<?xml version="1.0" encoding="UTF-8"?>
<rdf:RDF xmlns="http://purl.org/rss/1.0/" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/">
<channel rdf:about="https://hdl.handle.net/20.500.12806/437">
<title>Facultad de Ciencias Empresariales y Economía</title>
<link>https://hdl.handle.net/20.500.12806/437</link>
<description/>
<items>
<rdf:Seq>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12806/2797"/>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12806/2796"/>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12806/2795"/>
<rdf:li rdf:resource="https://hdl.handle.net/20.500.12806/2753"/>
</rdf:Seq>
</items>
<dc:date>2026-04-07T09:15:57Z</dc:date>
</channel>
<item rdf:about="https://hdl.handle.net/20.500.12806/2797">
<title>Gender &amp; High Frequency vs. Low Frequency tasks in a context of Joint-Liability Incentives</title>
<link>https://hdl.handle.net/20.500.12806/2797</link>
<description>Gender &amp; High Frequency vs. Low Frequency tasks in a context of Joint-Liability Incentives
Bernatzky, Marianne; Cabrera, José María; Cid, Alejandro
</description>
<dc:date>2014-01-01T00:00:00Z</dc:date>
</item>
<item rdf:about="https://hdl.handle.net/20.500.12806/2796">
<title>Calling all parents: leveraging behavioral insights to boost early childhood outcomes in the developing world</title>
<link>https://hdl.handle.net/20.500.12806/2796</link>
<description>Calling all parents: leveraging behavioral insights to boost early childhood outcomes in the developing world
Bloomfield, Juanita; Balsa, Ana; Cid, Alejandro; Oreopoulos, Philip
JEL No. I20, J24, O15
</description>
<dc:date>2025-01-01T00:00:00Z</dc:date>
</item>
<item rdf:about="https://hdl.handle.net/20.500.12806/2795">
<title>Cognitive inference as the main predictor of AI reliability in automated behavioral coding of parent–child interactions</title>
<link>https://hdl.handle.net/20.500.12806/2795</link>
<description>Cognitive inference as the main predictor of AI reliability in automated behavioral coding of parent–child interactions
Amorocho, José; Balsa, Ana; Giraldo-Huertas, Juan José; Bloomfield, Juanita; Patrone, Paula; Cid, Alejandro
</description>
<dc:date>2026-01-01T00:00:00Z</dc:date>
</item>
<item rdf:about="https://hdl.handle.net/20.500.12806/2753">
<title>Machine Learning aplicado a duración de precios. Un análisis en Montevideo para el período Enero 2021 - Junio 2024</title>
<link>https://hdl.handle.net/20.500.12806/2753</link>
<description>Machine Learning aplicado a duración de precios. Un análisis en Montevideo para el período Enero 2021 - Junio 2024
Pinotti, Paolo; Rey, Martín
Comprender la frecuencia con la que cambian los precios en el comercio minorista resulta esencial para analizar la formación de precios, el comportamiento de los consumidores y el diseño de políticas públicas. El presente trabajo examina los factores que inciden en la duración de los precios, mediante el uso de modelos de aprendizaje automático y análisis de supervivencia. A partir de series temporales diarias de 150 productos en 289 supermercados de Montevideo, entre enero de 2021 y junio de 2024, se entrenaron modelos supervisados tradicionales (Decision Tree, Extra Trees, Random Forest, XGBoost, CatBoost y LightGBM) y modelos de supervivencia (Cox Proportional Hazards y Random Survival Forest (RSF)). Como resultado de la comparación entre ambos enfoques, XGBoost obtuvo el mejor desempeño general (MAE = 8.99 días), mientras que RSF presentó el mayor C-Index (0.729) entre los modelos de supervivencia. Un análisis desagregado por rubro evidenció la existencia de heterogeneidades en los factores que explican la duración de los precios entre productos, hecho que sugiere la no existencia de un único modelo o conjunto de variables explicativas óptimo.
</description>
<dc:date>2025-01-01T00:00:00Z</dc:date>
</item>
</rdf:RDF>
