https://carlos-mendez.org/es/publication-type/5/5Wowchemy (https://wowchemy.com)es-es© 2018–2026 Carlos Mendez. Todos los derechos reservados.Mon, 26 Jan 2026 00:00:00 +0000https://carlos-mendez.org/media/icon_huedfae549300b4ca5d201a9bd09a3ecd5_79625_512x512_fill_lanczos_center_3.pnghttps://carlos-mendez.org/es/publication-type/5/https://carlos-mendez.org/es/books/metricsai/Mon, 26 Jan 2026 00:00:00 +0000https://carlos-mendez.org/es/books/metricsai/<h1 id="-econometría-impulsada-por-la-ia">🤖 Econometría impulsada por la IA</h1> <p><strong>Una introducción mediante cuadernos de Python en la nube</strong> <img src="https://raw.githubusercontent.com/quarcs-lab/metricsai/main/images/ch00_visual_summary.jpg" alt="Chapter 0 visual summary" style="max-width: 100%; height: auto;"></p> <hr> <h2 id="-visión">🚀 Visión</h2> <ul> <li>🤖 La econometría en la era de la IA</li> <li>☁️ Aprendizaje interactivo en la nube</li> <li>📊 Datos reales, preguntas económicas reales</li> </ul> <p>El aprendizaje de la econometría se replantea como un proceso activo, computacional y asistido por la IA que preserva el rigor teórico.</p> <hr> <h2 id="-por-qué-repensar-la-enseñanza-de-la-econometría">🧠 ¿Por qué repensar la enseñanza de la econometría?</h2> <ul> <li>📖 Manuales pasivos</li> <li>💻 Altas barreras técnicas</li> <li>🔗 Brecha entre la teoría y su implementación</li> </ul> <p>Los enfoques tradicionales a menudo retrasan el análisis de datos significativo y dificultan la comprensión conceptual.</p> <hr> <h2 id="-el-enfoque-del-libro">🔄 El enfoque del libro</h2> <ul> <li>🧱 Conceptos fundamentales</li> <li>🧪 Cuadernos computacionales</li> <li>🤖 Aprendizaje potenciado por la IA</li> </ul> <p>Un sistema de tres pilares integra la teoría, la programación y la IA para crear un ecosistema de aprendizaje activo.</p> <hr> <h2 id="-pilar-1-conceptos-fundamentales">📘 Pilar 1: Conceptos fundamentales</h2> <ul> <li>📚 Basado en Cameron (2022)</li> <li>📐 Teoría econométrica rigurosa</li> <li>🌍 Enfoque aplicado y real</li> </ul> <p>La estructura y el contenido se ajustan a la práctica econométrica y de investigación estándar.</p> <hr> <h2 id="-estructura">🗂️ Estructura</h2> <ul> <li>🧮 Fundamentos estadísticos</li> <li>📉 Regresión bivariante</li> <li>📊 Regresión múltiple</li> <li>🔬 Temas avanzados</li> </ul> <p>Diecisiete capítulos avanzan de forma sistemática desde los fundamentos hasta los métodos empíricos modernos.</p> <hr> <h2 id="-pilar-2-cuadernos-computacionales">☁️ Pilar 2: Cuadernos computacionales</h2> <ul> <li>🚫 Sin instalación</li> <li>🧑‍💻 Google Colab</li> <li>🌐 Acceso desde cualquier dispositivo</li> </ul> <p>Cada capítulo se acompaña de un cuaderno interactivo de Python.</p> <hr> <h2 id="-stack-moderno-de-python">🧰 Stack moderno de Python</h2> <ul> <li>🐼 Manipulación de datos</li> <li>📐 Modelización econométrica</li> <li>📊 Visualización</li> </ul> <p>El alumnado aprende herramientas ampliamente utilizadas y transferibles para la investigación empírica.</p> <hr> <h2 id="-aprender-programando">🔁 Aprender programando</h2> <ul> <li>✏️ Modificar y volver a ejecutar el código</li> <li>⚡ Retroalimentación inmediata</li> <li>🔍 Experimentación activa</li> </ul> <p>La comprensión se desarrolla mediante la interacción directa con los datos y los modelos.</p> <hr> <h2 id="-pilar-3-aprendizaje-potenciado-por-la-ia">🤖 Pilar 3: Aprendizaje potenciado por la IA</h2> <ul> <li>🖼️ Resúmenes visuales</li> <li>📑 Diapositivas generadas por IA</li> <li>🎙️ Pódcast y cuestionarios</li> </ul> <p>Múltiples modalidades refuerzan el aprendizaje y se adaptan a distintas preferencias.</p> <hr> <h2 id="-uso-responsable-de-la-ia">⚖️ Uso responsable de la IA</h2> <ul> <li>🧠 La IA apoya el pensamiento, no lo reemplaza</li> <li>🔍 La verificación es esencial</li> <li>📘 La teoría sigue siendo central</li> </ul> <p>La IA mejora la comprensión, pero no sustituye al razonamiento econométrico.</p> <hr> <h2 id="-sistema-de-aprendizaje-de-tres-componentes">🔗 Sistema de aprendizaje de tres componentes</h2> <ul> <li>📕 Este libro</li> <li>🌐 El sitio web metricsAI</li> <li>📘 El manual de Cameron</li> </ul> <p>En conjunto, conforman un entorno de aprendizaje completo y coherente.</p> <hr> <h2 id="-conclusión">🎓 Conclusión</h2> <ul> <li>📊 La econometría a través de la computación</li> <li>🤖 Potenciada por la IA</li> <li>🌍 Accesible y rigurosa</li> </ul> <hr> <h2 id="-cuadernos-interactivos-de-google-colab">📓 Cuadernos interactivos de Google Colab</h2> <p>Haga clic en cualquier insignia de abajo para abrir y ejecutar al instante en su navegador:</p> <h3 id="parte-i-fundamentos-estadísticos">Parte I: Fundamentos estadísticos</h3> <table> <thead> <tr> <th>Capítulo</th> <th>Título</th> <th>Cuaderno de Colab</th> </tr> </thead> <tbody> <tr> <td><strong>1</strong></td> <td>Análisis de datos económicos</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch01_Analysis_of_Economics_Data.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>2</strong></td> <td>Resumen de datos univariantes</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch02_Univariate_Data_Summary.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>3</strong></td> <td>La media muestral</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch03_The_Sample_Mean.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>4</strong></td> <td>Inferencia estadística sobre la media</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch04_Statistical_Inference_for_the_Mean.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> </tbody> </table> <h3 id="parte-ii-regresión-bivariante">Parte II: Regresión bivariante</h3> <table> <thead> <tr> <th>Capítulo</th> <th>Título</th> <th>Cuaderno de Colab</th> </tr> </thead> <tbody> <tr> <td><strong>5</strong></td> <td>Resumen de datos bivariantes</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch05_Bivariate_Data_Summary.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>6</strong></td> <td>El estimador de mínimos cuadrados</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch06_The_Least_Squares_Estimator.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>7</strong></td> <td>Inferencia estadística para la regresión bivariante</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch07_Statistical_Inference_for_Bivariate_Regression.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>8</strong></td> <td>Estudios de caso de regresión bivariante</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch08_Case_Studies_for_Bivariate_Regression.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>9</strong></td> <td>Modelos con logaritmos naturales</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch09_Models_with_Natural_Logarithms.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> </tbody> </table> <h3 id="parte-iii-regresión-múltiple">Parte III: Regresión múltiple</h3> <table> <thead> <tr> <th>Capítulo</th> <th>Título</th> <th>Cuaderno de Colab</th> </tr> </thead> <tbody> <tr> <td><strong>10</strong></td> <td>Resumen de datos para la regresión múltiple</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch10_Data_Summary_for_Multiple_Regression.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>11</strong></td> <td>Inferencia estadística para la regresión múltiple</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch11_Statistical_Inference_for_Multiple_Regression.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>12</strong></td> <td>Temas adicionales sobre la regresión múltiple</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch12_Further_Topics_in_Multiple_Regression.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>13</strong></td> <td>Estudios de caso de regresión múltiple</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch13_Case_Studies_for_Multiple_Regression.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> </tbody> </table> <h3 id="parte-iv-temas-avanzados">Parte IV: Temas avanzados</h3> <table> <thead> <tr> <th>Capítulo</th> <th>Título</th> <th>Cuaderno de Colab</th> </tr> </thead> <tbody> <tr> <td><strong>14</strong></td> <td>Regresión con variables indicadoras</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch14_Regression_with_Indicator_Variables.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>15</strong></td> <td>Regresión con variables transformadas</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch15_Regression_with_Transformed_Variables.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>16</strong></td> <td>Comprobación del modelo y los datos</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch16_Checking_the_Model_and_Data.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> <tr> <td><strong>17</strong></td> <td>Datos de panel, series temporales y causalidad</td> <td><a href="https://colab.research.google.com/github/quarcs-lab/metricsai/blob/main/notebooks_colab/ch17_Panel_Data_Time_Series_Data_Causation.ipynb" target="_blank" rel="noopener"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open In Colab"></a></td> </tr> </tbody> </table> <h3 id="cómo-usar-los-cuadernos">Cómo usar los cuadernos</h3> <ol> <li><strong>Haga clic en cualquier insignia &ldquo;Open in Colab&rdquo;</strong> de arriba</li> <li><strong>Inicie sesión</strong> con su cuenta de Google (gratuita)</li> <li><strong>Haga clic en &ldquo;Ejecutar todo&rdquo;</strong> en el menú Entorno de ejecución (o ejecute las celdas de forma individual)</li> <li><strong>Explore y modifique</strong> — cambie parámetros, pruebe distintos modelos, experimente con los datos</li> <li><strong>Guarde su trabajo</strong> — Archivo → Guardar una copia en Drive para conservar sus modificaciones</li> </ol> <p><strong>¡Sin instalación, sin descargas, sin configuración!</strong></p> <h2 id="-autores-y-créditos">👥 Autores y créditos</h2> <p><strong>Carlos Mendez</strong> — Implementación en Python y desarrollo de los cuadernos educativos</p> <p><strong>A. Colin Cameron</strong> — Libro de texto, datos, código en Stata/R y diapositivas originales.</p>https://carlos-mendez.org/es/books/convergence-clubs/Tue, 17 Nov 2020 00:00:00 +0000https://carlos-mendez.org/es/books/convergence-clubs/https://carlos-mendez.org/es/books/essays-productivity/Mon, 27 Jul 2015 00:00:00 +0000https://carlos-mendez.org/es/books/essays-productivity/