Métodos de Econometría Aplicada con Python

Proyecto final: el precio de Café Altura

Durante el curso exploraste el panel de ventas, estimaste regresiones y las diagnosticaste, modelaste series de tiempo, respuestas binarias y datos panel. Ahora juntas todo para responder una pregunta de negocio con una recomendación defendible. Café Altura es una cadena ficticia y todos los datos son simulados. Se usan Python 3.11 o superior, pandas, statsmodels 0.14 y linearmodels. El notebook proyecto-precio-optimo contiene una solución de referencia: consúltalo al terminar, no antes.

Contexto

Café Altura tiene 40 sucursales en 8 ciudades de México. En 2025 subió sus precios y vendió menos tazas que en 2024. La dirección te encarga un análisis con una pregunta central: ¿qué precio conviene cobrar? Quiere saber cuánto cae la demanda cuando sube el precio, si la subida de 2025 fue un error y qué hacer en adelante. Producir cada bebida cuesta 18 MXN (supón ese costo unitario constante).

Datos

Copia las funciones de datos de la primera celda de cualquier notebook del curso (generar_tiendas, generar_ventas, generar_panel, generar_mensual y generar_clientes), sin cambiar las semillas:

df = generar_panel()
print(df.shape)                       # (4160, 13)
print(df["tienda"].nunique())         # 40
print(df["semana"].min(), df["semana"].max())

El panel cubre 104 semanas, del 2024-01-01 al 2025-12-22. Si no obtienes esas cifras, revisa las semillas. generar_mensual() trae las ventas mensuales de la cadena de 2014 a 2023 y generar_clientes() una encuesta de 2500 clientes. No uses el diccionario VERDAD: tu análisis debe llegar a las cifras por sí mismo.

Preguntas obligatorias

1. Diagnóstico descriptivo. Cuantifica el cambio de precio y de tazas entre 2024 y 2025, total y por ciudad. Muestra la relación entre precio y ventas entre tiendas y dentro de cada tienda, y explica por qué difieren.
2. La regresión ingenua. Estima log_ventas ~ log_precio por MCO e interpreta el coeficiente. Explica, con el concepto de sesgo por variable omitida, por qué no sirve para decidir el precio.
3. Una elasticidad confiable. Estima la elasticidad con datos panel y efectos fijos por tienda (PanelOLS con EntityEffects), con controles de promoción, temperatura y publicidad. Reporta el coeficiente, su intervalo de confianza al 95 % y su interpretación.
4. Diagnóstico del modelo. Justifica la elección de efectos fijos frente a pooled y efectos aleatorios con al menos dos pruebas (por ejemplo, la F de los efectos y el enfoque de Mundlak). Usa errores estándar por cluster de tienda y muestra cuánto cambian frente a los clásicos.
5. Cuánto explica el precio. Con tu elasticidad, calcula qué parte de la caída de tazas de 2025 se debe a la subida de precio.
6. Recomendación de precio. Aplica la regla de Lerner, (p* − c) / p* = −1 / e, con un costo unitario c = 18 MXN. Calcula el precio óptimo p* y el rango que resulta de usar los extremos del intervalo de la elasticidad. Compara con el precio medio de 2025.
7. Ingreso contra utilidad. Simula al menos cuatro cambios de precio (por ejemplo, −10 %, −5 %, +5 % y +10 %) y reporta el efecto en tazas, ingreso y utilidad. Explica por qué un escenario puede subir el ingreso y bajar la utilidad.

Extras opcionales

• Pronóstico 2024. Con generar_mensual() en logaritmo, identifica un SARIMA con ACF/PACF y AIC, valida en un holdout de 12 meses (2023) contra un naive estacional con MAPE, revisa Ljung-Box y pronostica 2024 con intervalos.
• Clientes y café en grano. Con generar_clientes(), estima logit y probit de compra_grano, reporta efectos marginales promedio y propone a qué clientes dirigir una campaña.

Entregables

1. proyecto.ipynb, ejecutado de principio a fin sin errores tras reiniciar el kernel, con una celda de texto por pregunta.
2. Informe de 2 páginas (PDF o Markdown) para la dirección: pregunta, datos, método en lenguaje no técnico, cifras clave, recomendación y tres limitaciones.
3. Presentación de 5 diapositivas para la dirección, con la estructura de abajo.

Estructura sugerida de la presentación

1. La pregunta y el hallazgo: qué preguntó la dirección y la respuesta en una frase con cifra.
2. Por qué el dato crudo engaña: una gráfica de precio contra ventas entre tiendas y dentro de cada tienda.
3. La elasticidad: el valor con efectos fijos, su intervalo y qué significa en tazas.
4. Escenarios: tabla de tazas, ingreso y utilidad para cada cambio de precio, con el precio de Lerner.
5. Recomendación y riesgos: qué hacer, cómo comprobarlo (por ejemplo, un piloto en algunas tiendas) y qué supuestos podrían fallar.

Escribe para alguien que no conoce la econometría: una idea por diapositiva y cifras redondeadas.

Rúbrica (100 puntos, más 10 de extras)

• Diagnóstico descriptivo (10 puntos): cifras 2024-2025 correctas y la paradoja entre y dentro de tiendas explicada.
• Regresión ingenua y sesgo (10 puntos): interpretación correcta y explicación del sesgo por variable omitida.
• Elasticidad con efectos fijos (20 puntos): especificación correcta, intervalo e interpretación.
• Diagnóstico del modelo (15 puntos): pruebas pertinentes, errores por cluster y conclusión clara.
• Precio y escenarios (20 puntos): regla de Lerner bien aplicada, rango por incertidumbre e ingreso separado de utilidad.
• Informe (10 puntos): claro, con cifras y limitaciones honestas, sin inventar causas.
• Presentación (10 puntos): cinco diapositivas que se entienden sin el notebook.
• Reproducibilidad (5 puntos): el notebook corre completo y las semillas no cambiaron.
• Extras (hasta 10 puntos): pronóstico validado o modelo de clientes con efectos marginales.