Carlos Mendez

Predecir y monitorizar el desarrollo local desde el espacio

Thu, 31 Dec 2026 00:00:00 +0000

Abra las diapositivas en pantalla completa — por Carlos Mendez. Presione M para el menú, F para pantalla completa y S para las notas del orador.

Desarrollo sostenible, tecnología espacial y ciencia de datos

Sun, 01 Nov 2026 00:00:00 +0000

Diapositivas por Carlos Mendez

La sede exacta y el horario se anunciarán próximamente.

Aprendizaje e investigación asistidos por IA: producción, verificación e integración de herramientas

Fri, 30 Oct 2026 00:00:00 +0000

Diapositivas por Carlos Mendez

Introducción a los métodos de datos de panel en Python

Fri, 02 Oct 2026 00:00:00 +0000

El teorema FWL: cómo hacer intuitivas las regresiones multivariadas

Mon, 28 Sep 2026 00:00:00 +0000

Sobre la geografía del desarrollo

Thu, 27 Aug 2026 00:00:00 +0000

Diapositivas por Carlos Mendez

Evaluación del impacto de la infraestructura: una guía introductoria a diferencias en diferencias con el puente Jamuna

Wed, 05 Aug 2026 00:00:00 +0000

Control sintético espacial bayesiano en Python: la Proposición 99 de California con scspill y mlsynth

Mon, 03 Aug 2026 00:00:00 +0000

La escalera del control sintético en Python: una guía completa de la librería mlsynth con el caso del Brexit

Sun, 02 Aug 2026 00:00:00 +0000

De diferencias en diferencias a diferencias en diferencias sintéticas: ¿cuánto le costó el Brexit al Reino Unido?

Fri, 31 Jul 2026 00:00:00 +0000

¿Quiénes son mis vecinos? Estimación bayesiana de matrices de pesos espaciales en R

Thu, 30 Jul 2026 00:00:00 +0000

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.

La ciencia de datos, la econometría y la investigación en la era de la IA

Tue, 21 Jul 2026 00:00:00 +0000

Abra las diapositivas en pantalla completa — por Carlos Mendez. Presione M para el menú, F para pantalla completa y S para las notas del orador.

Covariables en Diferencias en Diferencias: la prueba de LaLonde en Python

Thu, 16 Jul 2026 00:00:00 +0000

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.

La econometría aplicada y la investigación en la era de la IA

Tue, 23 Jun 2026 10:00:00 +0000

Diapositivas por Carlos Mendez

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).

Desigualdad regional desde el espacio exterior: predecir el PIB a partir de las luces nocturnas y construir índices de desigualdad en Python

Mon, 15 Jun 2026 00:00:00 +0000

Desigualdad espacial y la curva de Kuznets: estimaciones paramétricas y semiparamétricas en R

Sun, 14 Jun 2026 00:00:00 +0000

¿Funcionan los parques industriales? Evaluación de la política basada en lugares en Etiopía con diferencias en diferencias

Fri, 12 Jun 2026 00:00:00 +0000

Modelos dinámicos de datos de panel en Python: del sesgo de Nickell al GMM en sistema

Thu, 11 Jun 2026 00:00:00 +0000

Indonesia514

Wed, 10 Jun 2026 00:00:00 +0000

Indonesia514: un repositorio de ciencia de datos para estudiar el desarrollo regional en los 514 distritos de Indonesia

¡Bienvenido/a a Indonesia514! Este proyecto centraliza datos geoespaciales e indicadores económicos regionales —incluidos el PIB, la inversión y el gasto público— de los 514 distritos de Indonesia. Todos los conjuntos de datos comparten un identificador común, districtID, de modo que pueden fusionarse en una única tabla analítica.

Este repositorio está organizado para personas dedicadas a la investigación y a la ciencia de datos interesadas en:

Economía regional: medir el crecimiento, la formación de capital y la política fiscal a nivel distrital.
Análisis espacial: vincular los indicadores económicos con las geometrías de los distritos para la cartografía y la econometría espacial.
Flujos de trabajo reproducibles: transmitir conjuntos de datos abiertos directamente a Python mediante una única clave de unión.

⚙️ En desarrollo activo. Este repositorio es un borrador en etapa inicial. Los límites de los distritos están completos en formato GeoJSON y el sitio web bilingüe (inglés / bahasa indonesio) está disponible, pero los conjuntos de datos económicos contienen actualmente datos de muestra de 16 distritos: las series completas de los 514 distritos están pendientes. Los paneles interactivos y los cuadernos analíticos están planificados y aún no se han publicado.

💾 Conjuntos de datos

Conjuntos de datos curados y organizados en módulos, todos vinculados por un identificador único (districtID).

Conjunto de datos	Ruta del archivo	Descripción	Clave de unión
PIB	`/gdp/gdp.csv`	Producto interno bruto a nivel distrital (2010-2022).	`districtID`
GFCF	`/gfcf/gfcf.csv`	Formación bruta de capital fijo, una medida de la inversión (2010-2022).	`districtID`
Gasto público	`/gs/gs.csv`	Gasto público y distribución de la política fiscal (2010-2022).	`districtID`
Vector espacial	`/maps/mapIdonesia514tp.geojson`	Límites geométricos (polígonos) de los 514 distritos.	`districtID`

⚠️ Nota importante sobre los identificadores: la clave principal para unir todos los conjuntos de datos de este repositorio es districtID. Los archivos de PIB, GFCF y gasto público contienen actualmente una muestra de 16 distritos; se están añadiendo los datos completos de los 514 distritos. Trate siempre districtID de forma coherente (como int o string) en ambos dataframes antes de fusionarlos.

🐍 Inicio rápido

Transmita los conjuntos de datos directamente desde GitHub y fusiónelos por districtID con pandas. Puede ejecutar el código siguiente en un borrador de Google Colab en blanco, sin necesidad de configuración ni instalación.

import pandas as pd
# -----------------------------------------------------------------------------
# 1. SETUP: Define the raw GitHub URL to stream data directly into Pandas.
# -----------------------------------------------------------------------------
REPO_URL = "https://raw.githubusercontent.com/quarcs-lab/indonesia514/main"
# -----------------------------------------------------------------------------
# 2. LOAD: Read the economic CSVs.
# -----------------------------------------------------------------------------
df_gdp = pd.read_csv(f"{REPO_URL}/gdp/gdp.csv")
df_gfcf = pd.read_csv(f"{REPO_URL}/gfcf/gfcf.csv")
df_gs = pd.read_csv(f"{REPO_URL}/gs/gs.csv")
# -----------------------------------------------------------------------------
# 3. MERGE: Combine the indicators on the common district identifier.
# -----------------------------------------------------------------------------
df = pd.merge(df_gdp, df_gfcf[['districtID', 'gfcf_2022']], on='districtID')
df = pd.merge(df, df_gs[['districtID', 'gs_2022']], on='districtID')

📜 Cómo citar

Si utiliza este repositorio en su investigación, cítelo con los siguientes metadatos.

Formato APA

Mendez, C., Abdulah, R., Arvianto, B., & Leiva, F. (2026). Indonesia514: A data science repository to study regional development in Indonesia. GitHub. https://github.com/quarcs-lab/indonesia514

Formato BibTeX

@misc{indonesia5142026,
author = {Mendez, Carlos and Abdulah, Rusli and Arvianto, Bimo and Leiva, Favio},
title = {{Indonesia514}: A Data Science Repository to Study Regional Development in Indonesia},
year = {2026},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/quarcs-lab/indonesia514}}
}

Licencia

Este repositorio se distribuye bajo la Licencia MIT, que permite una amplia reutilización con la atribución adecuada.

🤝 Cómo contribuir

¡Las contribuciones son bienvenidas! Si va a añadir los datos completos de los distritos, corregir un problema con el sistema de referencia de coordenadas (CRS), crear un nuevo cuaderno o integrar indicadores nuevos, envíe un Pull Request.

¿Recuperarse mejor? Evaluación del impacto económico del tsunami de Aceh

Tue, 09 Jun 2026 00:00:00 +0000

El método de control sintético aumentado: un tutorial para principiantes con los recortes de impuestos de Kansas

Mon, 08 Jun 2026 00:00:00 +0000

Diferencias en diferencias sintéticas (SDID) en Stata: una reevaluación de la Proposición 99 de California

Sun, 07 Jun 2026 00:00:00 +0000

Diferencias en diferencias sintéticas con adopción escalonada (SDID) en Stata: cuotas de género y mujeres en el parlamento

Sun, 07 Jun 2026 00:00:00 +0000

Control sintético aumentado para múltiples países: un tutorial con augsynth

Fri, 05 Jun 2026 00:00:00 +0000

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

Doble LASSO en Python: ¿reduce el aborto la delincuencia?

Mon, 25 May 2026 00:00:00 +0000

Doble LASSO en Stata: ¿reduce el aborto la delincuencia?

Sun, 24 May 2026 00:00:00 +0000

Doble LASSO para inferencia causal: ¿reduce el aborto la delincuencia?

Thu, 21 May 2026 00:00:00 +0000

Diferencias en diferencias con microdatos geocodificados: cuando la distancia define el tratamiento

Mon, 18 May 2026 00:00:00 +0000

Diferencias en diferencias con datos regionales: ¿redujo la mortalidad la expansión de Medicaid?

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

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.

Impuestos al carbono y emisiones de CO2: un análisis de control sintético en Python

Fri, 15 May 2026 00:00:00 +0000

Seis formas de evaluar una política con R: estudios de caso comparados de la Proposición 99

Fri, 15 May 2026 00:00:00 +0000

Control sintético espacial bayesiano: la Proposición 99 de California en R

Thu, 14 May 2026 00:00:00 +0000

¿Causan las instituciones la prosperidad? Un tutorial de IV en Python

Sat, 09 May 2026 00:00:00 +0000

¿Las instituciones causan prosperidad? Un tutorial de IV en Stata

Fri, 08 May 2026 00:00:00 +0000

Aprendizaje automático causal y la maldición de los recursos con Python EconML

Thu, 07 May 2026 00:00:00 +0000

Aprendizaje automático causal y la maldición de los recursos con Stata 19

Wed, 06 May 2026 00:00:00 +0000

Guía para principiantes sobre inferencia causal con DoWhy en Python

Tue, 05 May 2026 00:00:00 +0000

Double Machine Learning con datos de planes 401(k): de los efectos de elegibilidad al análisis de cumplidores

Sun, 03 May 2026 00:00:00 +0000

MGWFER: coeficientes causales espacialmente variables mediante efectos fijos de panel

Sun, 03 May 2026 00:00:00 +0000

Aprendizaje automático causal para la evaluación de políticas: del ATE al IATE hacia una mejor regla de asignación

Fri, 01 May 2026 00:00:00 +0000

Efectos de tratamiento promedio condicionales (CATE) con Stata 19

Fri, 01 May 2026 00:00:00 +0000

Convergencia beta y sigma entre países: un tutorial de Stata

Wed, 29 Apr 2026 00:00:00 +0000

Convergiendo hacia la convergencia: comprender las ideas principales de la literatura sobre convergencia

Wed, 29 Apr 2026 00:00:00 +0000

Efectos de tratamiento en Stata: un recorrido para principiantes por seis estimadores con el caso del tabaquismo materno y el peso al nacer

Wed, 29 Apr 2026 00:00:00 +0000

Control sintético básico con R: el estudio de caso del País Vasco

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

Datos de panel dinámicos con el GMM de Arellano-Bond en Stata: el efecto de la guerra sobre el crecimiento económico

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

Desigualdad regional y la curva de Kuznets: efectos fijos de panel en Python

Mon, 27 Apr 2026 00:00:00 +0000

Introducción a Diferencias en Diferencias (DiD) en Python

Mon, 27 Apr 2026 00:00:00 +0000

El método del control sintético en Stata: ¿la Proposición 99 de California redujo el tabaquismo?

Sun, 26 Apr 2026 00:00:00 +0000

Estimación IV con datos de panel: choques económicos y conflicto civil

Sun, 26 Apr 2026 00:00:00 +0000

Introducción a las diferencias en diferencias (DiD) en Stata

Sat, 25 Apr 2026 00:00:00 +0000

Diseño de regresión discontinua (RDD) en Stata: cómo evaluar un programa de tutorías

Thu, 23 Apr 2026 00:00:00 +0000

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

Cómo identificar estructuras de grupos latentes en datos de panel: el comando classifylasso en Stata

Sat, 04 Apr 2026 00:00:00 +0000

¿Qué hace realmente TWFE? Centrado manual y el teorema FWL

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

Errores estándar en datos de panel: una guía para principiantes en Python

Tue, 31 Mar 2026 00:00:00 +0000

BMA dinámico de panel: ¿qué factores impulsan realmente el crecimiento económico?

Sun, 29 Mar 2026 00:00:00 +0000

Cómo domar la incertidumbre de los modelos en la curva de Kuznets ambiental: BMA y LASSO de doble selección con datos de panel

Sun, 29 Mar 2026 00:00:00 +0000

Cómo visualizar la regresión con el teorema FWL en Stata

Fri, 27 Mar 2026 00:00:00 +0000

Modelos de datos de panel dinámicos espaciales en R: la demanda de cigarrillos en los estados de EE. UU.

Fri, 27 Mar 2026 00:00:00 +0000

Paneles dinámicos espaciales con factores comunes en Stata: el riesgo de crédito en la banca de EE. UU.

Fri, 27 Mar 2026 00:00:00 +0000

Visualizando la regresión con el teorema FWL en R

Fri, 27 Mar 2026 00:00:00 +0000

Análisis de sensibilidad de las tendencias paralelas en diferencias en diferencias con HonestDiD en Stata

Thu, 26 Mar 2026 00:00:00 +0000

Diferencias en diferencias para la evaluación de políticas: un tutorial usando R

Thu, 26 Mar 2026 00:00:00 +0000

Cómo evaluar un programa de transferencias monetarias (RCT) con datos de panel en Stata

Tue, 24 Mar 2026 00:00:00 +0000

Tres métodos para la selección robusta de variables: BMA, LASSO y WALS

Mon, 23 Mar 2026 00:00:00 +0000

Análisis Exploratorio de Datos Espaciales: clústeres y dinámica espacial del desarrollo humano en Sudamérica

Sun, 22 Mar 2026 00:00:00 +0000

Control sintético con intervalos de predicción: cuantificando la incertidumbre en el impacto de la reunificación alemana

Sun, 22 Mar 2026 00:00:00 +0000

Regresión geográficamente ponderada multiescala: convergencia económica espacialmente variable en Indonesia

Sun, 22 Mar 2026 00:00:00 +0000

Introducción al análisis PCA para construir indicadores de desarrollo

Sat, 21 Mar 2026 00:00:00 +0000

PCA agrupado para construir indicadores de desarrollo a lo largo del tiempo

Sat, 21 Mar 2026 00:00:00 +0000

Regresión con efectos fijos de alta dimensión: una introducción en Python

Fri, 20 Mar 2026 00:00:00 +0000

Introducción a Diferencias en Diferencias en Python

Thu, 19 Mar 2026 00:00:00 +0000

Introducción a la identificación parcial: acotación de efectos causales bajo confusión no medida

Fri, 13 Mar 2026 00:00:00 +0000

Introducción a la inferencia causal: el enfoque DoWhy con el conjunto de datos Lalonde

Thu, 12 Mar 2026 00:00:00 +0000

Introducción a la inferencia causal: Double Machine Learning

Tue, 10 Mar 2026 00:00:00 +0000

Introducción al aprendizaje automático: regresión con Random Forest

Tue, 10 Mar 2026 00:00:00 +0000

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

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.

Paneles GeoDevelopment

Sun, 18 Jan 2026 00:00:00 +0000

Series temporales mensuales localizadas de luces nocturnas (tipo VIIRS) 1992-2024 Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Series temporales mensuales regionales de luces nocturnas (tipo VIIRS) 1992-2024 Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Series temporales anuales localizadas de luces nocturnas (tipo VIIRS) 1992-2024 Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Series temporales anuales regionales de luces nocturnas (tipo VIIRS) 1992-2024 Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Series temporales anuales localizadas de luces nocturnas (tipo DMSP) 1992-2025 Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Series temporales anuales regionales de luces nocturnas (tipo DMSP) 1992-2025 Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Vista dividida de las luces nocturnas (tipo DMSP) en todo el mundo 1992-2025 Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Dinámica espacio-temporal de la población, la luminosidad, la cobertura del suelo y el PIB en Camboya (2013-2019) Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

Explorando las disparidades regionales en Japón: comparación multiescala del PIB per cápita (1990–2022) Kanyama, Y., & Mendez, C. (2026). Aplicación de Google Earth Engine. Acceder a la app

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.

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.

Los estudios del desarrollo en la era de la IA

Thu, 18 Sep 2025 14:00:00 +0000

Diapositivas por Carlos Mendez

Fuente: https://bit.ly/gdo-cambodia

Observatorio de GeoDesarrollo de Camboya

Mon, 15 Sep 2025 00:00:00 +0000

Cómo citar este proyecto:

Mendez C., Khoun T., Poortinga A. (2025) GeoDevelopment Observatory of Cambodia.https://bit.ly/gdo-cambodia

El Observatorio de GeoDesarrollo (GDO) de Camboya ofrece una plataforma de acceso público para el análisis, el seguimiento y la evaluación del desarrollo regional sostenible. El observatorio integra indicadores ambientales, sociales y económicos —denominados Indicadores de GeoDesarrollo— recopilados a partir de imágenes satelitales, encuestas de campo y registros administrativos. Estos conjuntos de datos multidimensionales se analizan mediante cuadernos computacionales potenciados con IA y aplicaciones web especializadas dentro del marco de Herramientas de GeoDesarrollo. Los análisis técnicos se convierten luego en Perspectivas de GeoDesarrollo, que presentan los datos en formatos accesibles para distintos grupos de usuarios. Las personas investigadoras utilizan la plataforma para realizar análisis empíricos, quienes toman decisiones acceden a ella para el diseño y la implementación de políticas, y la ciudadanía la consulta para comprender los patrones de desarrollo en sus regiones. Este enfoque sistemático facilita la transformación de datos de sostenibilidad complejos en información útil para monitorear el progreso, evaluar intervenciones e informar las políticas de desarrollo regional sostenible.

Diapositivas por Carlos Mendez

Fuente: https://bit.ly/gdo-cambodia

Contribuya y deje sus comentarios en https://github.com/gdo-cambodia

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

Cuadernos y aplicaciones de ciencia de datos computacional para los estudios del desarrollo

Tue, 08 Apr 2025 00:00:00 +0000

Cómo citar este proyecto:

Mendez C. (2025) Computational Data Science Notebooks and Apps for Development Studies. Zenodo https://doi.org/10.5281/zenodo.15250204

Contribuya y deje sus comentarios en https://github.com/cmg777/ds4ds

Estadística y econometría básicas

Mendez C. (2024) Introducción a la ciencia de datos con Python usando Gapminder
Mendez C. (2025) Introducción a las diferencias y relaciones estadísticas con Python
Mendez C. (2025) La estadística trata de diferencias, relaciones y predicciones
Mendez C. (2024) Estadística descriptiva y mapeo multifrontera con Python
Mendez C. (2025) Usar regresiones para explorar relaciones con Python

Crecimiento y desarrollo económico

Mendez C. (2025) Introducción a las ecuaciones de crecimiento con Python
Mendez C. & Leiva F. (2023) El modelo de crecimiento de Solow y su predicción de convergencia con Python
Mendez C. (2023) El modelo de crecimiento de Solow y su predicción de convergencia con R
Mendez C. (2021) Clubes de convergencia en la productividad laboral y sus fuentes próximas con R

Análisis exploratorio de datos

Mendez C. (2024) Análisis exploratorio de datos espaciales del desarrollo municipal en Bolivia con Python

Inferencia causal

Mendez C. (2025) Introducción a los grafos acíclicos dirigidos (DAG) con R
Mendez C. (2024) Efectos heterogéneos del tratamiento mediante DID en dos etapas con R
Mendez C. (2025) Explorador de control sintético: estime contrafactuales con combinaciones ponderadas de unidades de control

Aprendizaje automático

Mendez C. (2025) Aprendizaje automático introductorio para econometría: explorando la ecuación de Mincer en Python
Mendez C. (2025) Una aplicación interactiva para aprender gráficos SHAP con predicciones de XGBoost

Econometría espacial

Por anunciar
Por anunciar

Econometría bayesiana

Por anunciar
Por anunciar

Ingeniería de variables y geocomputación

Mendez C. (2025) Dinámica regional del PIB basado en luminosidad con Google Earth Engine
Por anunciar

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

Dinámica regional de las luces nocturnas DMSP-like 1992-2019

Fri, 14 Mar 2025 00:00:00 +0000

Dinámica regional de las luces nocturnas VIIRS-like 1992-2023

Fri, 14 Mar 2025 00:00:00 +0000

Dinámica regional del PIB basado en luminosidad 1992-2019

Fri, 14 Mar 2025 00:00:00 +0000

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

Monitorizar el desarrollo local desde el espacio

Wed, 13 Nov 2024 10:10:00 +0000

Diapositivas por Carlos Mendez

Seminario internacional e interdisciplinario: integración de datos satelitales y socioeconómicos para el monitoreo del desarrollo sostenible en Camboya

Tue, 17 Sep 2024 00:00:00 +0000

Monitorizar el desarrollo económico desde el espacio

Wed, 04 Sep 2024 10:10:00 +0000

Diapositivas por Carlos Mendez

Explorar la actividad económica desde el espacio

Tue, 27 Aug 2024 10:10:00 +0000

Diapositivas por Carlos Mendez

Accede al cuaderno computacional AQUÍ.

Luces nocturnas y actividad económica

Mon, 26 Aug 2024 10:10:00 +0000

Diapositivas por Carlos Mendez

Efectos de tratamiento heterogéneos con el DID en dos etapas

Mon, 29 Jul 2024 00:00:00 +0000

Monitoreo del desarrollo regional en países con escasez de datos

Tue, 14 May 2024 16:00:00 +0000

Monitoreo del desarrollo en países con escasez de datos por Carlos Mendez

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 espacio-temporal de las luces nocturnas: datos VIIRS-annual

Mon, 01 Apr 2024 00:00:00 +0000

Dinámica espacio-temporal de las luces nocturnas: datos VIIRS-like

Mon, 01 Apr 2024 00:00:00 +0000

Análisis Exploratorio de Datos Espaciales (ESDA)

Fri, 01 Mar 2024 00:00:00 +0000

Dinámica espacio-temporal de las luces nocturnas: datos DMSP-corrected

Fri, 01 Mar 2024 00:00:00 +0000

Dinámica espacio-temporal de las luces nocturnas: datos DMSP-extended

Fri, 01 Mar 2024 00:00:00 +0000

Dinámica espacio-temporal de las luces nocturnas: datos DMSP-like

Fri, 01 Mar 2024 00:00:00 +0000

Estudio de la heterogeneidad espacial

Sat, 23 Dec 2023 00:00:00 +0000

Mapeo de la pobreza multidimensional en Camboya

Fri, 15 Dec 2023 16:00:00 +0000

Construir y exportar estructuras de conectividad espacial (W)

Sat, 02 Dec 2023 00:00:00 +0000

Regresión espacial de corte transversal en Stata: la delincuencia en los barrios de Columbus

Fri, 01 Dec 2023 00:00:00 +0000

Regresión espacial de panel en Stata: la demanda de cigarrillos en los estados de EE. UU.

Fri, 01 Dec 2023 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

La luminosidad regional a través de la óptica del modelo de Solow espacial

Mon, 09 Oct 2023 08:45:00 +0000

Monitoreo del desarrollo humano subnacional

Sun, 24 Sep 2023 00:00:00 +0000

Clubes de convergencia

Sun, 03 Sep 2023 00:00:00 +0000

DiD escalonado (Ej1)

Sun, 03 Sep 2023 00:00:00 +0000

DiD escalonado

Sat, 02 Sep 2023 00:00:00 +0000

Ley de Okun regional, endogeneidad y efectos heterogéneos

Tue, 29 Aug 2023 10:10:00 +0000

Explorando la actividad económica desde el espacio exterior

Mon, 28 Aug 2023 10:10:00 +0000

Diapositivas por Carlos Mendez

Acceda al cuaderno computacional AQUÍ.

Dinámica de la desigualdad espacial

Sun, 27 Aug 2023 00:00:00 +0000

Monitoreo del desarrollo regional sostenible

Sat, 26 Aug 2023 00:00:00 +0000

El modelo de crecimiento de Solow y su predicción de convergencia

Sat, 29 Jul 2023 00:00:00 +0000

Efectos causales de un impuesto al CO2

Sat, 01 Apr 2023 00:00:00 +0000

Luminosidad regional y actividad económica en Java

Sat, 08 Oct 2022 08:45:00 +0000

Convergencia del ingreso regional y factores condicionantes en Turquía

Tue, 23 Aug 2022 10:10:00 +0000

Variación geoespacial del desarrollo

Fri, 19 Aug 2022 14:45:00 +0000

Clubes de desigualdad regional en Filipinas

Mon, 01 Aug 2022 10:10:00 +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 regionales y convergencia heterogénea en Indonesia

Fri, 28 May 2021 17:30:00 +0000

Disparidades regionales y convergencia heterogénea en Indonesia

Fri, 28 May 2021 10:10:00 +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

Convergencia regional y dependencia espacial entre las regiones subnacionales de la ASEAN

Sun, 13 Dec 2020 16:10:00 +0000

Así que quiere que sea su asesor académico...

Sun, 13 Dec 2020 00:00:00 +0000

Desigualdad nacional y subnacional en África

Sun, 06 Dec 2020 00:00:00 +0000

Disparidades del desarrollo humano y convergencia entre los distritos de Indonesia

Sat, 28 Nov 2020 13:00:00 +0000

Disparidades del ingreso regional y clubes de convergencia en Indonesia

Fri, 20 Nov 2020 11:10:00 +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

Disparidades económicas y sociales entre las regiones subnacionales de América del Sur

Sun, 15 Nov 2020 11:10:00 +0000

Disparidades regionales del ingreso, convergencia distribucional y efectos espaciales

Sat, 14 Nov 2020 11:10:00 +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

Diferencias de productividad y clubes de convergencia en América Latina

Tue, 28 Jul 2020 11:10:00 +0000

Mesa redonda

Sun, 08 Mar 2020 09:00:00 +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

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

Sat, 23 Nov 2019 09:00:00 +0000

Diferencias de productividad y clubes de convergencia en América Latina

Sat, 16 Nov 2019 11:10:00 +0000

Eficiencia insumo-producto y clústeres de convergencia regional

Sat, 14 Sep 2019 10:45:00 +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

Dispersión de la eficiencia regional, convergencia y clústeres de eficiencia

Sun, 16 Jun 2019 14:40:00 +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

Cómo usar predicciones marginales

Mon, 01 Apr 2019 00:00:00 +0000

DiD básico

Mon, 01 Apr 2019 00:00:00 +0000

Introducción a la ciencia de datos espaciales

Mon, 01 Apr 2019 00:00:00 +0000

Our World in Data

Mon, 01 Apr 2019 00:00:00 +0000

Eficiencia ambiental y clústeres de convergencia regional en Japón

Mon, 18 Mar 2019 12:30:00 +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

Diapositivas

Tue, 05 Feb 2019 00:00:00 +0000

Cree diapositivas en Markdown con Wowchemy

Wowchemy | Documentación

Características

Escriba diapositivas de forma eficiente en Markdown
3 en 1: cree, presente y publique sus diapositivas
Admite notas del orador
Diapositivas adaptadas a dispositivos móviles

Controles

Siguiente: Right Arrow o Space
Anterior: Left Arrow
Inicio: Home
Fin: End
Vista general: Esc
Notas del orador: S
Pantalla completa: F
Zoom: Alt + Click
Exportar a PDF: E

Resaltado de código

Código en línea: variable

Bloque de código:

porridge = "blueberry"
if porridge == "blueberry":
print("Eating...")

Matemáticas

Matemáticas en línea: $x + y = z$

Matemáticas en bloque:

$$ f\left( x \right) = ;\frac{{2\left( {x + 4} \right)\left( {x - 4} \right)}}{{\left( {x + 4} \right)\left( {x + 1} \right)}} $$

Fragmentos

Haga que el contenido aparezca de forma incremental

{{% fragment %}} Uno {{% /fragment %}}
{{% fragment %}} **Dos** {{% /fragment %}}
{{% fragment %}} Tres {{% /fragment %}}

¡Presione Space para reproducir!

Uno **Dos** Tres

Un fragmento admite dos parámetros opcionales:

class: use un estilo personalizado (requiere definición en CSS personalizado)
weight: define el orden en que aparece un fragmento

Notas del orador

Agregue notas del orador a su presentación

{{% speaker_note %}}
- Only the speaker can read these notes
- Press `S` key to view
{{% /speaker_note %}}

¡Presione la tecla S para ver las notas del orador!

Temas

black: fondo negro, texto blanco, enlaces azules (predeterminado)
white: fondo blanco, texto negro, enlaces azules
league: fondo gris, texto blanco, enlaces azules
beige: fondo beige, texto oscuro, enlaces marrones
sky: fondo azul, texto oscuro fino, enlaces azules

night: fondo negro, texto blanco grueso, enlaces naranjas
serif: fondo capuchino, texto gris, enlaces marrones
simple: fondo blanco, texto negro, enlaces azules
solarized: fondo color crema, texto verde oscuro, enlaces azules

Diapositiva personalizada

Personalice el estilo y el fondo de la diapositiva

{{< slide background-image="/media/boards.jpg" >}}
{{< slide background-color="#0000FF" >}}
{{< slide class="my-style" >}}

Ejemplo de CSS personalizado

Hagamos que los encabezados sean de color azul marino.

Cree assets/css/reveal_custom.css con:

.reveal section h1,
.reveal section h2,
.reveal section h3 {
color: navy;
}

¿Preguntas?

Preguntar

Documentación

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

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

Sobre la dinámica de distribución del desarrollo humano

Fri, 23 Nov 2018 09:00:00 +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

Egresados

Mon, 01 Jan 0001 00:00:00 +0000