causal | Carlos Mendez

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.

Métricas causales comparativas

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

¡Bienvenido/a a Métricas causales comparativas! (En desarrollo)

Una introducción a la evaluación de impacto regional

Una introducción a la evaluación de impacto regional mediante métodos modernos de inferencia causal implementados en R y renderizados con Quarto. El recurso abarca técnicas cuasiexperimentales para evaluar los efectos de políticas e intervenciones sobre resultados regionales, con ejemplos resueltos y datos de acceso público para una reproducibilidad completa.

Este libro en desarrollo incluye:

Un recorrido comparativo por los métodos — Desde las series temporales interrumpidas y las diferencias en diferencias hasta el control sintético, las series temporales estructurales bayesianas y los estimadores modernos de datos de panel, todo con un enfoque comparativo regional.
Cuadernos en R + Quarto — Capítulos reproducibles con código plegable, listos para renderizarse localmente o ampliarse con sus propios datos.

El libro está organizado en dos partes:

Parte I — Unidad tratada única (capítulos 1 a 9) desarrolla la intuición con un único caso de estudio: el impuesto al cigarrillo de la Proposición 99 de California (1989).
Parte II — Adopción escalonada (capítulos 10 a 12) pasa a entornos en los que muchas unidades adoptan una política en momentos distintos, mediante un panel de condados sobre el salario mínimo de Callaway–Sant’Anna.

Capítulos

Parte I — Unidad tratada única

Parte II — Adopción escalonada

Además: Referencias

Contribuya y deje sus comentarios en https://github.com/quarcs-lab/ccm.

Proyecto relacionado

Recurso complementario: Dominando las métricas causales — una guía de estudio en Python impulsada por IA basada en Mastering ‘Metrics de Angrist & Pischke.

Dominando las métricas causales

Wed, 22 Apr 2026 00:00:00 +0000

¡Bienvenido/a a Dominando las métricas causales!

Una guía de estudio impulsada por IA para Dominando las métricas causales. Aprenda los fundamentos de la inferencia causal con cuadernos interactivos de Python y herramientas de IA, a partir del libro de texto fundacional Mastering ‘Metrics: The Path from Cause to Effect de Angrist & Pischke.

Esta plataforma incluye:

Métodos fundamentales — Basados en Mastering ‘Metrics de Angrist & Pischke. Aprenda inferencia causal desde los ensayos aleatorizados hasta las diferencias en diferencias.
Cuadernos de Python — Cuadernos de Google Colab sin instalación. Conjuntos de datos reales, código funcional e implementaciones completas de cada método.
Aprendizaje impulsado por IA — Múltiples tutores de IA con estilos pedagógicos diferenciados.

Cuadernos interactivos de Google Colab

Haga clic en cualquier insignia de abajo para abrir y ejecutar al instante en su navegador:

Parte I: El marco conceptual

Capítulo	Título	Temas	Cuaderno de Colab
1	Ensayos aleatorizados	Sesgo de selección, resultados potenciales, RAND HIE

Parte II: Las cinco herramientas

Capítulo	Título	Temas
2	Regresión	MCO, sesgo por variable omitida, controles inadecuados
3	Variables instrumentales	LATE, cumplidores, experimento de violencia doméstica de Minneapolis
4	Regresión discontinua	RD nítida, ancho de banda, edad legal para beber y mortalidad
5	Diferencias en diferencias	Tendencias paralelas, efectos fijos bidireccionales, banca de la Gran Depresión

Parte III: Síntesis

Capítulo	Título	Temas	Cuaderno de Colab
6	Los retornos de la educación	Gemelos, trimestre de nacimiento, efectos del diploma

Cómo usar los cuadernos

Haga clic en cualquier insignia “Open in Colab” de arriba
Inicie sesión con su cuenta de Google (gratuita)
Haga clic en “Ejecutar todo” en el menú Entorno de ejecución (o ejecute las celdas de forma individual)
Explore y modifique — cambie parámetros, pruebe distintos modelos, experimente con los datos
Guarde su trabajo — Archivo > Guardar una copia en Drive para conservar sus modificaciones

¡Sin instalación, sin descargas, sin configuración!

Autores y créditos

Carlos Mendez — Implementación en Python y desarrollo de los cuadernos educativos

Joshua D. Angrist & Jörn-Steffen Pischke — Libro de texto original, Mastering ‘Metrics