Libros | Carlos Mendez

Ciencia de datos y modelos macroeconómicos

Sat, 17 Oct 2026 00:00:00 +0000

¿Por qué ha mejorado tanto el nivel de vida y por qué algunos países siguen siendo mucho más ricos que otros? ¿Qué ocurre con la producción, el desempleo y la inflación durante una recesión? Ciencia de datos y modelos macroeconómicos aborda estas preguntas poniendo datos reales y modelos operativos al alcance del lector.

Este libro abierto en línea de Carlos Mendez, cuyo título original es Data Science and Macroeconomic Models: An AI-powered Python companion to intermediate macroeconomics, acompaña con Python a Macroeconomics (2024), de Charles I. Jones. Sus 21 capítulos siguen los títulos y el orden del texto de Jones, mientras que ocho apéndices avanzan desde las herramientas prácticas hasta el crecimiento económico y la estimación avanzada de modelos. Puede leer el razonamiento económico en Jones y después utilizar el cuaderno correspondiente para investigar la evidencia y explorar el modelo. Es un complemento independiente, con código y gráficos propios, sin afiliación ni respaldo del autor o de la editorial del texto.

El ciclo del libro

El prefacio parte de una idea sencilla: las explicaciones económicas deben responder a los hechos. Un patrón general que persiste entre países o a lo largo del tiempo se convierte en un hecho estilizado, algo que un modelo útil debe ayudar a explicar. Estos patrones pueden revisarse cuando aparecen nuevos datos o cambia la muestra.

Cada capítulo recorre el mismo ciclo de aprendizaje: datos → exploración → hechos estilizados → modelo → comparación con los datos → revisión. Los tres primeros pasos desarrollan las habilidades de ciencia de datos necesarias para encontrar un patrón. Los tres siguientes evalúan si un modelo puede explicarlo. Una discrepancia conduce de nuevo a los datos con una pregunta más precisa o al modelo con una explicación mejor.

Figura original del ciclo de aprendizaje del prefacio: el azul representa la ciencia de datos y el verde la modelización macroeconómica. Abra la figura a tamaño completo. Fuente: prefacio del libro · CC BY-NC 4.0.

El objetivo es aprender tanto de los aciertos de un modelo como de sus límites. El modelo de Solow, por ejemplo, ayuda a explicar las diferencias de prosperidad, mientras que la economía de las ideas aborda el crecimiento sostenido. En el apéndice G, la comparación se convierte en estimación: los datos permiten elegir parámetros y evaluar el ajuste del modelo.

Qué puede hacer

Investigar los datos. Consulte observaciones, amplíe un período, compare países y cambie variables. Las fuentes públicas incluyen FRED, el Banco Mundial, el FMI, la OCDE y la Penn World Table; el apéndice B explica cómo obtener los datos por su cuenta.
Explorar los modelos. Mueva controles deslizantes para cambiar parámetros, introduzca un choque o edite una ecuación en Python. Explore la producción y el crecimiento, el mercado laboral y la inflación, la política monetaria, las crisis financieras y las relaciones entre las economías nacionales e internacionales.
Ver juntos el razonamiento y el código. Los capítulos construyen un modelo desde sus supuestos hasta sus predicciones y después presentan gráficos con un objetivo, el código que los genera y orientaciones para interpretarlos. Los ejercicios «Su turno» invitan a modificar los datos o el modelo e interpretar el resultado.
Usar la IA con criterio. Un asistente puede explicar o modificar código, pero un programa que funciona puede responder a la pregunta económica equivocada. El prefacio invita a comprobar los resultados y evaluar la evidencia personalmente.

Cómo estudiar un capítulo

Lea el capítulo correspondiente de Jones para conocer el argumento económico y abra después el capítulo del libro que aparece abajo para explorar el modelo y los gráficos interactivos.
Siga el enlace al cuaderno en Google Colab y seleccione Runtime → Run all. Ejecute el código, cambie parámetros y realice los ejercicios. Los capítulos principales no requieren instalación local.
Utilice las diapositivas del capítulo para una clase o un repaso estructurado del mismo material. Los enlaces siguientes abren las presentaciones reales de cada capítulo.
Compare las predicciones del modelo con los datos y explique qué cambió. Si está comenzando con Python, empiece por el apéndice A; consulte el apéndice C cuando necesite repasar matemáticas.

Capítulos, cuadernos computacionales y diapositivas

Los recursos siguen la misma progresión que el libro. El título abre el capítulo para lectura en línea; Colab abre el cuaderno computacional ejecutable; Diapositivas abre la presentación de clase. Los materiales enlazados están en inglés.

Fundamentos: capítulos 1–2

Comience por las preguntas de la macroeconomía y las herramientas para medir la economía.

Capítulo	Cuaderno	Diapositivas
1. Introducción a la macroeconomía	Colab	Diapositivas
2. Medición de la macroeconomía	Colab	Diapositivas

El largo plazo: capítulos 3–8

Estudie la producción, la acumulación de capital, las ideas, el mercado laboral y la inflación para comprender la prosperidad a largo plazo.

Capítulo	Cuaderno	Diapositivas
3. Panorama del crecimiento económico a largo plazo	Colab	Diapositivas
4. Un modelo de producción	Colab	Diapositivas
5. El modelo de crecimiento de Solow	Colab	Diapositivas
6. Crecimiento e ideas	Colab	Diapositivas
7. El mercado laboral, los salarios y el desempleo	Colab	Diapositivas
8. Inflación	Colab	Diapositivas

El corto plazo: capítulos 9–15

Explore las fluctuaciones, las crisis y la política de estabilización, desde la curva IS hasta los modelos de equilibrio general dinámico estocástico.

Capítulo	Cuaderno	Diapositivas
9. Introducción al corto plazo	Colab	Diapositivas
10. La Gran Recesión y la pandemia de COVID-19: una primera mirada	Colab	Diapositivas
11. La curva IS	Colab	Diapositivas
12. Política monetaria y curva de Phillips	Colab	Diapositivas
13. Política de estabilización y marco de oferta y demanda agregadas	Colab	Diapositivas
14. Crisis financieras y modelo de corto plazo	Colab	Diapositivas
15. Modelos DSGE: la frontera de la investigación sobre ciclos económicos	Colab	Diapositivas

Aplicaciones y fundamentos microeconómicos: capítulos 16–20

Conecte los modelos con las decisiones de los hogares y las empresas, la política pública, el comercio y las finanzas internacionales.

Capítulo	Cuaderno	Diapositivas
16. Consumo	Colab	Diapositivas
17. Inversión	Colab	Diapositivas
18. El gobierno y la macroeconomía	Colab	Diapositivas
19. Comercio internacional	Colab	Diapositivas
20. Tipos de cambio y finanzas internacionales	Colab	Diapositivas

Mirando hacia adelante: capítulo 21

Considere lo que ha aprendido la macroeconomía y las preguntas que siguen abiertas.

Capítulo	Cuaderno	Diapositivas
21. Reflexiones finales	Colab	Diapositivas

Ocho apéndices: herramientas, crecimiento económico y modelos DSGE

Los apéndices siguen ahora tres rutas de aprendizaje complementarias:

Herramientas (A–C). Comience con Colab, Python y sus bibliotecas de ciencia de datos; aprenda a obtener datos macroeconómicos; y repase las matemáticas mediante cálculos en Python.
Crecimiento económico (D–F). Utilice la Penn World Table para descomponer el crecimiento del PIB y las brechas de ingreso en contribuciones del capital, el trabajo y la productividad. Explore si los países más pobres alcanzan a los más ricos mediante medidas de convergencia; después incorpore capital humano al modelo de Solow y replique el análisis entre países de Mankiw, Romer y Weil (1992).
Modelos DSGE (G–H). Escriba, resuelva y estime modelos macroeconómicos con Snowdrop. El apéndice G incluye la estimación por máxima verosimilitud y métodos bayesianos del modelo neokeynesiano de Ireland (2004) con datos de Estados Unidos. El apéndice H resuelve el modelo estimado de Smets–Wouters y vuelve a calcular las funciones de impulso-respuesta del capítulo 15.

El apéndice B instala sus bibliotecas de datos adicionales en la primera celda de código; G y H instalan Snowdrop en esa celda. Los ocho apéndices cuentan ahora con cuadernos computacionales y diapositivas de clase.

Capítulo	Cuaderno	Diapositivas
A. Google Colab, programación en Python y bibliotecas de ciencia de datos	Colab	Diapositivas
B. Acceso a datos macroeconómicos con Python	Colab	Diapositivas
C. Repaso de matemáticas para macroeconomía	Colab	Diapositivas
D. Contabilidad del crecimiento y del desarrollo	Colab	Diapositivas
E. Crecimiento y convergencia entre países	Colab	Diapositivas
F. Modelo de crecimiento de Solow ampliado	Colab	Diapositivas
G. Modelización DSGE con Python	Colab	Diapositivas
H. El modelo DSGE de Smets y Wouters	Colab	Diapositivas

A quién se dirige

El libro está dirigido a estudiantes de grado y maestría, autodidactas, personas que aprenden ciencia de datos y buscan aplicaciones económicas, y economistas que desean experiencia práctica con Python. No se requieren conocimientos previos de programación. Quienes se interesen por el crecimiento económico pueden explorar los apéndices D–F, mientras que G–H conectan los modelos macroeconómicos con su solución y estimación.

Comience por el prefacio, elija uno de los capítulos anteriores o empiece por el apéndice A si los cuadernos computacionales son nuevos para usted.

Métricas causales comparativas

Sun, 17 May 2026 00:00:00 +0000

¡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

Parte II — Adopción escalonada

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.

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

📓 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.

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

Ensayos sobre productividad agregada, cambio estructural y mala asignación

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