fuentes próximas: evidencia de países desarrollados y en desarrollo

Tue, 17 Nov 2020 00:00:00 +0000

Promover tanto el desarrollo industrial como la convergencia regional: hacia una política industrial regionalmente inclusiva

Tue, 01 Sep 2020 00:00:00 +0000

Convergencia regional y dependencia espacial entre las regiones subnacionales de la ASEAN: evidencia de datos satelitales de luces nocturnas

Mon, 17 Aug 2020 00:00:00 +0000

Convergencia regional, escala espacial y dependencia espacial: evidencia de los homicidios y las lesiones personales en Colombia

Mon, 17 Aug 2020 00:00:00 +0000

Disparidades en la productividad regional, la acumulación de capital y la eficiencia en Indonesia: un enfoque de convergencia de clubes

Sun, 16 Aug 2020 00:00:00 +0000

Productividad laboral, acumulación de capital y eficiencia agregada entre países: nueva evidencia para un viejo debate

Tue, 25 Feb 2020 00:00:00 +0000

Convergencia de la eficiencia regional y conglomerados de eficiencia: evidencia de las provincias de Indonesia 1990-2010

Tue, 28 Jan 2020 00:00:00 +0000

Ausencia de convergencia global y formación de múltiples clubes de bienestar entre países: un enfoque de aprendizaje automático no supervisado

Wed, 17 Jul 2019 00:00:00 +0000

Divergencia de la productividad industrial y estructuras de redes insumo-producto: evidencia de Japón 1973-2012

Fri, 31 May 2019 00:00:00 +0000

Una comparación de estimaciones de la PTF mediante dinámica distribucional: evidencia de empresas de manufactura ligera en Brasil

Fri, 01 Mar 2019 00:00:00 +0000

Sobre la dinámica distribucional del desarrollo humano: evidencia de las regiones metropolitanas de Bolivia

Sat, 01 Dec 2018 00:00:00 +0000

¿Convergencia beta, sigma y distribucional en el desarrollo humano? Evidencia de las regiones metropolitanas de Bolivia

Tue, 06 Nov 2018 00:00:00 +0000

Restricciones a la inversión y ciclos de productividad en Bolivia

Thu, 01 Nov 2018 00:00:00 +0000

Crecimiento heterogéneo y (di)convergencia regional en Bolivia: un enfoque de dinámica distribucional

Fri, 01 Dec 2017 00:00:00 +0000

La distribución mundial de la productividad: patrones de convergencia y divergencia en la era de posguerra

Sun, 01 Nov 2015 00:00:00 +0000

Desarrollo divergente y desigual en América Latina: causas y desafíos de política

Thu, 01 Oct 2015 00:00:00 +0000

Ensayos sobre productividad agregada, cambio estructural y mala asignación

Mon, 27 Jul 2015 00:00:00 +0000

Sobre la brecha de desarrollo entre América Latina y Asia Oriental: bienestar, eficiencia y mala asignación

Tue, 03 Feb 2015 00:00:00 +0000