https://hdl.handle.net/20.500.12806/437 Tue, 07 Apr 2026 09:15:28 GMT 2026-04-07T09:15:28Z http://redum.um.edu.uy:80/bitstream/id/d92410ed-d05d-4e89-a06b-4f7f8f8f5c59/ https://hdl.handle.net/20.500.12806/437 https://hdl.handle.net/20.500.12806/2797 Gender & High Frequency vs. Low Frequency tasks in a context of Joint-Liability Incentives Bernatzky, Marianne; Cabrera, José María; Cid, Alejandro Wed, 01 Jan 2014 00:00:00 GMT https://hdl.handle.net/20.500.12806/2797 2014-01-01T00:00:00Z https://hdl.handle.net/20.500.12806/2796 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 Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/20.500.12806/2796 2025-01-01T00:00:00Z https://hdl.handle.net/20.500.12806/2795 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 Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/20.500.12806/2795 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.12806/2753 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. Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/20.500.12806/2753 2025-01-01T00:00:00Z