Métodos de Econometría Aplicada con Python

1. En los datos simulados de Café Altura, la correlación entre el precio medio y las ventas medias de las 40 tiendas es +0.621. ¿Qué conclusión es correcta?

Subir el precio aumenta las ventas, porque la correlación es positiva y alta
La correlación no mide el efecto del precio: un factor como la ubicación puede elevar a la vez el precio y las ventas
El precio no influye en las ventas, porque una correlación de 0.621 no es significativa
Hace falta un modelo de series de tiempo, porque la correlación solo funciona con datos mensuales

2. El conjunto principal de Café Altura observa 40 tiendas durante 104 semanas (4160 filas). ¿Qué tipo de datos es?

Corte transversal, porque hay muchas tiendas
Serie de tiempo, porque hay muchas semanas
Datos experimentales, porque los precios cambian entre semanas
Datos panel: las mismas unidades observadas en varios periodos

3. ¿Para qué sirve crear un entorno virtual (con python -m venv .venv o uv venv) antes de instalar statsmodels y linearmodels?

Para aislar las librerías y versiones de cada proyecto y que un análisis no dependa de lo instalado en otros
Para que los modelos de statsmodels se ejecuten más rápido
Para poder usar fórmulas como log_ventas ~ log_precio
Para que Jupyter guarde los notebooks en la nube

4. En la estructura de proyecto recomendada, ¿qué regla aplica a la carpeta data/raw?

Se sobrescribe con la versión limpia para no duplicar archivos
Guarda las figuras del informe final
Es inmutable: las correcciones se hacen en código y el resultado va a data/processed
Se puede corregir a mano si el error es pequeño

5. Las funciones de datos de Café Altura usan semilla fija (por ejemplo, generar_panel(semilla=42)). ¿Qué ventaja da eso?

Hace que los datos simulados se parezcan más a los reales
Cada ejecución produce exactamente los mismos datos y, por tanto, las mismas cifras
Evita tener que fijar versiones de las librerías
Reduce el sesgo de las regresiones