python | 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.

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.

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).

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.

Dominando las métricas causales

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

¡Bienvenido/a a Dominando las métricas causales!

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

Esta plataforma incluye:

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

Cuadernos interactivos de Google Colab

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

Parte I: El marco conceptual

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

Parte II: Las cinco herramientas

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

Parte III: Síntesis

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

Cómo usar los cuadernos

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

¡Sin instalación, sin descargas, sin configuración!

Autores y créditos

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

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

Econometría impulsada por la IA

Mon, 26 Jan 2026 00:00:00 +0000

🤖 Econometría impulsada por la IA

Una introducción mediante cuadernos de Python en la nube

🚀 Visión

🤖 La econometría en la era de la IA
☁️ Aprendizaje interactivo en la nube
📊 Datos reales, preguntas económicas reales

El aprendizaje de la econometría se replantea como un proceso activo, computacional y asistido por la IA que preserva el rigor teórico.

🧠 ¿Por qué repensar la enseñanza de la econometría?

📖 Manuales pasivos
💻 Altas barreras técnicas
🔗 Brecha entre la teoría y su implementación

Los enfoques tradicionales a menudo retrasan el análisis de datos significativo y dificultan la comprensión conceptual.

🔄 El enfoque del libro

🧱 Conceptos fundamentales
🧪 Cuadernos computacionales
🤖 Aprendizaje potenciado por la IA

Un sistema de tres pilares integra la teoría, la programación y la IA para crear un ecosistema de aprendizaje activo.

📘 Pilar 1: Conceptos fundamentales

📚 Basado en Cameron (2022)
📐 Teoría econométrica rigurosa
🌍 Enfoque aplicado y real

La estructura y el contenido se ajustan a la práctica econométrica y de investigación estándar.

🗂️ Estructura

🧮 Fundamentos estadísticos
📉 Regresión bivariante
📊 Regresión múltiple
🔬 Temas avanzados

Diecisiete capítulos avanzan de forma sistemática desde los fundamentos hasta los métodos empíricos modernos.

☁️ Pilar 2: Cuadernos computacionales

🚫 Sin instalación
🧑‍💻 Google Colab
🌐 Acceso desde cualquier dispositivo

Cada capítulo se acompaña de un cuaderno interactivo de Python.

🧰 Stack moderno de Python

🐼 Manipulación de datos
📐 Modelización econométrica
📊 Visualización

El alumnado aprende herramientas ampliamente utilizadas y transferibles para la investigación empírica.

🔁 Aprender programando

✏️ Modificar y volver a ejecutar el código
⚡ Retroalimentación inmediata
🔍 Experimentación activa

La comprensión se desarrolla mediante la interacción directa con los datos y los modelos.

🤖 Pilar 3: Aprendizaje potenciado por la IA

🖼️ Resúmenes visuales
📑 Diapositivas generadas por IA
🎙️ Pódcast y cuestionarios

Múltiples modalidades refuerzan el aprendizaje y se adaptan a distintas preferencias.

⚖️ Uso responsable de la IA

🧠 La IA apoya el pensamiento, no lo reemplaza
🔍 La verificación es esencial
📘 La teoría sigue siendo central

La IA mejora la comprensión, pero no sustituye al razonamiento econométrico.

🔗 Sistema de aprendizaje de tres componentes

📕 Este libro
🌐 El sitio web metricsAI
📘 El manual de Cameron

En conjunto, conforman un entorno de aprendizaje completo y coherente.

🎓 Conclusión

📊 La econometría a través de la computación
🤖 Potenciada por la IA
🌍 Accesible y rigurosa

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.

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.

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

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.

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