Pablo Zavala · Evaluación de seguridad de IA · Ingeniería de investigación

¿Qué determina el precio de una vivienda en Los Ángeles?

Un estudio de big data de la Universidad de Chicago Booth, escrito en coautoría con Will Sigal, que fija el precio de 3.804 viviendas unifamiliares del condado de Los Ángeles a partir de características estructurales y del vecindario, y luego audita su propia cifra principal. Un ensamble apilado y ajustado alcanza un R² fuera de muestra de 0,621 bajo validación cruzada aleatoria y cae a 0,431 cuando la evaluación se traslada a bloques geográficos reservados; en el espectro separado de dejar una región fuera, el desempeño de los ensambles de árboles decae hacia cero, mientras el modesto modelo lineal regularizado es el que mejor extrapola en el espacio. Double/Debiased ML con ajuste cruzado sitúa la prima costera directa cerca de +29,8% por pie cuadrado, mientras la prima ingenua de escuela privada colapsa a un cero estadístico.

A través de aproximadamente diez modelos ajustados, el R² con validación cruzada aleatoria de 0,621 cae a 0,431 bajo validación por bloques espaciales, y un espectro de dejar una región fuera hace que el desempeño de los ensambles de árboles decaiga hacia cero; Double ML estima una prima costera directa de +29,8% (IC del 95% [0,16; 0,33] en puntos logarítmicos) y reduce la brecha ingenua de escuela privada a +0,7%.

Repositorio público reproducible y documento de trabajo

Las lecturas causales se sostienen solo bajo el supuesto de ignorabilidad, la estimación costera descansa sobre 100 viviendas tratadas, y los términos de terceros mantienen los registros a nivel de vivienda fuera del repositorio, de modo que una reejecución completa parte de la tabla depurada que el código de ingesta confirmado reconstruye.

Rol: Trabajo de curso conjunto con Will Sigal: diseño, modelado y redacción compartidos a lo largo del paquete de análisis y el documento de trabajo de 22 páginas.

Tarjeta de evaluación

Resultado principal

Muestra

3.804 anuncios de vivienda unifamiliar en 152 ciudades del condado de Los Ángeles, una tabla de modelado depurada

Evaluador

R² agregado fuera de pliegue bajo validación cruzada aleatoria de 5 pliegues, por bloques espaciales, y dejando una región fuera; barrido de ajuste con validación cruzada anidada y apilamiento

Resultado

Un ensamble apilado y ajustado lidera la validación cruzada aleatoria con R² 0,621; los bloques espaciales reducen su puntaje a 0,431, mientras el elastic net ajustado obtiene la mejor cifra espacial con 0,448; en el espectro de dejar una región fuera, el modelo lineal regularizado extrapola mejor.

Límite

Un solo condado y una sola instantánea de anuncios; los bloques espaciales aproximan, en lugar de reproducir, un despliegue verdaderamente fuera de región.

Auditoría causal

Muestra

Cuatro tratamientos: costa dentro de media milla (100 tratadas), escuela privada dentro de 2 millas, cualquier ejecución hipotecaria dentro de 1 milla, distancia por milla

Evaluador

Double/Debiased ML con ajuste cruzado y funciones nuisance mediante gradient boosting; bootstrap por bloques espaciales para IC del 95%; sensibilidad del conjunto de controles

Resultado

Costa +29,8% (IC [0,16; 0,33] en puntos logarítmicos); escuela privada +0,7% (IC [-0,11; 0,11] en puntos logarítmicos); ejecución hipotecaria -7,0% (IC [-0,14; -0,01] en puntos logarítmicos), una lectura sugestiva; solo con controles estructurales, la prima costera total llega a +79,4%.

Límite

Estimaciones observacionales ajustadas por confusión, causales solo bajo ignorabilidad dados los controles.

Nivel de evidencia

Muestra

Repositorio público con el documento de trabajo, figuras, tablas, pruebas y CI

Evaluador

make all regenera cada figura y tabla sin conexión; macros.tex, results.json y results_full.json fijan el manuscrito a la salida del pipeline

Resultado

Cada número citado en esta página aparece en los archivos de resultados confirmados, las macros generadas, las tablas del documento, el README o el PDF del documento alojado.

Límite

Los registros a nivel de vivienda permanecen retenidos por términos de terceros; reconstruir la tabla depurada requiere las fuentes crudas más el código de ingesta confirmado.

Afiliación

Muestra

University of Chicago Booth, BUSN 41201 (Big Data), mayo de 2024

Evaluador

Portada del documento y README del repositorio

Resultado

Trabajo de curso de posgrado, escrito en coautoría por Pablo Zavala y Will Sigal, siguiendo el conjunto de herramientas de Business Data Science de Taddy.

Límite

Los materiales del curso, las consignas y el contexto de calificación permanecen privados.

Página actualizada

Muestra

Julio de 2026

Evaluador

Registro de contenido del sitio

Resultado

Entrada redactada el 10 de julio de 2026 a partir del repositorio público, sus resultados confirmados y el documento de trabajo.

Límite

Las cifras reflejan las salidas confirmadas del pipeline y no una reejecución nueva.

Ejes de evaluación con muestra, evaluador, resultado y límite.

Eje	Muestra	Evaluador	Resultado	Límite
Resultado principal	3.804 anuncios de vivienda unifamiliar en 152 ciudades del condado de Los Ángeles, una tabla de modelado depurada	R² agregado fuera de pliegue bajo validación cruzada aleatoria de 5 pliegues, por bloques espaciales, y dejando una región fuera; barrido de ajuste con validación cruzada anidada y apilamiento	Un ensamble apilado y ajustado lidera la validación cruzada aleatoria con R² 0,621; los bloques espaciales reducen su puntaje a 0,431, mientras el elastic net ajustado obtiene la mejor cifra espacial con 0,448; en el espectro de dejar una región fuera, el modelo lineal regularizado extrapola mejor.	Un solo condado y una sola instantánea de anuncios; los bloques espaciales aproximan, en lugar de reproducir, un despliegue verdaderamente fuera de región.
Auditoría causal	Cuatro tratamientos: costa dentro de media milla (100 tratadas), escuela privada dentro de 2 millas, cualquier ejecución hipotecaria dentro de 1 milla, distancia por milla	Double/Debiased ML con ajuste cruzado y funciones nuisance mediante gradient boosting; bootstrap por bloques espaciales para IC del 95%; sensibilidad del conjunto de controles	Costa +29,8% (IC [0,16; 0,33] en puntos logarítmicos); escuela privada +0,7% (IC [-0,11; 0,11] en puntos logarítmicos); ejecución hipotecaria -7,0% (IC [-0,14; -0,01] en puntos logarítmicos), una lectura sugestiva; solo con controles estructurales, la prima costera total llega a +79,4%.	Estimaciones observacionales ajustadas por confusión, causales solo bajo ignorabilidad dados los controles.
Nivel de evidencia	Repositorio público con el documento de trabajo, figuras, tablas, pruebas y CI	make all regenera cada figura y tabla sin conexión; macros.tex, results.json y results_full.json fijan el manuscrito a la salida del pipeline	Cada número citado en esta página aparece en los archivos de resultados confirmados, las macros generadas, las tablas del documento, el README o el PDF del documento alojado.	Los registros a nivel de vivienda permanecen retenidos por términos de terceros; reconstruir la tabla depurada requiere las fuentes crudas más el código de ingesta confirmado.
Afiliación	University of Chicago Booth, BUSN 41201 (Big Data), mayo de 2024	Portada del documento y README del repositorio	Trabajo de curso de posgrado, escrito en coautoría por Pablo Zavala y Will Sigal, siguiendo el conjunto de herramientas de Business Data Science de Taddy.	Los materiales del curso, las consignas y el contexto de calificación permanecen privados.
Página actualizada	Julio de 2026	Registro de contenido del sitio	Entrada redactada el 10 de julio de 2026 a partir del repositorio público, sus resultados confirmados y el documento de trabajo.	Las cifras reflejan las salidas confirmadas del pipeline y no una reejecución nueva.

Cómo inspeccionar este trabajo

Un puntaje, tres respuestas

El documento puntúa sus modelos bajo regímenes que responden preguntas distintas. La validación cruzada aleatoria (R² 0,621 para el ensamble ajustado) fija el precio de una vivienda cuyos vecinos aparecen en los datos de entrenamiento; la validación por bloques espaciales (0,431) fija el precio de una región parcialmente reservada; y un espectro de dejar una región fuera sobre LASSO, random forest y XGBoost fija el precio de partes genuinamente no vistas del condado, donde el desempeño de los ensambles de árboles decae hacia cero. La diferencia entre los regímenes mide cuánto de la cifra principal descansa en la interpolación.

Causalidad contrastada con asociación

Cada afirmación causal aparece junto a su contraparte ingenua. La brecha costera bruta de 0,904 puntos logarítmicos se reduce a una estimación de Double ML de 0,261; la brecha bruta de escuela privada de 0,442 se reduce a 0,007 con un intervalo que abarca el cero; y la asociación de ejecución hipotecaria invierte su signo, de una brecha bruta positiva a -7,0% tras el ajuste, una estimación que el documento interpreta como sugestiva porque el intervalo termina cerca de cero.

Verificación para el lector

Con la tabla de modelado depurada ya lista (los registros a nivel de vivienda permanecen retenidos por términos de terceros), make analysis reconstruye las figuras y tablas de referencia sin conexión en unos dos minutos, make all regenera todo, y los resultados confirmados registran una ejecución completa de ajuste más causalidad de 21,9 minutos. Las macros generadas fijan cada número del manuscrito a la salida del pipeline, las pruebas protegen los contratos de datos mientras CI ejecuta el conjunto de pruebas de lógica pura, y la tarjeta de datos registra la procedencia de cada fuente retenida, de modo que cada cifra citada remite al código confirmado.

Estudio de caso

Problema

El precio por pie cuadrado varía varias veces a lo largo del condado de Los Ángeles, a menudo dentro de unas pocas millas, y un único puntaje de validación cruzada infla artificialmente el desempeño de cualquier modelo sobre datos espaciales; por lo tanto, el estudio necesita un protocolo de evaluación que separe la estructura transferible de la interpolación entre vecinos cercanos.

Contexto

La tabla de análisis contiene 3.804 anuncios de vivienda unifamiliar en 152 ciudades, cada uno enriquecido mediante uniones espaciales con siete capas de vecindario: conteo de escuelas, delitos violentos a nivel de sector censal, ingreso y densidad censales, superficie de parques, restaurantes mejor calificados, registros de ejecución hipotecaria de 2021, y distancia a la costa. La variable objetivo, el logaritmo del precio por pie cuadrado, atenúa una cola derecha pesada y permite leer los coeficientes como efectos porcentuales aproximados.

Método

Un barrido ajustado de aproximadamente diez modelos, rematado por un ensamble apilado, se evalúa sobre predicciones agregadas fuera de pliegue bajo los regímenes aleatorio de 5 pliegues y por bloques espaciales, mientras un espectro separado de dejar una región fuera pone a prueba el trío sin ajustar de LASSO, random forest y XGBoost. Una regresión OLS hedónica con errores estándar robustos HC3, una verificación de dispersión mediante LASSO, y un análisis de importancia por permutación con datos reservados sobre el random forest se encargan de la asociación; Double/Debiased ML con ajuste cruzado y un bootstrap por bloques espaciales se encarga del ajuste causal; Moran's I audita el agrupamiento de los residuos.

Resultado

El ensamble apilado alcanza un R² de 0,621 bajo validación cruzada aleatoria y 0,431 bajo bloques espaciales; en el espectro de dejar una región fuera, XGBoost cae a 0,007 cuando la mitad del condado queda excluida, mientras LASSO mantiene 0,276. Double ML sitúa la prima costera directa en +29,8% por pie cuadrado (IC del 95% [0,16; 0,33] en puntos logarítmicos) frente a una brecha ingenua de 0,904, reduce la prima de escuela privada a un cero estadístico, e invierte la externalidad de ejecución hipotecaria a -7,0%, una lectura sugestiva con un intervalo que termina cerca de cero.

Límite

Las estimaciones causales siguen siendo observacionales, válidas solo bajo ignorabilidad, y el contraste costero descansa sobre 100 viviendas tratadas; los residuos fuera de muestra conservan estructura espacial (Moran's I 0,056 bajo validación cruzada aleatoria, 0,346 bajo validación cruzada espacial), lo que apunta hacia un modelado explícito del error espacial como siguiente paso.

Evidencia

Con la tabla depurada ya lista, el repositorio público regenera cada figura y tabla sin conexión mediante make all, fija los números del manuscrito mediante macros generadas, e incluye pruebas más un conjunto de pruebas de lógica pura en CI; la tarjeta de datos registra la procedencia y las condiciones de licencia de cada fuente retenida.

Resultados clave

• El R² con validación cruzada aleatoria de 0,621 para el ensamble apilado y ajustado cae a 0,431 bajo validación por bloques espaciales, y un espectro de dejar una región fuera hace que el desempeño de los ensambles de árboles decaiga hacia cero
• LASSO mantiene un R² fuera de muestra de 0,276 con la mitad del condado reservada mientras XGBoost cae a 0,007, de modo que el modelo lineal regularizado es el que mejor extrapola
• Double ML sitúa la prima costera directa en +29,8% por pie cuadrado (IC del 95% [0,16; 0,33] en puntos logarítmicos) frente a una brecha ingenua de 0,904 puntos logarítmicos, con una lectura de prima total de +79,4% solo con controles estructurales
• La prima ingenua de escuela privada de 0,442 puntos logarítmicos colapsa a +0,7% (IC del 95% [-0,11; 0,11] en puntos logarítmicos) tras ajustar por la ubicación de las escuelas privadas
• Cada número del manuscrito se regenera sin conexión a partir de una sola tabla depurada mediante macros generadas, con pruebas y CI en el repositorio público

Métodos

• OLS hedónico (robusto HC3)
• Verificación de dispersión LASSO
• Ajuste con validación cruzada anidada y apilamiento
• Validación cruzada por bloques espaciales
• Double/Debiased ML
• Bootstrap por bloques espaciales
• Diagnósticos de Moran's I