Métodos de Econometría Aplicada con Python

1. Quieres comparar ventas en pesos de 2014 y de 2023 obtenidas de una fuente pública. ¿Qué conviene hacer antes?

Sacar el logaritmo, porque elimina la inflación
Restar la media de cada año
Nada: el peso es la misma unidad en ambos años
Deflactar con un índice de precios para pasar de valores nominales a reales

2. Para la tienda T01, ventas.pct_change() devuelve [-0.127, 0.026, -0.048] en sus primeras semanas con datos. ¿Qué significa -0.127?

Que las ventas de esa semana fueron 12.7 % menores que las de la semana anterior
Que las ventas cayeron 0.127 tazas
Que T01 vende 12.7 % menos que el promedio de la cadena
Que la correlación entre semanas consecutivas es -0.127

3. Al pasar el panel semanal a frecuencia mensual por tienda (groupby por tienda + resample("MS")) se obtienen 960 filas. ¿De dónde sale esa cifra?

De 4160 semanas divididas entre 4.33 semanas por mes
De 8 ciudades por 120 meses
De 40 tiendas por 24 meses
De eliminar las semanas con promoción

4. En el EDA, la correlación precio-ventas entre tiendas es +0.621, pero al comparar cada tienda consigo misma (restando su media) es -0.602. ¿Cómo se interpreta?

Una de las dos cifras tiene un error de cálculo
La comparación entre tiendas está contaminada por factores fijos de cada tienda; dentro de la tienda se ve la demanda
La relación entre tiendas es la causal, porque usa más información
El precio no tiene efecto, porque las correlaciones se cancelan

5. La asimetría de las ventas semanales es 0.86 y la de log(ventas) es 0.04. Además de reducir la asimetría, ¿qué ventaja tiene usar log_ventas y log_precio?

Elimina la necesidad de controlar por otras variables
Hace que la correlación entre tiendas sea negativa
Convierte los datos panel en una serie de tiempo
En un modelo log-log el coeficiente del precio se lee como elasticidad