Ganancias:
- Capacidad para limpiar datos económicos sin procesar (observaciones faltantes, confusión de unidades, desajuste de frecuencia) y prepararlos para el análisis con la ayuda de inteligencia artificial.
- Capacidad para imprimir transformaciones económicas estándar, como conversión nominal real, indexación, tasa de crecimiento, ajuste estacional como código en inteligencia artificial y verificarlas manualmente.
- Capacidad para reconocer datos a través de análisis de datos exploratorios (estadísticas resumidas, distribución, valores atípicos, correlación) y leer críticamente resúmenes de inteligencia artificial.
Los datos económicos rara vez vienen listos para su análisis. En una tabla que descargaste de TURKSTAT, faltan algunos meses, una columna viene como texto con mil corchetes, el tipo de cambio está en formato turco como "1.234,56", una serie es mensual y la otra es trimestral. La mayor parte del tiempo del economista no se dedica al análisis, sino a preparar los datos para el análisis. Aquí es donde la IA es un acelerador real y de bajo riesgo: sugiere pasos de limpieza, escribe pandas (la biblioteca de procesamiento de datos de Python), codifica transformaciones económicas estándar. Pero esta unidad también tiene una regla inmutable: lees cada transformación escrita por inteligencia artificial y la verificas manualmente en al menos una observación. Si el ciclo real-nominal está en mal estado, todo el análisis decae silenciosamente.
Limpieza: ¿qué problemas, cómo solucionarlos?
Los problemas más comunes en los datos económicos y su lógica:
- Observación incompleta. Un mes/trimestre está vacío. La solución depende del contexto: si realmente no existe, se deja en blanco; Si hay una brecha técnica, se realiza una interpolación cuidadosa, pero la línea entre la fabricación es delgada.
- Confusión de unidades y formatos. El texto "12.345.6" debe convertirse en un número; millones/millones deberían volverse consistentes.
- Desajuste de frecuencia. Para combinar una serie mensual y trimestral, se agrega una (mensual a trimestral); si es promedio, total o final de período depende de la naturaleza del indicador (distinción entre stock y flujo).
- Valores atípicos (extremos). Si una observación se desvía mucho: ¿se trata de un acontecimiento real (crisis, aumento de precios) o de un error en los datos? Se entiende antes de la eliminación.
- Alineación de fechas. Se sincronizan los formatos de fecha y las definiciones de período de diferentes series.
Atención: Completar los datos que faltan parece inocente, pero es una decisión económica. Llenar un mes de crisis con el "promedio de los meses vecinos" significa eliminar esa crisis del análisis. Antes de completar, pregunte "¿por qué existe este vacío?" Responde la pregunta.
Transformaciones económicas estándar
Transformaciones y sus definiciones en el repertorio cotidiano de un economista:
- Nominal → Real. Ajustando por el impacto de los precios: valor real = valor nominal / índice de precios × 100. El año base del deflactor (índice de ajuste) determina la base del resultado.
- Indexación. Reescalar una serie para que un período seleccionado = 100; Es útil para comparar series de diferentes tamaños.
- Índice de crecimiento. Anual: (mismo período este período / año pasado − 1) × 100. La tasa periódica y la anualizada son cosas diferentes; Confundir es un error común.
- Corrección estacional. Efectos estacionales regulares depurativos (turismo de verano, vacaciones); Las series crudas y las series desestacionalizadas cuentan historias diferentes.
- Media móvil. Suavizar el ruido y hacer visible la tendencia.
- Logaritmos y diferenciación. Examinar la dinámica del crecimiento y la estacionariedad (se profundizará en la unidad de series de tiempo).
Consejo: Con cada conversión se le preguntará "¿qué pasó con la unidad y la base?" preguntar. La base de la serie real es la base del deflactor; La base de la serie indexada es el periodo que elijas. Mantener esto escrito evita errores futuros.
Análisis de datos exploratorios (EDA)
Es necesario reconocer los datos antes de ingresarlos al modelo. El análisis de datos exploratorios (EDA) incluye: resumen estadístico (media, mediana, desviación estándar, mínimo-máximo), forma de la distribución, evolución en el tiempo, valores atípicos y correlación entre series. La IA genera rápidamente el código para estos pasos; Su trabajo es leer el resultado con un ojo económico: "¿Es razonable este promedio? ¿Es esta correlación una coincidencia o una relación conocida?"
Precaución: aquí la correlación es sólo un medio de identificación, no una prueba de causalidad. El hecho de que dos series avancen juntas (por ejemplo, las ventas de helados y los ahogamientos, ambos desencadenados por el verano) no indica necesariamente que una conduzca a la otra. Profundizaremos esta distinción en la unidad 7.
tres mini casos
Caso 1: Base deflactora incorrecta. Un analista hizo que la inteligencia artificial escribiera un código para realizar la serie salarial. El código funcionó, el resultado parecía razonable, pero el analista calculó manualmente 2020 en el paso CALCULAR y no funcionó. Problema: la inteligencia artificial utilizó el deflactor con base 2003=100 y solicitó la serie de salarios con precios de 2015; Las bases estaban en conflicto. El código se reparó con una sola línea y toda la serie encajó.
Caso 2: error de volumen silencioso. Una institución había reducido los datos de exportaciones en miles de dólares y las importaciones en millones de dólares. Cuando la inteligencia artificial eliminó ambos para la "balanza comercial exterior", el resultado fue un déficit absurdo. La vista min-max en EDA reveló el error: el orden de magnitud de las dos series difería en un factor de 1000. Una vez que se igualó la unidad, el equilibrio era correcto.
Caso 3: No eliminar el valor atípico. Un mes en una serie fue extraordinariamente bajo. La IA sugirió "un valor atípico, limpiémoslo". El analista investigó: en realidad, ese mes la producción se había detenido debido a un desastre natural. El valor era real; Eliminarlo distorsionaría la historia. En lugar de eliminarlo, se puso una nota a pie de página. La "clara" recomendación de AI no se siguió a ciegas.
Tabla de validación de conversión
Conversión
esencia de fórmula
punto de control manual
realización
nominal / índice de precios × 100
¿Base del deflactor = base de resultados?
crecimiento anual
(t/t-12mes − 1)×100
Calcular un período en papel.
indexación
serie/período base × 100
¿El valor del período base es 100?
Mensual → trimestral
flujo: recoger / stock: fin de período
¿Método de recogida correcto?
media móvil
promedio de los últimos n períodos
¿La longitud de la ventana es correcta?
Cuatro plantillas copiables
1) Plan de limpieza:
Tengo estos datos sin procesar: [columnas y filas de muestra]. Elaborar un plan de limpieza para prepararse para el análisis: valor faltante, problema de unidad/formato, alineación de fechas, alineación de frecuencia, posibles valores atípicos. Explique en una oración por qué cada paso es necesario. No escribas código todavía; Déjame confirmar el plan primero.
2) código de limpieza de pandas:
Escribe el código pandas de acuerdo con el plan que aprobé. Deje que el código indique lo que hace en cada paso con una línea de comentario; Imprime el número de filas y valores faltantes después de la conversión. No borres silenciosamente ninguna observación; Informe cada línea que elimine.
3) Realización (comprobable):
Realice esta serie nominal con [índice de precios]. Escriba claramente el año base del deflactor cuando lo utilice; Especifica cuál es la base de la serie resultante. Muéstrame la cuenta paso a paso por un solo periodo para poder verificarla manualmente.
4) Resumen del análisis exploratorio:
Escriba código de análisis exploratorio para los siguientes datos limpios: estadísticas resumidas, gráfico de series temporales, escaneo de valores atípicos y matriz de correlación. Al interpretar los resultados, deja claro que las correlaciones que encuentres no son CAUSALES y enumera 3 puntos que me destacan.
Aviso débil / Aviso fuerte
Aviso débil:
Borre estos datos.
La IA actúa con suposiciones sin saber qué limpiar; Puedes borrar observaciones, cambiar unidades, no lo notarás.
Potente mensaje:
En estos datos mensuales de comercio exterior, las exportaciones están en "miles de dólares" y las importaciones en "millones de dólares". Haga los dos iguales en "millones de USD", marque los meses que faltan pero NO LLENE, alinee las fechas al final del mes. Imprima cuántas filas se ven afectadas en cada paso; No elimine silenciosamente ninguna fila. Luego muestra el saldo de un solo mes de manera que pueda verificarlo manualmente.
Errores comunes
- Ejecutar el código de conversión sin leerlo. La base/unidad incorrecta corrompe silenciosamente todo el análisis.
- Completar datos faltantes sin pensar. Borrando el período de crisis/desastre con el promedio.
- Descarta automáticamente los valores atípicos. Confundir un evento real con un error de datos.
- Crecimiento estacional y anual confuso. Los dos son de diferentes tamaños.
- Combinar frecuencias incorrectamente. Recopilar la serie de acciones y procesarla como un flujo.
- Confundir la correlación en EDA con causalidad. Confundir la herramienta de reconocimiento con evidencia.
En resumen
La limpieza y transformación de datos es el 80 por ciento invisible pero decisivo del análisis económico. La inteligencia artificial acelera drásticamente este trabajo mecánico; pero depende de usted leer cada paso de limpieza y cada transformación y verificar manualmente al menos una observación. Las decisiones sobre la base, la unidad, la frecuencia y los valores atípicos del deflactor son decisiones económicas y no pueden dejarse ciegamente en manos de la inteligencia artificial. El análisis exploratorio introduce datos, pero no hay correlación, no hay causalidad.
Tarea de aplicación
Descargue una serie cruda real (por ejemplo, IPC mensual y una serie de salario/ingreso nominal). Cree un plan de limpieza con la primera plantilla, genere el código con la segunda plantilla y realice la serie con la tercera plantilla. Luego calcule el valor real de un solo período en papel y compárelo con la producción de la inteligencia artificial. Si encuentra una discrepancia, diagnostique y corrija su origen (base/unidad) y observe el progreso.
lista de verificación
- [] Revisé y aprobé el plan de limpieza antes de escribir el código.
- [] La inteligencia artificial informó que todas las líneas fueron eliminadas/cambiadas; Sin eliminación silenciosa.
- [ ] Al completar los datos faltantes, es posible que pregunte "¿por qué está vacío?" Respondí la pregunta.
- [] Investigué si el valor atípico era un evento real o un error de datos.
- [ ] En la realización, verifiqué que la base del deflactor y la base del resultado coinciden.
- [] Volví a calcular manualmente la conversión de al menos un período.
- [ ] No presenté correlaciones en EDA como causalidad.