Revolucion_de_la_Credibilidad.ipynb

{
  "nbformat": 4,
  "nbformat_minor": 0,
  "metadata": {
    "colab": {
      "provenance": [],
      "authorship_tag": "ABX9TyOGLuC9DZFvbgiiAjmDdYZC",
      "include_colab_link": true
    },
    "kernelspec": {
      "name": "python3",
      "display_name": "Python 3"
    },
    "language_info": {
      "name": "python"
    }
  },
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "view-in-github",
        "colab_type": "text"
      },
      "source": [
        "<a href=\"https://colab.research.google.com/github/sgevatschnaider/econom-aycienciadedatos/blob/main/Revolucion_de_la_Credibilidad.ipynb\" target=\"_parent\"><img src=\"https://colab.research.google.com/assets/colab-badge.svg\" alt=\"Open In Colab\"/></a>"
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "from IPython.display import display, HTML\n",
        "\n",
        "html_content = \"\"\"\n",
        "<!DOCTYPE html>\n",
        "<html lang=\"es\">\n",
        "<head>\n",
        "    <meta charset=\"UTF-8\">\n",
        "    <meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n",
        "    <title>Revolución de la Credibilidad</title>\n",
        "    <style>\n",
        "        body {\n",
        "            font-family: Arial, sans-serif;\n",
        "            background-color: #f9f9f9;\n",
        "            margin: 0;\n",
        "            padding: 20px;\n",
        "        }\n",
        "        h1 {\n",
        "            text-align: center;\n",
        "            font-size: 3em;\n",
        "            color: #2c3e50;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        h2 {\n",
        "            color: #2980b9;\n",
        "            margin-bottom: 15px;\n",
        "            font-size: 1.5em;\n",
        "        }\n",
        "        p {\n",
        "            font-size: 1.2em;\n",
        "            line-height: 1.8;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        ul {\n",
        "            list-style-type: square;\n",
        "            margin-left: 40px;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        ol {\n",
        "            margin-left: 40px;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        .indice {\n",
        "            font-size: 1.2em;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        hr {\n",
        "            border: none;\n",
        "            height: 1px;\n",
        "            background-color: #ccc;\n",
        "            margin: 20px 0;\n",
        "        }\n",
        "    </style>\n",
        "</head>\n",
        "<body>\n",
        "    <h1>Material Elaborado por Sergio Gevatschnaider</h1>\n",
        "\n",
        "\n",
        "    <hr>\n",
        "\n",
        "    <h2>Índice</h2>\n",
        "    <ol class=\"indice\">\n",
        "        <li>Introducción</li>\n",
        "        <li>El Origen de la Revolución de la Credibilidad</li>\n",
        "        <li>Principales Autores de la Revolución de la Credibilidad</li>\n",
        "        <ol>\n",
        "            <li>Joshua Angrist</li>\n",
        "            <li>Guido Imbens</li>\n",
        "            <li>Alan Krueger</li>\n",
        "            <li>David Card</li>\n",
        "            <li>Orley Ashenfelter</li>\n",
        "            <li>Esther Duflo y Abhijit Banerjee</li>\n",
        "        </ol>\n",
        "        <li>RCT como estandar de oro</li>\n",
        "        <li>LLM y la revolución de la credibilidad</li>\n",
        "        <li>Conclusiones</li>\n",
        "    </ol>\n",
        "\n",
        "    <hr>\n",
        "\n",
        "    <h2>Introducción</h2>\n",
        "    <p>Este documento analiza la revolución de la credibilidad en la economía empírica, destacando cómo los avances metodológicos han transformado la investigación económica. A continuación, se presenta un resumen de los autores clave y sus contribuciones más importantes.</p>\n",
        "\n",
        "    <h2>El Origen de la Revolución de la Credibilidad</h2>\n",
        "    <p>La revolución de la credibilidad en la economía empírica surgió en respuesta a las críticas hacia la inferencia causal en estudios económicos, promoviendo el uso de métodos experimentales y cuasi-experimentales.</p>\n",
        "\n",
        "    <!-- Continuar con el contenido del documento -->\n",
        "\n",
        "</body>\n",
        "</html>\n",
        "\"\"\"\n",
        "\n",
        "# Mostrar el contenido HTML\n",
        "display(HTML(html_content))\n"
      ],
      "metadata": {
        "id": "tEQYqn4L5kRZ"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "from IPython.display import display, HTML\n",
        "\n",
        "html_content = \"\"\"\n",
        "<!DOCTYPE html>\n",
        "<html lang=\"es\">\n",
        "<head>\n",
        "    <meta charset=\"UTF-8\">\n",
        "    <meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n",
        "    <title>La Revolución de la Credibilidad</title>\n",
        "    <script type=\"text/javascript\" async\n",
        "      src=\"https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.7/MathJax.js?config=TeX-MML-AM_CHTML\">\n",
        "    </script>\n",
        "    <style>\n",
        "        body {\n",
        "            font-family: Arial, sans-serif;\n",
        "            line-height: 1.6;\n",
        "            background-color: #f9f9f9;\n",
        "            margin: 0;\n",
        "            padding: 20px;\n",
        "        }\n",
        "        h1, h2 {\n",
        "            color: #2c3e50;\n",
        "        }\n",
        "        p, li {\n",
        "            background: #ffffff;\n",
        "            padding: 10px;\n",
        "            border-radius: 5px;\n",
        "            box-shadow: 0 0 10px rgba(0, 0, 0, 0.1);\n",
        "            margin-bottom: 10px;\n",
        "        }\n",
        "        ul {\n",
        "            list-style-type: disc;\n",
        "            padding: 10px;\n",
        "        }\n",
        "        li {\n",
        "            margin-bottom: 8px;\n",
        "        }\n",
        "        .math {\n",
        "            font-family: 'Cambria Math', 'Times New Roman', serif;\n",
        "            font-size: 1.2em;\n",
        "            text-align: center;\n",
        "            margin: 20px 0;\n",
        "        }\n",
        "        .highlight {\n",
        "            font-weight: bold;\n",
        "            color: #d35400;\n",
        "        }\n",
        "        .download-link {\n",
        "            background-color: #0066cc;\n",
        "            color: white;\n",
        "            padding: 10px 15px;\n",
        "            text-align: center;\n",
        "            display: inline-block;\n",
        "            border-radius: 5px;\n",
        "            margin-top: 20px;\n",
        "            transition: background-color 0.3s ease;\n",
        "        }\n",
        "        .download-link:hover {\n",
        "            background-color: #004999;\n",
        "            text-decoration: none;\n",
        "        }\n",
        "        .buttons {\n",
        "            margin-top: 20px;\n",
        "        }\n",
        "        .buttons a {\n",
        "            margin-right: 15px;\n",
        "        }\n",
        "    </style>\n",
        "</head>\n",
        "<body>\n",
        "    <h1>El Origen de la Revolución de la Credibilidad</h1>\n",
        "    <p>\n",
        "        La <span class=\"highlight\">revolución de la credibilidad</span> en la economía empírica se originó en la década de 1990 y principios de los 2000 como una respuesta a las críticas crecientes sobre la calidad de la inferencia causal en estudios económicos.\n",
        "        Durante décadas, la economía empírica había sido criticada por su dependencia excesiva en la <span class=\"highlight\">regresión múltiple</span> y los modelos econométricos, que a menudo carecían de una base sólida para identificar relaciones causales claras.\n",
        "        La principal preocupación era que los modelos econométricos convencionales, basados en regresiones y métodos de máxima verosimilitud, sufrían de <span class=\"highlight\">sesgos de variables omitidas</span>, <span class=\"highlight\">endogeneidad</span>, y <span class=\"highlight\">falta de validez externa</span>, lo que hacía que los resultados fueran poco confiables para establecer causalidad.\n",
        "    </p>\n",
        "    <p>\n",
        "        La <span class=\"highlight\">revolución de la credibilidad</span> surge como una transición hacia el uso de métodos más robustos para la identificación causal, principalmente mediante la adopción de técnicas experimentales y cuasi-experimentales\n",
        "        inspiradas en la práctica de otras ciencias, como la medicina o la biología, donde los ensayos controlados aleatorizados son el estándar para probar hipótesis causales.\n",
        "    </p>\n",
        "\n",
        "    <h2>Principales Autores de la Revolución de la Credibilidad</h2>\n",
        "    <ul>\n",
        "        <li><span class=\"highlight\">Joshua Angrist</span>: Es uno de los pioneros más destacados de esta revolución. En su investigación con <span class=\"highlight\">instrumentos naturales</span> y <span class=\"highlight\">diseños cuasi-experimentales</span>, Angrist popularizó técnicas como la <span class=\"highlight\">regresión de discontinuidad</span> y el uso de <span class=\"highlight\">variables instrumentales</span> para abordar problemas de endogeneidad.</li>\n",
        "        <li><span class=\"highlight\">Guido Imbens</span>: Desarrolló métodos clave como el enfoque de <span class=\"highlight\">variables instrumentales</span> y el marco de <span class=\"highlight\">LATE (Local Average Treatment Effect)</span>.</li>\n",
        "        <li><span class=\"highlight\">Alan Krueger</span>: Fue defensor del uso de <span class=\"highlight\">experimentos naturales</span>, utilizando enfoques como las <span class=\"highlight\">diferencias en diferencias (DiD)</span> para estudiar efectos del salario mínimo en el empleo.</li>\n",
        "        <li><span class=\"highlight\">David Card</span>: Utilizó enfoques cuasi-experimentales para investigar relaciones causales, como los efectos del salario mínimo y la inmigración.</li>\n",
        "        <li><span class=\"highlight\">Orley Ashenfelter</span>: Uno de los primeros en aplicar métodos cuasi-experimentales en la economía laboral, influyendo en economistas clave.</li>\n",
        "        <li><span class=\"highlight\">Esther Duflo</span> y <span class=\"highlight\">Abhijit Banerjee</span>: Pioneros en el uso de <span class=\"highlight\">ensayos controlados aleatorizados (RCTs)</span>, especialmente en políticas para economías en desarrollo.</li>\n",
        "    </ul>\n",
        "\n",
        "    <h2>Descargar el Artículo Clave y el Resumen</h2>\n",
        "    <p>\n",
        "        El artículo \"<strong>The Credibility Revolution in Empirical Economics: How Better Research Design Is Taking the Con out of Econometrics</strong>\" fue escrito por Joshua D. Angrist y Jörn-Steffen Pischke en 2010.\n",
        "        Este trabajo es considerado una pieza clave en la discusión sobre los cambios metodológicos en la economía empírica.\n",
        "    </p>\n",
        "   </style>\n",
        "</head>\n",
        "<body>\n",
        "    <h1>Acceder a los Documentos de Google</h1>\n",
        "    <p>Puedes acceder a los documentos en los enlaces a continuación:</p>\n",
        "\n",
        "    <a href=\"https://docs.iza.org/dp4800.pdf\" target=\"_blank\" class=\"download-link\">Descargar artículo original</a>\n",
        "\n",
        "    <a href=\"https://docs.google.com/document/d/16eE5JYAoq_q0nJpI0EMF0rG3BenUr05XxUHNaIWxjF4/edit?hl=es\" target=\"_blank\" class=\"download-link\">Ver Documento de Google</a>\n",
        "\n",
        "</body>\n",
        "\n",
        "\n",
        "# Mostrar el contenido HTML con los botones\n",
        "display(HTML(html_content))\n",
        "\n",
        "    <h2>Conclusión: Importancia de la Revolución de la Credibilidad</h2>\n",
        "    <p>\n",
        "        La revolución de la credibilidad ha transformado profundamente la economía empírica, desplazando el énfasis desde los modelos econométricos teóricos hacia los <span class=\"highlight\">diseños de investigación empírica robustos</span>.\n",
        "        Esta revolución ha permitido a los economistas establecer relaciones causales más creíbles, lo que ha llevado a recomendaciones de políticas más confiables y una mayor capacidad para responder preguntas económicas críticas con mayor confianza.\n",
        "    </p>\n",
        "    <p>\n",
        "        Uno de los legados más importantes es la adopción de <span class=\"highlight\">experimentos naturales</span>, <span class=\"highlight\">regresión de discontinuidad</span>, enfoques de <span class=\"highlight\">diferencias en diferencias</span> y <span class=\"highlight\">variables instrumentales</span>,\n",
        "        lo que proporciona una evidencia mucho más sólida en comparación con las regresiones tradicionales. Además, ha abierto la puerta a los <span class=\"highlight\">ensayos controlados aleatorizados (RCTs)</span> en economía.\n",
        "    </p>\n",
        "    <p>\n",
        "        La revolución de la credibilidad ha hecho que la investigación empírica en economía sea más rigurosa y aumente la relevancia de la economía empírica en la formulación de políticas.\n",
        "    </p>\n",
        "\n",
        "</body>\n",
        "</html>\n",
        "\"\"\"\n",
        "\n",
        "# Mostrar el contenido HTML con dos botones: artículo original y resumen\n",
        "display(HTML(html_content))\n"
      ],
      "metadata": {
        "id": "O8qJX3Ubl6fB"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "from IPython.display import display, HTML\n",
        "\n",
        "html_content = \"\"\"\n",
        "<!DOCTYPE html>\n",
        "<html lang=\"es\">\n",
        "<head>\n",
        "    <meta charset=\"UTF-8\">\n",
        "    <meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n",
        "    <title>Herramientas y Técnicas Econométricas de la Revolución de la Credibilidad</title>\n",
        "    <style>\n",
        "        body {\n",
        "            font-family: Arial, sans-serif;\n",
        "            line-height: 1.8;\n",
        "            background-color: #f9f9f9;\n",
        "            margin: 20px;\n",
        "            padding: 20px;\n",
        "        }\n",
        "        h1 {\n",
        "            color: #2c3e50;\n",
        "            text-align: center;\n",
        "            font-size: 2.5em;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        h2 {\n",
        "            color: #2c3e50;\n",
        "            font-size: 1.8em;\n",
        "            margin-top: 20px;\n",
        "        }\n",
        "        p {\n",
        "            font-size: 1.2em;\n",
        "            margin-bottom: 15px;\n",
        "        }\n",
        "        ul {\n",
        "            list-style-type: disc;\n",
        "            margin-left: 30px;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        li {\n",
        "            margin-bottom: 10px;\n",
        "            font-size: 1.1em;\n",
        "        }\n",
        "        .highlight {\n",
        "            color: #d35400;\n",
        "            font-weight: bold;\n",
        "        }\n",
        "    </style>\n",
        "</head>\n",
        "<body>\n",
        "    <h1>Herramientas y Técnicas Econométricas de la Revolución de la Credibilidad</h1>\n",
        "    <p>\n",
        "        Las herramientas y técnicas econométricas utilizadas en la <span class=\"highlight\">\"revolución de la credibilidad\"</span> en la economía empírica están enfocadas en mejorar la identificación de relaciones causales.\n",
        "        A continuación se presentan algunas de las principales herramientas econométricas empleadas:\n",
        "    </p>\n",
        "\n",
        "    <h2>Ensayos Controlados Aleatorizados (RCTs)</h2>\n",
        "    <p>\n",
        "        Los RCTs son considerados el estándar de oro para establecer causalidad. Al asignar aleatoriamente a los sujetos a grupos de tratamiento y control, ayudan a eliminar el sesgo de selección y los factores de confusión.\n",
        "    </p>\n",
        "\n",
        "    <h2>Variables Instrumentales (IV)</h2>\n",
        "    <p>\n",
        "        Las técnicas de IV se utilizan cuando la aleatorización no es posible. Un instrumento es una variable que está correlacionada con el tratamiento pero no está correlacionada con el término de error en la ecuación del resultado. Esto ayuda a abordar la endogeneidad y el sesgo de variables omitidas.\n",
        "    </p>\n",
        "\n",
        "    <h2>Diferencias en Diferencias (DiD)</h2>\n",
        "    <p>\n",
        "        DiD es una técnica cuasi-experimental que compara los cambios en los resultados a lo largo del tiempo entre un grupo de tratamiento y un grupo de control. Ayuda a controlar la heterogeneidad no observada que es constante en el tiempo.\n",
        "    </p>\n",
        "\n",
        "    <h2>Diseños de Discontinuidad de Regresión (RDD)</h2>\n",
        "    <p>\n",
        "        RDD se utiliza cuando el tratamiento se asigna en función de un punto de corte. Al comparar individuos justo por encima y por debajo del umbral, los investigadores pueden estimar el efecto local del tratamiento.\n",
        "    </p>\n",
        "\n",
        "    <h2>Métodos de Emparejamiento</h2>\n",
        "    <p>\n",
        "        Los métodos de emparejamiento, como el emparejamiento por puntajes de propensión, emparejan individuos en los grupos de tratamiento y control con características observables similares, lo que ayuda a controlar las variables de confusión en contextos no aleatorizados.\n",
        "    </p>\n",
        "\n",
        "    <h2>Modelos de Efectos Fijos</h2>\n",
        "    <p>\n",
        "        Los modelos de efectos fijos controlan la heterogeneidad no observada al tener en cuenta características individuales que no varían en el tiempo. Esto se utiliza comúnmente en análisis de datos de panel para aislar los efectos causales.\n",
        "    </p>\n",
        "\n",
        "    <h2>Método de Control Sintético</h2>\n",
        "    <p>\n",
        "        Este método se utiliza para estimar el impacto causal de intervenciones en estudios de caso comparativos, construyendo una combinación ponderada de unidades de control que mejor se aproxima a las características de la unidad tratada antes de la intervención.\n",
        "    </p>\n",
        "\n",
        "    <h2>Experimentos Naturales</h2>\n",
        "    <p>\n",
        "        Estos explotan shocks externos o exógenos (como cambios en políticas o eventos naturales) que afectan solo a parte de la población, imitando una asignación aleatoria.\n",
        "    </p>\n",
        "\n",
        "    <h2>Triple Diferencias (DDD)</h2>\n",
        "    <p>\n",
        "        Este método extiende el enfoque de diferencias en diferencias al agregar otra dimensión, lo que permite analizar los efectos causales a través de tres grupos o períodos de tiempo.\n",
        "    </p>\n",
        "\n",
        "    <h2>Análisis de Datos de Panel y Longitudinales</h2>\n",
        "    <p>\n",
        "        Estas técnicas permiten a los investigadores rastrear a los mismos individuos o entidades a lo largo del tiempo, ayudando a controlar factores no observables que no varían en el tiempo.\n",
        "    </p>\n",
        "\n",
        "    <h2>Métodos Bayesianos</h2>\n",
        "    <p>\n",
        "        La econometría bayesiana proporciona un marco flexible para incorporar información previa en el proceso de estimación, lo que la hace particularmente útil en el contexto de modelos complejos o conjuntos de datos pequeños.\n",
        "    </p>\n",
        "\n",
        "    <h2>Diseño de Kinks en Regresión (RKD)</h2>\n",
        "    <p>\n",
        "        Este método es similar a RDD pero se enfoca en cambios en la pendiente de la función de regresión en lugar de una discontinuidad en un punto de corte.\n",
        "    </p>\n",
        "\n",
        "    <h2>Modelos de Selección de Heckman</h2>\n",
        "    <p>\n",
        "        Estos modelos se utilizan para corregir el sesgo de selección, especialmente cuando la muestra de datos observada no es aleatoria, sino que está sujeta a una selección basada en el resultado de interés.\n",
        "    </p>\n",
        "\n",
        "    <h2>Método Generalizado de Momentos (GMM)</h2>\n",
        "    <p>\n",
        "        GMM es un método de estimación flexible utilizado en modelos de datos de panel dinámicos, donde técnicas tradicionales como MCO pueden estar sesgadas debido a la endogeneidad.\n",
        "    </p>\n",
        "\n",
        "    <h2>Regresión por Cuantiles</h2>\n",
        "    <p>\n",
        "        Esta técnica permite a los investigadores estimar el impacto de las variables en diferentes puntos de la distribución de resultados, no solo en la media, proporcionando una imagen más completa del efecto del tratamiento.\n",
        "    </p>\n",
        "\n",
        "    <h2>Puntaje de Propensión con Balance de Covariables (CBPS)</h2>\n",
        "    <p>\n",
        "        Esta es una mejora respecto a los métodos tradicionales de emparejamiento por puntajes de propensión, y tiene como objetivo equilibrar mejor las covariables entre los grupos de tratamiento y control para mejorar la inferencia causal.\n",
        "    </p>\n",
        "\n",
        "    <h2>Simulaciones de Monte Carlo</h2>\n",
        "    <p>\n",
        "        Estas se utilizan para evaluar las propiedades de los estimadores en modelos econométricos simulando datos bajo diferentes suposiciones, ayudando a comprender la robustez de los resultados.\n",
        "    </p>\n",
        "\n",
        "    <p>\n",
        "        Estas herramientas representan el cambio hacia métodos de investigación empírica más sólidos, transparentes y creíbles, característicos de la revolución de la credibilidad en la economía. El énfasis está en estrategias claras de identificación y en minimizar los sesgos, asegurando que los resultados empíricos sean confiables y replicables.\n",
        "    </p>\n",
        "</body>\n",
        "</html>\n",
        "\"\"\"\n",
        "\n",
        "# Mostrar el contenido HTML con estilo\n",
        "display(HTML(html_content))\n"
      ],
      "metadata": {
        "id": "cSqkpzoVpkjL"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "from IPython.display import display, HTML\n",
        "\n",
        "html_content = \"\"\"\n",
        "<!DOCTYPE html>\n",
        "<html lang=\"es\">\n",
        "<head>\n",
        "    <meta charset=\"UTF-8\">\n",
        "    <meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n",
        "    <title>Ensayos Controlados Aleatorizados (RCTs)</title>\n",
        "    <style>\n",
        "        body {\n",
        "            font-family: Arial, sans-serif;\n",
        "            line-height: 1.8;\n",
        "            background-color: #f9f9f9;\n",
        "            margin: 20px;\n",
        "            padding: 20px;\n",
        "        }\n",
        "        h1 {\n",
        "            color: #2c3e50;\n",
        "            text-align: center;\n",
        "            font-size: 2.5em;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        h2 {\n",
        "            color: #2c3e50;\n",
        "            font-size: 1.8em;\n",
        "            margin-top: 20px;\n",
        "        }\n",
        "        p {\n",
        "            font-size: 1.2em;\n",
        "            margin-bottom: 15px;\n",
        "            background-color: #ffffff;\n",
        "            padding: 10px;\n",
        "            border-radius: 5px;\n",
        "            box-shadow: 0 0 10px rgba(0, 0, 0, 0.1);\n",
        "        }\n",
        "        ul {\n",
        "            list-style-type: disc;\n",
        "            margin-left: 30px;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        li {\n",
        "            margin-bottom: 10px;\n",
        "            font-size: 1.1em;\n",
        "        }\n",
        "        .highlight {\n",
        "            color: #d35400;\n",
        "            font-weight: bold;\n",
        "        }\n",
        "        .container {\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "    </style>\n",
        "</head>\n",
        "<body>\n",
        "    <h1>Ensayos Controlados Aleatorizados (RCTs)</h1>\n",
        "\n",
        "    <div class=\"container\">\n",
        "        <p>\n",
        "            Los <span class=\"highlight\">Ensayos Controlados Aleatorizados (RCTs, por sus siglas en inglés)</span> son un método experimental ampliamente utilizado para identificar efectos causales de manera rigurosa. Este enfoque se basa en la\n",
        "            <span class=\"highlight\">aleatorización</span> de una intervención o tratamiento, lo que significa que los participantes se asignan al azar a un grupo de tratamiento o a un grupo de control. Esta aleatorización ayuda a eliminar el\n",
        "            <span class=\"highlight\">sesgo de selección</span>, ya que asegura que las diferencias entre los grupos se deben únicamente al tratamiento y no a otros factores no observados.\n",
        "        </p>\n",
        "        <p>\n",
        "            Los RCTs se consideran el estándar de oro en la investigación experimental, especialmente en disciplinas como la medicina, pero su uso en economía ha crecido significativamente en las últimas décadas, especialmente en el campo de la\n",
        "            <span class=\"highlight\">economía del desarrollo</span> y la <span class=\"highlight\">economía laboral</span>.\n",
        "        </p>\n",
        "    </div>\n",
        "\n",
        "    <h2>Proceso de los RCTs</h2>\n",
        "    <div class=\"container\">\n",
        "        <ul>\n",
        "            <li><strong>Selección de la muestra:</strong> Se comienza seleccionando una población de interés que será dividida en dos grupos: el grupo de tratamiento (que recibirá la intervención) y el grupo de control (que no la recibirá).</li>\n",
        "            <li><strong>Aleatorización:</strong> La aleatorización es el corazón del RCT. Cada participante tiene la misma probabilidad de ser asignado al grupo de tratamiento o al de control. Esto asegura que ambos grupos sean similares en términos de características observables y no observables.</li>\n",
        "            <li><strong>Aplicación del tratamiento:</strong> Al grupo de tratamiento se le aplica la intervención o política que se desea evaluar (ej. una nueva política educativa, un programa de subsidios), mientras que el grupo de control no recibe dicha intervención.</li>\n",
        "            <li><strong>Medición de los resultados:</strong> Se comparan los resultados de ambos grupos, y cualquier diferencia se puede atribuir causalmente al tratamiento.</li>\n",
        "            <li><strong>Análisis de los datos:</strong> Los datos se analizan utilizando técnicas estadísticas que comparan los resultados promedio entre los grupos de tratamiento y control para estimar el <span class=\"highlight\">efecto causal promedio</span>.</li>\n",
        "        </ul>\n",
        "    </div>\n",
        "\n",
        "    <h2>Ejemplo en Economía</h2>\n",
        "    <div class=\"container\">\n",
        "        <p>\n",
        "            Supongamos que un gobierno está interesado en evaluar el impacto de un <span class=\"highlight\">programa de transferencia monetaria</span> en los ingresos de los hogares. El gobierno selecciona una muestra de 1,000 hogares y aleatoriamente asigna\n",
        "            500 hogares al grupo de tratamiento, que recibirán una transferencia mensual, mientras que los otros 500 forman el grupo de control, que no recibirá nada. Al final de un año, los investigadores comparan el cambio en los ingresos promedio\n",
        "            entre los dos grupos. Si los hogares que recibieron la transferencia tienen ingresos significativamente más altos, se puede concluir que el programa tuvo un impacto positivo.\n",
        "        </p>\n",
        "    </div>\n",
        "\n",
        "    <h2>Ventajas de los RCTs</h2>\n",
        "    <div class=\"container\">\n",
        "        <ul>\n",
        "            <li><strong>Alta validez interna:</strong> Gracias a la aleatorización, cualquier diferencia en los resultados puede atribuirse con confianza al tratamiento, otorgando una alta validez interna.</li>\n",
        "            <li><strong>Eliminación del sesgo de selección:</strong> En estudios observacionales, los individuos pueden seleccionar si participan en un programa o no, lo que puede sesgar los resultados. Los RCTs eliminan este sesgo.</li>\n",
        "            <li><strong>Similitud con experimentos naturales:</strong> Los RCTs replican los estándares de los experimentos controlados en las ciencias naturales, haciendo que los resultados sean más creíbles.</li>\n",
        "        </ul>\n",
        "    </div>\n",
        "\n",
        "    <h2>Desafíos de los RCTs</h2>\n",
        "    <div class=\"container\">\n",
        "        <ul>\n",
        "            <li><strong>Costos y logística:</strong> Implementar un RCT puede ser costoso y logísticamente complicado, especialmente en contextos amplios o en países en desarrollo.</li>\n",
        "            <li><strong>Problemas éticos:</strong> En ocasiones, es poco ético asignar tratamientos de manera aleatoria, especialmente si se trata de intervenciones que podrían tener un impacto significativo en la vida de los participantes.</li>\n",
        "            <li><strong>Validez externa:</strong> Aunque los RCTs tienen una alta validez interna, sus resultados pueden no ser generalizables a otras poblaciones o contextos.</li>\n",
        "            <li><strong>Efecto Hawthorne:</strong> Existe el riesgo de que los participantes cambien su comportamiento simplemente por el hecho de estar involucrados en un experimento.</li>\n",
        "            <li><strong>Limitación temporal:</strong> Los RCTs generalmente se enfocan en los efectos de corto plazo de una intervención, lo que puede no captar los impactos a largo plazo.</li>\n",
        "        </ul>\n",
        "    </div>\n",
        "\n",
        "    <h2>Importancia de los RCTs en Economía</h2>\n",
        "    <div class=\"container\">\n",
        "        <p>\n",
        "            Los RCTs han revolucionado el campo de la economía empírica, particularmente en áreas como la <span class=\"highlight\">economía del desarrollo</span> y la <span class=\"highlight\">economía laboral</span>.\n",
        "            <strong>Esther Duflo, Abhijit Banerjee, y Michael Kremer</strong>, ganadores del <strong>Premio Nobel de Economía en 2019</strong>, han sido pioneros en el uso de RCTs para evaluar intervenciones políticas en países en desarrollo.\n",
        "            Han estudiado el impacto de las intervenciones en educación, salud y pobreza mediante RCTs, proporcionando evidencia rigurosa sobre qué políticas funcionan mejor para combatir la pobreza.\n",
        "        </p>\n",
        "    </div>\n",
        "\n",
        "    <h2>Conclusión</h2>\n",
        "    <div class=\"container\">\n",
        "        <p>\n",
        "            Los <span class=\"highlight\">Ensayos Controlados Aleatorizados (RCTs)</span> son una herramienta poderosa para identificar relaciones causales en economía. Al asegurar que la única diferencia sistemática entre los grupos de tratamiento y control\n",
        "            es la intervención, los RCTs permiten a los economistas evaluar de manera confiable el impacto de políticas y programas. Aunque presentan desafíos en términos de costos y generalización, su capacidad para eliminar el sesgo de selección y\n",
        "            proporcionar pruebas claras los convierte en un estándar en la investigación económica empírica.\n",
        "        </p>\n",
        "    </div>\n",
        "\n",
        "</body>\n",
        "</html>\n",
        "\"\"\"\n",
        "\n",
        "# Mostrar el contenido HTML con estilo en Google Colab\n",
        "display(HTML(html_content))\n"
      ],
      "metadata": {
        "id": "NEp2YTjJwF0X"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "from IPython.display import display, HTML\n",
        "\n",
        "html_content = \"\"\"\n",
        "<!DOCTYPE html>\n",
        "<html lang=\"es\">\n",
        "<head>\n",
        "    <meta charset=\"UTF-8\">\n",
        "    <meta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n",
        "    <title>Resumen: The Effects of Generative AI on High-Skilled Work</title>\n",
        "    <style>\n",
        "        body {\n",
        "            font-family: Arial, sans-serif;\n",
        "            line-height: 1.6;\n",
        "            background-color: #f9f9f9;\n",
        "            margin: 0;\n",
        "            padding: 20px;\n",
        "        }\n",
        "        h1 {\n",
        "            color: #2c3e50;\n",
        "            text-align: center;\n",
        "            font-size: 2.5em;\n",
        "            margin-bottom: 20px;\n",
        "        }\n",
        "        h2 {\n",
        "            color: #2c3e50;\n",
        "            font-size: 1.8em;\n",
        "            margin-top: 20px;\n",
        "        }\n",
        "        p {\n",
        "            font-size: 1.2em;\n",
        "            margin-bottom: 15px;\n",
        "            background-color: #ffffff;\n",
        "            padding: 10px;\n",
        "            border-radius: 5px;\n",
        "            box-shadow: 0 0 10px rgba(0, 0, 0, 0.1);\n",
        "        }\n",
        "        .highlight {\n",
        "            color: #d35400;\n",
        "            font-weight: bold;\n",
        "        }\n",
        "        .button-container {\n",
        "            margin-top: 20px;\n",
        "            text-align: center;\n",
        "        }\n",
        "        .button-link {\n",
        "            background-color: #0066cc;\n",
        "            color: white;\n",
        "            padding: 10px 15px;\n",
        "            text-align: center;\n",
        "            display: inline-block;\n",
        "            border-radius: 5px;\n",
        "            text-decoration: none;\n",
        "            font-size: 1.2em;\n",
        "            margin: 10px;\n",
        "            transition: background-color 0.3s ease;\n",
        "        }\n",
        "        .button-link:hover {\n",
        "            background-color: #004999;\n",
        "        }\n",
        "        .button-link:active {\n",
        "            background-color: #003366;\n",
        "        }\n",
        "    </style>\n",
        "</head>\n",
        "<body>\n",
        "    <h1>Resumen: The Effects of Generative AI on High-Skilled Work</h1>\n",
        "    <p>\n",
        "        Este estudio evalúa el impacto de la inteligencia artificial generativa en la productividad de los desarrolladores de software al analizar datos de tres ensayos controlados aleatorizados realizados en Microsoft, Accenture y una compañía anónima Fortune 100 de manufactura electrónica. Estos experimentos de campo, que fueron ejecutados por las empresas como parte de su operación habitual, proporcionaron a un subconjunto de desarrolladores acceso a GitHub Copilot, un asistente de codificación basado en IA que sugiere completaciones de código inteligentes.\n",
        "    </p>\n",
        "    <p>\n",
        "        Aunque cada experimento por separado presenta cierta variabilidad, el análisis combinado de los tres experimentos y 4,867 desarrolladores de software revela un aumento del <span class=\"highlight\">26.08%</span> (SE: 10.3%) en el número de tareas completadas por los desarrolladores que utilizan la herramienta de IA. Cabe destacar que los desarrolladores con menos experiencia mostraron mayores tasas de adopción y aumentos de productividad más significativos.\n",
        "    </p>\n",
        "\n",
        "    <div class=\"button-container\">\n",
        "        <a href=\"https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4945566\" target=\"_blank\" class=\"button-link\">Leer el Paper Original</a>\n",
        "        <a href=\"https://docs.google.com/document/d/1S2plYegL9gCBav_ogtz60mzEFofu6ZceTwQ0lk02tnQ/edit?hl=es\" target=\"_blank\" class=\"button-link\">Ver Resumen en Google Docs</a>\n",
        "    </div>\n",
        "</body>\n",
        "</html>\n",
        "\"\"\"\n",
        "\n",
        "# Mostrar el contenido HTML en Google Colab\n",
        "display(HTML(html_content))\n"
      ],
      "metadata": {
        "id": "zUcTpcOw4e0U"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# Instalar las dependencias necesarias\n",
        "!apt-get install ffmpeg imagemagick -y\n",
        "\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from matplotlib import animation\n",
        "from IPython.display import HTML, Image\n",
        "from mpl_toolkits.mplot3d import Axes3D\n",
        "\n",
        "# Configuración de estilo\n",
        "plt.style.use('seaborn-whitegrid')\n",
        "\n",
        "# Configuración para que las animaciones se muestren en Colab\n",
        "from matplotlib import rc\n",
        "rc('animation', html='jshtml')\n"
      ],
      "metadata": {
        "colab": {
          "base_uri": "https://localhost:8080/",
          "height": 0
        },
        "id": "lEygNefPuxZz",
        "outputId": "e14fd7b1-3763-4c2f-8bbc-15eae56723d7"
      },
      "execution_count": 26,
      "outputs": [
        {
          "output_type": "stream",
          "name": "stdout",
          "text": [
            "Reading package lists... Done\n",
            "Building dependency tree... Done\n",
            "Reading state information... Done\n",
            "ffmpeg is already the newest version (7:4.4.2-0ubuntu0.22.04.1).\n",
            "imagemagick is already the newest version (8:6.9.11.60+dfsg-1.3ubuntu0.22.04.5).\n",
            "0 upgraded, 0 newly installed, 0 to remove and 49 not upgraded.\n"
          ]
        },
        {
          "output_type": "stream",
          "name": "stderr",
          "text": [
            "<ipython-input-26-5a74c0043020>:12: MatplotlibDeprecationWarning: The seaborn styles shipped by Matplotlib are deprecated since 3.6, as they no longer correspond to the styles shipped by seaborn. However, they will remain available as 'seaborn-v0_8-<style>'. Alternatively, directly use the seaborn API instead.\n",
            "  plt.style.use('seaborn-whitegrid')\n"
          ]
        }
      ]
    },
    {
      "cell_type": "code",
      "source": [
        "# Simular una población\n",
        "np.random.seed(42)\n",
        "n = 1000\n",
        "X = np.random.rand(n)  # Covariable (por ejemplo, nivel de ingresos)\n",
        "treatment = np.random.binomial(1, 0.5, size=n)  # Asignar tratamiento aleatoriamente\n",
        "\n",
        "# Definir resultados potenciales\n",
        "Y0 = 2 + 3 * X + np.random.randn(n)  # Resultados del grupo de control\n",
        "Y1 = Y0 + 5  # El efecto del tratamiento suma 5 unidades\n",
        "\n",
        "# Resultados observados basados en la asignación de tratamiento\n",
        "Y_observed = np.where(treatment == 1, Y1, Y0)\n",
        "\n",
        "# Crear DataFrame\n",
        "df = pd.DataFrame({\n",
        "    'X': X,\n",
        "    'treatment': treatment,\n",
        "    'Y_observed': Y_observed\n",
        "})\n",
        "\n",
        "# Diccionarios para colores y etiquetas\n",
        "colors = {0: 'skyblue', 1: 'salmon'}\n",
        "labels = {0: 'Control', 1: 'Tratamiento'}\n"
      ],
      "metadata": {
        "id": "jKK544lcu2v6"
      },
      "execution_count": 27,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "def animate_scatter():\n",
        "    fig, ax = plt.subplots(figsize=(10, 6))\n",
        "    sample_sizes = np.linspace(50, n, 50, dtype=int)\n",
        "\n",
        "    def update(num):\n",
        "        ax.clear()\n",
        "        current_n = sample_sizes[num]\n",
        "        df_sample = df.iloc[:current_n]\n",
        "\n",
        "        for treatment_group in df_sample['treatment'].unique():\n",
        "            subset = df_sample[df_sample['treatment'] == treatment_group]\n",
        "            ax.scatter(subset['X'], subset['Y_observed'], c=colors[treatment_group],\n",
        "                       label=labels[treatment_group], alpha=0.6)\n",
        "            # Ajustar una línea de regresión si hay suficientes puntos\n",
        "            if len(subset) > 1:\n",
        "                coeffs = np.polyfit(subset['X'], subset['Y_observed'], deg=1)\n",
        "                x_vals = np.linspace(0, 1, 100)\n",
        "                y_vals = coeffs[0] * x_vals + coeffs[1]\n",
        "                ax.plot(x_vals, y_vals, color=colors[treatment_group], linestyle='--')\n",
        "\n",
        "        ax.set_title(f'Resultados Observados vs X (n={current_n})', fontsize=16)\n",
        "        ax.set_xlabel('X (Covariable)', fontsize=12)\n",
        "        ax.set_ylabel('Y_observed', fontsize=12)\n",
        "        ax.legend(title='Grupo')\n",
        "        ax.grid(True)\n",
        "        ax.set_xlim(0, 1)\n",
        "        ax.set_ylim(df['Y_observed'].min() - 1, df['Y_observed'].max() + 1)\n",
        "\n",
        "    ani = animation.FuncAnimation(fig, update, frames=len(sample_sizes), repeat=False)\n",
        "    plt.close(fig)\n",
        "    return ani\n",
        "\n",
        "# Crear y mostrar la animación\n",
        "ani3 = animate_scatter()\n",
        "HTML(ani3.to_jshtml())\n"
      ],
      "metadata": {
        "id": "KVluEzEou7SV"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "def animate_histogram():\n",
        "    fig, ax = plt.subplots(figsize=(10, 6))\n",
        "    sample_sizes = np.linspace(50, n, 50, dtype=int)\n",
        "    bins = np.linspace(df['Y_observed'].min(), df['Y_observed'].max(), 30)\n",
        "\n",
        "    def update(num):\n",
        "        ax.clear()\n",
        "        current_n = sample_sizes[num]\n",
        "        df_sample = df.iloc[:current_n]\n",
        "\n",
        "        for treatment_group in df_sample['treatment'].unique():\n",
        "            subset = df_sample[df_sample['treatment'] == treatment_group]\n",
        "            ax.hist(subset['Y_observed'], bins=bins, alpha=0.5, label=labels[treatment_group],\n",
        "                    color=colors[treatment_group], density=True)\n",
        "\n",
        "        ax.set_title(f'Distribución de Y_observed por Grupo (n={current_n})', fontsize=16)\n",
        "        ax.set_xlabel('Y_observed', fontsize=12)\n",
        "        ax.set_ylabel('Densidad', fontsize=12)\n",
        "        ax.legend(title='Grupo')\n",
        "        ax.grid(True)\n",
        "        ax.set_xlim(df['Y_observed'].min(), df['Y_observed'].max())\n",
        "        ax.set_ylim(0, None)\n",
        "\n",
        "    ani = animation.FuncAnimation(fig, update, frames=len(sample_sizes), repeat=False)\n",
        "    plt.close(fig)\n",
        "    return ani\n",
        "\n",
        "# Crear y mostrar la animación\n",
        "ani4 = animate_histogram()\n",
        "HTML(ani4.to_jshtml())\n"
      ],
      "metadata": {
        "id": "oG36TeCJu-NT"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "def animate_boxplot():\n",
        "    fig, ax = plt.subplots(figsize=(8, 6))\n",
        "    sample_sizes = np.linspace(50, n, 50, dtype=int)\n",
        "\n",
        "    def update(num):\n",
        "        ax.clear()\n",
        "        current_n = sample_sizes[num]\n",
        "        df_sample = df.iloc[:current_n]\n",
        "\n",
        "        df_sample.boxplot(column='Y_observed', by='treatment', widths=0.6, patch_artist=True,\n",
        "                          boxprops=dict(facecolor='skyblue', color='blue'),\n",
        "                          medianprops=dict(color='red'), ax=ax)\n",
        "        ax.set_title(f'Boxplot de Y_observed por Grupo (n={current_n})', fontsize=16)\n",
        "        ax.set_xlabel('Grupo', fontsize=12)\n",
        "        ax.set_ylabel('Y_observed', fontsize=12)\n",
        "        ax.set_xticklabels(['Control', 'Tratamiento'])\n",
        "        plt.suptitle('')\n",
        "        ax.grid(True)\n",
        "        ax.set_ylim(df['Y_observed'].min() - 1, df['Y_observed'].max() + 1)\n",
        "\n",
        "    ani = animation.FuncAnimation(fig, update, frames=len(sample_sizes), repeat=False)\n",
        "    plt.close(fig)\n",
        "    return ani\n",
        "\n",
        "# Crear y mostrar la animación\n",
        "ani5 = animate_boxplot()\n",
        "HTML(ani5.to_jshtml())\n"
      ],
      "metadata": {
        "id": "aaUtiZU7vBFM"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# Animación 6: Superficie 3D Animada\n",
        "\n",
        "from mpl_toolkits.mplot3d import Axes3D\n",
        "\n",
        "# Valores de intensidad del tratamiento para la animación\n",
        "effect_sizes = np.linspace(0, 10, 30)\n",
        "\n",
        "def animate_3d_surface():\n",
        "    fig = plt.figure(figsize=(10, 8))\n",
        "    ax = fig.add_subplot(111, projection='3d')\n",
        "\n",
        "    def update(num):\n",
        "        ax.clear()\n",
        "        effect = effect_sizes[num]\n",
        "        Y_surface = 2 + 3 * X_grid + effect  # Actualizar Y_surface\n",
        "\n",
        "        # Graficar la superficie\n",
        "        surface = ax.plot_surface(X_grid, effect_grid, Y_surface, cmap='viridis', alpha=0.8)\n",
        "        ax.set_title(f'Efecto del Tratamiento en Función de X e Intensidad (Intensidad={effect:.2f})', fontsize=14)\n",
        "        ax.set_xlabel('X (Covariable)', fontsize=12)\n",
        "        ax.set_ylabel('Intensidad del Tratamiento', fontsize=12)\n",
        "        ax.set_zlabel('Y_observed', fontsize=12)\n",
        "        ax.set_zlim(2, 15)\n",
        "        ax.view_init(elev=20, azim=45)\n",
        "\n",
        "    ani = animation.FuncAnimation(fig, update, frames=len(effect_sizes), repeat=False)\n",
        "    plt.close(fig)\n",
        "    return ani\n",
        "\n",
        "# Crear y mostrar la animación\n",
        "X_grid = np.linspace(0, 1, 50)\n",
        "effect_grid = np.linspace(0, 10, 50)\n",
        "X_grid, effect_grid = np.meshgrid(X_grid, effect_grid)\n",
        "ani6 = animate_3d_surface()\n",
        "HTML(ani6.to_jshtml())\n"
      ],
      "metadata": {
        "id": "ofVuMjv3vF2a"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [],
      "metadata": {
        "id": "Hlpp13jqGGoq"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# Instalar las dependencias necesarias\n",
        "!apt-get install ffmpeg imagemagick -y\n",
        "\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from matplotlib import animation\n",
        "from IPython.display import HTML, Image\n",
        "from mpl_toolkits.mplot3d import Axes3D\n",
        "\n",
        "# Configuración de estilo\n",
        "plt.style.use('seaborn-whitegrid')\n",
        "\n",
        "# Simular una población\n",
        "np.random.seed(42)\n",
        "n = 1000\n",
        "X = np.random.rand(n)  # Covariable (por ejemplo, nivel de ingresos)\n",
        "treatment = np.random.binomial(1, 0.5, size=n)  # Asignar tratamiento aleatoriamente\n",
        "\n",
        "# Definir resultados potenciales\n",
        "Y0 = 2 + 3 * X + np.random.randn(n)  # Resultados del grupo de control\n",
        "Y1 = Y0 + 5  # El efecto del tratamiento suma 5 unidades\n",
        "\n",
        "# Resultados observados basados en la asignación de tratamiento\n",
        "Y_observed = np.where(treatment == 1, Y1, Y0)\n",
        "\n",
        "# Crear DataFrame\n",
        "df = pd.DataFrame({\n",
        "    'X': X,\n",
        "    'treatment': treatment,\n",
        "    'Y_observed': Y_observed\n",
        "})\n",
        "\n",
        "# Diccionarios para colores y etiquetas\n",
        "colors = {0: 'skyblue', 1: 'salmon'}\n",
        "labels = {0: 'Control', 1: 'Tratamiento'}\n",
        "\n",
        "# Importar rc para configurar el backend de animación\n",
        "from matplotlib import rc\n",
        "rc('animation', html='jshtml')\n",
        "\n",
        "# -----------------------\n",
        "# Animación 1: Efecto del Tamaño de la Muestra\n",
        "# -----------------------\n",
        "\n",
        "def animate_sample_size():\n",
        "    fig, ax = plt.subplots(figsize=(8, 6))\n",
        "    sample_sizes = np.linspace(50, n, 50, dtype=int)\n",
        "\n",
        "    def update(num):\n",
        "        ax.clear()\n",
        "        current_n = sample_sizes[num]\n",
        "        df_sample = df.iloc[:current_n]\n",
        "\n",
        "        means = df_sample.groupby('treatment')['Y_observed'].mean()\n",
        "        ax.bar(['Control', 'Tratamiento'], means, color=['skyblue', 'salmon'])\n",
        "        ax.set_ylim(0, df['Y_observed'].max() + 2)\n",
        "        ax.set_title(f'Efecto del Tratamiento (n={current_n})', fontsize=16)\n",
        "        ax.set_ylabel('Media de Y_observed', fontsize=12)\n",
        "        ax.set_xlabel('Grupo', fontsize=12)\n",
        "        ax.grid(True)\n",
        "\n",
        "    ani = animation.FuncAnimation(fig, update, frames=len(sample_sizes), repeat=False)\n",
        "    plt.close(fig)\n",
        "    return ani\n",
        "\n",
        "# Crear y mostrar la animación\n",
        "ani1 = animate_sample_size()\n",
        "HTML(ani1.to_jshtml())\n"
      ],
      "metadata": {
        "id": "9tOpximTtBVi"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "code",
      "source": [
        "# Instalar las dependencias necesarias\n",
        "!apt-get install ffmpeg -y\n",
        "\n",
        "import numpy as np\n",
        "import pandas as pd\n",
        "import matplotlib.pyplot as plt\n",
        "from matplotlib import animation\n",
        "from IPython.display import HTML\n",
        "\n",
        "# Configuración de estilo\n",
        "plt.style.use('seaborn-whitegrid')\n",
        "\n",
        "# Simular una población\n",
        "np.random.seed(42)\n",
        "n = 1000\n",
        "X = np.random.rand(n)  # Covariable (por ejemplo, nivel de ingresos)\n",
        "treatment = np.random.binomial(1, 0.5, size=n)  # Asignar tratamiento aleatoriamente\n",
        "\n",
        "# Definir resultados potenciales\n",
        "Y0 = 2 + 3 * X + np.random.randn(n)  # Resultados del grupo de control\n",
        "Y1 = Y0 + 5  # El efecto del tratamiento suma 5 unidades\n",
        "\n",
        "# Resultados observados basados en la asignación de tratamiento\n",
        "Y_observed = np.where(treatment == 1, Y1, Y0)\n",
        "\n",
        "# Crear DataFrame\n",
        "df = pd.DataFrame({\n",
        "    'X': X,\n",
        "    'treatment': treatment,\n",
        "    'Y_observed': Y_observed\n",
        "})\n",
        "\n",
        "# Función para crear una animación que muestra el efecto del tamaño de la muestra\n",
        "def animate_sample_size():\n",
        "    fig, ax = plt.subplots(figsize=(8, 6))\n",
        "\n",
        "    # Lista de tamaños de muestra para la animación\n",
        "    sample_sizes = np.linspace(50, n, 50, dtype=int)\n",
        "\n",
        "    colors = {0: 'skyblue', 1: 'salmon'}\n",
        "    labels = {0: 'Control', 1: 'Tratamiento'}\n",
        "\n",
        "    def update(num):\n",
        "        ax.clear()\n",
        "        current_n = sample_sizes[num]\n",
        "        df_sample = df.iloc[:current_n]\n",
        "\n",
        "        means = df_sample.groupby('treatment')['Y_observed'].mean()\n",
        "        ax.bar(['Control', 'Tratamiento'], means, color=['skyblue', 'salmon'])\n",
        "        ax.set_ylim(0, df['Y_observed'].max() + 2)\n",
        "        ax.set_title(f'Efecto del Tratamiento (n={current_n})', fontsize=16)\n",
        "        ax.set_ylabel('Media de Y_observed', fontsize=12)\n",
        "        ax.set_xlabel('Grupo', fontsize=12)\n",
        "        ax.grid(True)\n",
        "\n",
        "    ani = animation.FuncAnimation(fig, update, frames=len(sample_sizes), repeat=False)\n",
        "    plt.close(fig)\n",
        "    return ani\n",
        "\n",
        "# Crear y guardar la animación\n",
        "ani = animate_sample_size()\n",
        "\n",
        "# Guardar la animación como video MP4\n",
        "ani.save('treatment_effect_animation.mp4', writer='ffmpeg', fps=5)\n",
        "\n",
        "# Mostrar la animación en el notebook\n",
        "from IPython.display import Video\n",
        "Video('treatment_effect_animation.mp4', embed=True)\n"
      ],
      "metadata": {
        "id": "JBf6yQo9q4No"
      },
      "execution_count": null,
      "outputs": []
    },
    {
      "cell_type": "markdown",
      "source": [],
      "metadata": {
        "id": "r_liX5VRmpK-"
      }
    },
    {
      "cell_type": "code",
      "source": [],
      "metadata": {
        "id": "NN8YQowDgdBI"
      },
      "execution_count": null,
      "outputs": []
    }
  ]
}