regional | Carlos Mendez

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.

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.

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.

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.

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