El documento académico: introducción, marco teórico, producto, metodología CRISP-DM, tablas y reproducibilidad.
Introducción
Antecedentes del régimen estatutario, definición operativa del problema, objetivos, justificación en triple eje contributivo, preguntas de investigación e hipótesis cualitativas verificables empíricamente.
1.1 Antecedentes
La Immigration and Nationality Act (INA) de 1965 [10] establece el sistema actual de cuotas anuales por categoría con un límite estatutario del 7 % por país (per-country limit) que es el origen primario de la retrogresión severa observada en países de alta demanda como México, India, China y Filipinas [6].
El Departamento de Estado publica mensualmente el Visa Bulletin [7] con dos calendarios: Final Action Dates (FAD, publicadas desde 1992; la serie mensual homogénea del pipeline abarca dic-2001–hoy, 296 obs) que autoriza la adjudicación final, y Dates for Filing (DFF, desde octubre de 2015, ≈130 obs) que autoriza el inicio anticipado del trámite de ajuste. Bier [60] documenta que las categorías basadas en empleo de países con límite efectivo, en particular India, han experimentado retrogresiones de varios años en periodos recientes.
Trabajos previos: Vegesana [11] aplica clasificadores discriminativos al pronóstico de aprobación; Jain et al. [12] proponen un híbrido ARIMA-LSTM para series con dinámica compleja; Carammia et al. [13] y Pu et al. [9] integran aprendizaje automático con datos a escala en flujos migratorios.
1.2 Definición del problema
No se identificó, en la revisión preliminar, trabajo académico publicado que ofrezca un sistema predictivo abierto, reproducible y sistemáticamente evaluado sobre el panel multiserie del Visa Bulletin con intervalos de predicción al 95 %. Las plataformas comerciales existentes son cajas negras sin metodología, datos ni protocolo de evaluación publicados de forma auditable.
La consecuencia directa es que millones de solicitantes deben planificar decisiones de mediano y largo plazo (estabilidad familiar, profesional y financiera) sobre estimaciones opacas o con métodos de baja calidad. Las cifras del rezago se documentan en la Sección 1.1 [4], [6].
La necesidad es construir una base de datos longitudinal pública del Visa Bulletin 1992–2026 y un sistema predictivo evaluable que convierta más de tres décadas de datos en pronósticos auditables con intervalos de predicción al 95 %, llenando una brecha verificable de la literatura aplicada.
1.3 Objetivos
Objetivo general
Desarrollar e implementar un sistema predictivo aplicado para las fechas de prioridad del Visa Bulletin, organizado como panel multiserie indexado por país de cargabilidad, categoría migratoria y tipo de tabla, con pronósticos mensuales a horizontes de 1, 3, 6 y 12 meses acompañados de intervalos de predicción al 95 %, bajo metodología CRISP-DM [64].
Objetivos específicos
- Construir la base de datos longitudinal del Visa Bulletin 1992–2026 estructurada por país × categoría × tabla × mes, publicada bajo licencia abierta.
- Caracterizar empíricamente el comportamiento histórico de las fechas de prioridad y sus regímenes administrativos por país o área de cargabilidad.
- Diseñar e implementar la familia completa de modelos enumerada en la Tabla 3, sin privilegiar de antemano ninguna arquitectura.
- Evaluar el desempeño predictivo mediante validación temporal walk-forward expansiva con métricas escaladas (sMAPE, MASE, MAE, RMSE) e intervalos de predicción al 95 %, reportando resultados agregados y desagregados por país, categoría y tipo de tabla.
- Entregar una aplicación de demostración académica que permita consultar series históricas, pronósticos e intervalos de predicción al 95 % con advertencias explícitas sobre el carácter informativo y no legal de las estimaciones.
1.4 Justificación
Contribución social
El proceso de obtención de la residencia permanente afecta a millones de personas en términos de estabilidad familiar, laboral y financiera. Cerca de 4 millones permanecen en el extranjero esperando una visa de base familiar [6], dentro del rezago global del USCIS de 11.5 millones de casos pendientes para todos los formularios [4]. El proyecto apoya la planificación de los solicitantes con intervalos de predicción al 95 % y mayor transparencia que las herramientas cerradas no auditables del mercado.
Contribución técnica
El sistema atiende limitaciones observables de las plataformas comerciales cerradas, particularmente la falta de transparencia sobre datos, metodología y protocolo de evaluación. La integración de un panel multiserie completo (multipaís × multicategoría × multitabla) bajo un marco comparativo riguroso constituye un aporte aplicado al pronóstico de fenómenos migratorios.
Contribución académica
- Base de datos abierta 1992–2026 con licencia permisiva, criterios de evaluabilidad pre-registrados y reproducibilidad verificable (R1–R7, Apéndice A.3).
- Marco comparativo nominado bajo CRISP-DM con familia de modelos lineales y no lineales evaluados sin privilegiar arquitecturas de antemano.
- Cuantificación de incertidumbre con tres mecanismos para los intervalos de predicción al 95 %: ARIMA analítico, MC dropout [40] y predicción conforme [59].
1.5 Preguntas e hipótesis
Coherente con el perfil profesionalizante del programa MIAAD, las preguntas se formulan como preguntas abiertas y las hipótesis como enunciados cualitativos blandos que se contrastarán empíricamente con los datos del piloto. El rigor estadístico formal (Diebold-Mariano + corrección de Holm a ) se documenta como decisión metodológica del Capítulo IV, no como umbral pre-comprometido en el cuerpo.
Pregunta general
¿Con qué precisión y con qué calibración de los intervalos de predicción al 95 % puede pronosticarse el comportamiento futuro del panel multiserie del Visa Bulletin bajo un marco comparativo CRISP-DM, sobre la cobertura de series evaluables y respetando la heterogeneidad estructural entre celdas país–categoría–tabla?
Preguntas específicas
- Patrones. ¿Qué patrones de avance, estancamiento y retrogresión presentan las series por país de cargabilidad y categoría migratoria, y qué proporción de cada serie es evaluable bajo los criterios pre-registrados?
- Desempeño predictivo. ¿Qué modelo de los implementados —lineales (ARIMA, SARIMA, Prophet) o no lineales (LSTM, ARIMA-LSTM, DeepAR, XGBoost)— ofrece el mejor desempeño predictivo en sMAPE y MASE sobre el conjunto piloto evaluable, y con qué consistencia entre estratos?
- Características de las series. ¿Qué características estructurales (longitud efectiva, frecuencia de retrogresiones, frecuencia de estados Current/Unavailable) explican la dificultad predictiva por celda?
- Cobertura. ¿Qué cobertura empírica alcanzan los intervalos de predicción al 95 % frente a su nominal, en agregado y por estrato?
Hipótesis
El mejor modelo no lineal mejorará al lineal más fuerte en proporción material de las series piloto.
El mejor modelo no lineal de la familia evaluada {LSTM, ARIMA-LSTM, DeepAR, XGBoost} reducirá las métricas centrales (sMAPE, MASE) respecto al modelo lineal más fuerte (ARIMA o Prophet, según el estrato) en una proporción material de las series piloto evaluables. La identidad del modelo ganador es una pregunta empírica que el experimento responderá con datos.
La dificultad predictiva varía por estrato y los intervalos pueden desviarse en regímenes inestables.
La dificultad predictiva —medida como MASE bajo el ganador empírico— presentará asociación con la longitud efectiva de la serie y con la frecuencia de discontinuidades (retrogresiones, transiciones C/U). Los intervalos de predicción al 95 % alcanzarán cobertura empírica cercana a la nominal en el agregado, pero podrán desviarse en estratos con régimen administrativo inestable.
Estas hipótesis se interpretan en términos de asociaciones predictivas verificables empíricamente con los datos del proyecto, no como afirmaciones causales sobre la dinámica administrativa del Departamento de Estado. La interpretación causal queda explícitamente fuera del alcance.
Marco teórico y tecnológico
Ocho subsecciones de marco teórico (§2.1.1–§2.1.8) cubren desde el sistema de inmigración estadounidense hasta la heterogeneidad del pronóstico multiserie, más cinco subsecciones de marco tecnológico (§2.2.1–§2.2.5). Cada subsección teórica cierra con un párrafo Implicación para este proyecto que conecta el contenido con decisiones de diseño concretas.
Sistema de inmigración & Visa Bulletin
INA 1965 [10], cuotas anuales, per-country limit del 7 %, calendarios Final Action Dates (FAD) y Dates for Filing (DFF) [7]. Convención: F1–F4 = {F1, F2A, F2B, F3, F4} (cinco series por país de cargabilidad), no rango excluyente.
Series de tiempo clásicas
Descomposición clásica . Box & Jenkins [24], [29]; Hamilton [25]; Hyndman & Athanasopoulos [26]. Pruebas de estacionariedad ADF [27] y KPSS [28] (con hipótesis nulas opuestas), criterios AIC [30] y BIC [31]. ARIMA, SARIMA y Prophet [32] como modelos lineales de referencia.
Fundamentos de DL para series
Backpropagation [36], MLP, regularización (weight decay, dropout [39], dropout recurrente [40], batch normalization [41]) y early stopping. ReLU [37] y optimizador Adam [38] como estándares. Componentes empleados en los modelos no lineales del marco comparativo.
RNN y LSTM
Elman [42], Bengio et al. [37]: el problema del gradiente desvaneciente. Hochreiter & Schmidhuber [43] introducen LSTM con celdas de memoria y compuertas. Variantes BiLSTM [44], [45] y GRU [47]. La LSTM constituye el componente no lineal del híbrido ARIMA-LSTM.
Híbridos y arquitecturas modernas
Zhang [19] formaliza la hibridación lineal+no-lineal; ARIMA-LSTM en epidemiología [12], [21], economía [51], energía [52] y comercio [20]. La M4 Competition [50] y ES-RNN [49] muestran que las combinaciones dominan. DeepAR [22] global y XGBoost [56] tabular completan la familia comparada; TFT [54], N-BEATS [53] y PatchTST [55] sólo como referencia.
Aprendizaje aplicado a fenómenos migratorios
Vegesana [11] aplica clasificadores discriminativos al pronóstico de aprobación; Carammia et al. [13] forecast de flujos de asilo con aprendizaje automático y datos a escala; Pu et al. [9] revisan métodos y fuentes; Hoffmann Pham & Luengo-Oroz [57] sobre modelado predictivo de movimientos de refugiados.
Métricas, validación e intervalos al 95 %
Hyndman & Koehler [16]: MASE como métrica universal escalada por el naïve estacional. Walk-forward de Tashman [58] y Bergmeir & Benítez [17]. Diebold-Mariano [18] con corrección de Holm para la familia pre-registrada. Intervalos de predicción al 95 % por tres mecanismos: ARIMA analítico, MC dropout [40] y predicción conforme [59].
Pronóstico multiserie y heterogeneidad
Modelos locales (entrenados por celda), globales (DeepAR [22] sobre el panel) y tabulares (XGBoost [56]). La elección entre regímenes es una pregunta empírica que el proyecto responde con datos, dado el régimen de datos pequeño por serie (296 obs FAD, 130 obs DFF).
Lenguaje y librerías: Python 3.x con pandas, numpy, statsmodels, scikit-learn [62], XGBoost [56], PyTorch [63], Prophet [32]. Visualización: matplotlib, seaborn. Versionado: Git/GitHub bajo licencia abierta. Documentación: LaTeX/Overleaf. Reproducibilidad: manifiestos de versiones (requirements.txt), semillas registradas, MLflow para bitácora de hiperparámetros.
Producto esperado y validación
Descripción del producto, gobernanza del alcance y forma de validación. El capítulo responde estrictamente a «¿qué se entrega?» y «¿cómo se valida?»; las decisiones operativas (parámetros, hiperparámetros, esquema de pruebas) se documentan en el Capítulo IV.
3.1 Descripción de la solución
3.1.1 · Marco metodológico
Marco comparativo sin privilegiar arquitecturas de antemano, instrumentado bajo CRISP-DM [64]. Tres familias complementarias: (a) modelos lineales (naïve estacional, ARIMA, SARIMA, Prophet), (b) modelos no lineales locales (LSTM, ARIMA-LSTM), (c) modelos globales y tabulares (DeepAR, XGBoost). La identidad del modelo con mejor desempeño es una pregunta empírica del estudio.
3.1.2 · Arquitectura tentativa
Nota (julio 2026): la figura es la arquitectura tentativa literal del anteproyecto (mayo 2026), cuyo marco comparativo planteaba ese conjunto inicial de modelos candidatos. El marco realmente ejecutado creció durante el desarrollo — el conteo vigente se deriva del catálogo gobernado de modelos y se reporta en la evaluación prospectiva.
3.1.3 · Cobertura analítica en tres niveles
La cobertura del sistema se organiza en tres niveles explícitos:
- Base de datos estructural. Contiene todas las combinaciones de país (México, India, China, Filipinas, All Chargeability Areas Except Those Listed) × categoría (familiares F1, F2A, F2B, F3, F4 y basadas en empleo EB-1 a EB-5 con subcategorías) × tabla (FAD, DFF).
- Cobertura evaluable. Series con histórico, continuidad y variabilidad suficientes para pronóstico, según los criterios pre-registrados de la Tabla 2.
- Cobertura piloto inicial. Categorías familiares F1–F4 sobre los países de alta demanda y la agrupación residual, comenzando por México por la severidad de sus rezagos.
3.1.4 · Variable predicha
Sea la fecha de prioridad transformada a días desde una fecha base, para la celda (país , categoría , tabla ) en el mes . La variable es continua y constituye el objetivo de un regresor temporal único. El sistema se entrena exclusivamente sobre observaciones con estado (fecha específica); las observaciones Current y Unavailable se preservan en la base de datos como anotación descriptiva pero no son objetivo predictivo. Las retrogresiones dentro del régimen se conservan como observaciones legítimas (fenómeno objetivo del sistema migratorio).
3.1.5 · Aislamiento del entrenamiento
Las métricas de regresión se calculan exclusivamente sobre observaciones con fecha específica. Esto evita contaminar la evaluación con observaciones categóricas (Current/Unavailable) que están fuera del objetivo predictivo del sistema. La caracterización descriptiva de los regímenes C/U/F vive en el reporte de exploración (Cap. IV, Fase 2), no en las métricas operativas.
3.2 Delimitaciones, limitaciones y gobernanza
El alcance se acota mediante un conjunto explícito de delimitaciones (decisiones soberanas del investigador), mientras que las restricciones impuestas por factores externos se reconocen como limitaciones.
Decisiones del investigador
- Geografía: MX · IN · CN · PH · All Charg.
- Tablas: FAD & DFF (evaluadas separadamente)
- Horizontes: h = 1, 3, 6, 12 meses
- Modelos: 8 comparados (lineales + no lineales)
- Métricas: sMAPE · MASE · MAE · RMSE
- Validación: walk-forward expansiva
- Aplicación: demostración académica desde repositorio
Factores externos
- Datos: 296 obs FAD, 130 obs DFF por serie
- Discontinuidades estructurales del marco regulatorio
- Composición variable de All Chargeability
- Recursos computacionales académicos (no productivos)
- Volatilidad regulatoria con impacto no observado en el periodo (p. ej. anuncios de política recientes [3])
Gobernanza del alcance
(i) Base longitudinal reproducible CSV bajo licencia abierta; (ii) protocolo de series evaluables (Tabla 2); (iii) implementación de la familia completa (Tabla 3) bajo regresor temporal único entrenado con observaciones sobre la cobertura piloto; (iv) walk-forward con métricas de regresión y calibración de los intervalos de predicción al 95 %.
Aplicación de demostración académica ejecutable desde el repositorio, con manifiestos de versiones. No hay compromiso de despliegue público continuo: el sistema es académico, evaluado y reproducible.
3.3 Forma de validación
El Capítulo III describe qué se valida y con qué nivel se reporta éxito. Las decisiones operativas (parámetros del walk-forward, esquema de pruebas confirmatorias, control familiar de error) se documentan en el Capítulo IV.
Walk-forward expansivo
Validación temporal con conjunto de entrenamiento que avanza un mes a la vez, respetando la causalidad. Reporte por horizonte ( meses).
Métricas escaladas
sMAPE, MASE, MAE y RMSE definidas formalmente en §2.1.7. MAPE sólo como complemento. Calibración: cobertura empírica de los intervalos de predicción al 95 % vs. nominal.
Comparación estadística
Comparación formal entre el mejor modelo no lineal y el lineal más fuerte sobre la familia pre-registrada de celdas piloto (instrumentación específica en Cap. IV §4.4).
Intervalos de predicción al 95 %
Tres mecanismos complementarios: ARIMA analítico bajo supuestos gaussianos, MC dropout [40] para redes neuronales y predicción conforme [59] como referencia agnóstica al modelo.
Validación cualitativa
Estudios de caso en celdas críticas y validación retrospectiva acotada sobre boletines posteriores al cierre del entrenamiento; lectura legible para usuarios finales con disclaimer.
Amenazas a la validez
Validez interna (data leakage), externa (generalización), de constructo (proxies de la dificultad) y estadística (tamaño muestral, potencia preliminar).
Niveles de éxito
Reporte honesto del experimento
Construcción reproducible del dataset, ejecución completa del walk-forward sobre la cobertura piloto, reporte de métricas escaladas e intervalos de predicción al 95 %. No requiere que ningún modelo no lineal supere a los lineales: el reporte de un resultado nulo también satisface el nivel mínimo.
Mejora material y verificable
El mejor modelo no lineal de la familia {LSTM, ARIMA-LSTM, DeepAR, XGBoost} mejora a los lineales más fuertes en una proporción material de las series piloto, con magnitud verificable en sMAPE/MASE. La instrumentación estadística específica vive en el Cap. IV §4.4.
Calibración + bitácora estable
Los intervalos de predicción al 95 % alcanzan cobertura empírica cercana a la nominal en el agregado. Bitácora retrospectiva sobre al menos 6 ciclos mensuales del boletín posteriores al cierre del entrenamiento. Aplicación de demostración funcional con disclaimer.
Metodología CRISP-DM
El proyecto se instrumenta bajo CRISP-DM (Cross-Industry Standard Process for Data Mining) [64], metodología establecida desde 2000 que se ha convertido en estándar de facto para proyectos de minería de datos y aprendizaje automático aplicado. Sus seis fases canónicas se mapean a las cinco fases operativas del proyecto.
Comprensión del negocio & de los datos
Atendida en los Capítulos I y II del anteproyecto. Define el problema, los actores afectados (millones de solicitantes), las cifras del rezago, el régimen estatutario INA 1965, la estructura del Visa Bulletin y las decisiones metodológicas de alto nivel.
Análisis exploratorio
Caracterización del comportamiento histórico por serie evaluable: descomposición STL, pruebas ADF [27] y KPSS [28], identificación cuantitativa de retrogresiones y periodos C/U, aplicación de los criterios de exclusión de la Tabla 2.
Preparación & modelado
Construcción del panel multiserie y entrenamiento de los 8 modelos planteados en la Tabla 3: lineales (naïve, ARIMA, SARIMA, Prophet), no lineales locales (LSTM, ARIMA-LSTM) y globales/tabulares (DeepAR, XGBoost). Selección de hiperparámetros sin data leakage; generación de intervalos de predicción al 95 % por tres mecanismos.
Evaluación
Walk-forward expansivo con métricas escaladas (sMAPE, MASE, MAE, RMSE) por horizonte y agregadas. Cálculo de cobertura empírica de los intervalos al 95 %. Comparación estadística formal con Diebold-Mariano [18] sobre la familia pre-registrada de comparaciones, con corrección de Holm a familiar. Diagnóstico de overfitting y leakage, amenazas a la validez.
Despliegue
Publicación del dataset bajo licencia abierta, congelación del repositorio (R1–R7), aplicación de demostración académica con advertencias de uso (disclaimer del Apéndice A.5) y reporte final integral. No hay compromiso de servicio público permanente: el sistema es académico, evaluado y reproducible, no operativo.
Las cinco fases se distribuyen sobre 10 meses con granularidad semanal (40 semanas activas + receso académico de diciembre 2026), alineadas con los periodos PI-I (ago–nov 2026) y PI-II (ene–may 2027) del programa MIAAD. Hitos verificables en cada cierre de fase, con revisión del documento entregable y valoración del director de tesis.
Visualizaciones clave
Cobertura propuesta, criterios de exclusión metodológica, baselines comparados y matriz país×categoría×tabla con tres niveles de cobertura (estructural / evaluable / piloto).
Tabla 1 · Cobertura analítica propuesta
| Dimensión | Valores admitidos | Notas operativas |
|---|---|---|
| País / cargabilidad | México, India, China, Filipinas, All Chargeability Areas Except Those Listed | La última no es un país sino agrupación administrativa con composición variable. |
| Categorías familiares | F1, F2A, F2B, F3, F4 | Convención F1–F4 = conjunto completo {F1, F2A, F2B, F3, F4}. |
| Categorías de empleo | EB-1, EB-2, EB-3, EB-4, EB-5 (+ subcategorías) | Esquemática; incluye Other Workers, Certain Religious Workers, set-asides. |
| Tipo de tabla | Final Action Dates (FAD), Dates for Filing (DFF) | Evaluadas separadamente, sin comparación cruzada directa. |
| Códigos especiales | Current (C) y Unavailable (U) | Conservados como anotación descriptiva en la base de datos; no participan del entrenamiento del regresor (§3.1.5). |
Estructura del panel multiserie . Fuente: elaboración propia.
Tabla 2 · Criterios de exclusión metodológica
| Criterio | Descripción operativa |
|---|---|
| Longitud insuficiente | Menos de 60 observaciones mensuales tras filtrado de datos faltantes; impide construir partición walk-forward viable. |
| Variabilidad nula | Serie con valor constante (ej. Current permanente) en el periodo evaluado; no aporta información predictiva. |
| Datos faltantes no recuperables | Tres o más meses consecutivos no publicados sin recuperación posible mediante archivos del DOS. |
| Cambios normativos no armonizables | Modificaciones administrativas que alteran la definición de la categoría (ej. redefinición de subcategorías EB). |
| Ausencia de fecha específica | La combinación nunca publicó una fecha específica; sólo Current o Unavailable. Sin objetivo numérico para entrenar el regresor. |
| Composición variable | Aplicable a All Chargeability Areas Except Those Listed: composición de países cambia a lo largo del periodo (no-estacionariedad de composición). Se acompañará de advertencia explícita en cualquier inferencia. |
Series excluidas se reportan descriptivamente pero no entran al pipeline cuantitativo. Fuente: elaboración propia.
Tabla 3 · Modelos comparados (8 candidatos del marco comparativo)
| Modelo | Tipo | sMAPE obj. | MASE obj. | Función en el marco comparativo |
|---|---|---|---|---|
| Naïve estacional | Línea base ingenua | — | 1.00 | Referencia mínima. |
| ARIMA | Lineal univariado [24], [29] | < 25 % | < 0.97 | Modelo lineal sin estacionalidad. |
| SARIMA | Lineal estacional | < 22 % | < 0.94 | Captura ciclos anuales del año fiscal. |
| Prophet | Aditivo con changepoints [32] | < 20 % | < 0.92 | Modela retrogresiones como cambios de régimen. |
| LSTM puro | Profundo univariado [43] | < 20 % | < 0.90 | Capacidad no lineal sin componente lineal. |
| ARIMA-LSTM | Híbrido local [12], [19] | < 17 % | < 0.88 | Referencia híbrida lineal + no lineal por serie. |
| DeepAR | Profundo global multiserie [22] | < 17 % | < 0.88 | Aprende transferencia entre series del panel. |
| XGBoost + regresores | Tabular con exógenas [56] | < 18 % | < 0.90 | Alternativa con features de calendario. |
Ningún modelo se privilegia de antemano como «central»: el marco comparativo determinará empíricamente cuál(es) lidera(n) en cada estrato. Umbrales objetivo orientativos. Fuente: elaboración propia.
Figura · Matriz de cobertura país × categoría × tabla
| País / Categoría | F1 | F2A | F2B | F3 | F4 | EB-1 | EB-2 | EB-3 | EB-4 | EB-5 |
|---|---|---|---|---|---|---|---|---|---|---|
| México 🇲🇽 | ★ | ★ | ★ | ★ | ★ | ● | ● | ● | ○ | ○ |
| India 🇮🇳 | ★ | ★ | ★ | ★ | ★ | ● | ● | ● | ○ | ○ |
| China 🇨🇳 | ★ | ★ | ★ | ★ | ★ | ● | ● | ● | ○ | ● |
| Filipinas 🇵🇭 | ★ | ★ | ★ | ★ | ★ | ● | ● | ● | ○ | ○ |
| All Charg. * | ● | ● | ● | ● | ● | ● | ● | ● | ○ | ○ |
FAD publicado desde 1992; serie homogénea del pipeline dic-2001–hoy (296 obs). DFF desde octubre 2015 (130 obs). Cada celda piloto se reporta agregada y desagregada. Fuente: elaboración propia.
Anexo de reproducibilidad
Conforme al compromiso enunciado en la Sección 3.2, el repositorio público incluye los siguientes siete componentes verificables por terceros. La obtención del DOI académico es condicional, no compromiso del entregable mínimo.
Si el autor decide solicitarlo, archivado en Zenodo o equivalente, con identificador único persistente vinculado al commit hash congelado en la fecha de defensa. La publicación bajo licencia abierta (MIT o equivalente) sí es compromiso firme.
requirements.txt con versiones fijadas (==), complementado opcionalmente con environment.yml para Conda.
Cada experimento documenta la(s) semilla(s) usada(s) para NumPy, PyTorch y Scikit-learn al inicio de cada notebook o script.
Memoria, modelo de CPU, presencia/ausencia de GPU, sistema operativo y arquitectura (Apple Silicon, x86_64) en REPRODUCIBILITY.md.
Tiempos por etapa del pipeline (ingesta, features, entrenamiento, walk-forward, evaluación) reportados como información orientativa.
Checksums SHA-256 publicados para datos crudos (data/raw/) y procesados (data/processed/); verificación bit a bit.
Registro completo de configuraciones exploradas y configuraciones finalmente seleccionadas por modelo y por estrato (MLflow o equivalente).
src/ · data/raw/ · data/processed/ · notebooks/ · models/ · tests/ · docs/ · README.md con instrucciones paso a paso para reproducir cada figura y tabla del manuscrito desde cero, junto con REPRODUCIBILITY.md que consolida R1–R7 y docs/disclaimer_academico.txt que se inyecta automáticamente en toda salida del demostrador académico.
Nota (julio 2026): este listado es el compromiso literal del anteproyecto (mayo 2026). La estructura realmente entregada evolucionó — dos paquetes con dirección de capas en lugar de src/, cero notebooks, locks por perfil en vez de requirements.txt — y se documenta tal cual es en la sección Estructura.