Browsing by Subject "Nonparametric regression"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Open Access
Density Estimation and Specification Testing for Nonparametric Regression Models(Banco de la República) Zhao, Zhibiao; Hernández-Bejarano, Manuel DaríoMotivados por la lenta convergencia del estimador clásico de densidad de kernel no paramétrico, en este documento estudiamos estimaciones más eficientes de la densidad y de su derivada para la densidad marginal en modelos de regresión no paramétricos. En presencia de una función de regresión no paramétrica desconocida, los estimadores de densidad y su derivada propuestos alcanzan una tasa de convergencia paramétrica, √n, y poseen varias propiedades atractivas de las que carece el estimador clásico. En ausencia de una función de regresión no paramétrica, en el caso normal, el método propuesto se desempeña tan bien como si se conociera el modelo y se estimara la densidad mediante el método de máxima verosimilitud. Con base en el nuevo estimador de densidad, se propone adicionalmente una prueba de especificación más potente basada en la densidad para la función de regresión no paramétrica. Estudios numéricos exhaustivos demuestran que el estimador de densidad propuesto, el estimador de la derivada de la densidad y la prueba de especificación superan significativamente a los métodos existentes.Documentos de Trabajo. 2026-08-03Borradores de Economía; No.1358Item Open Access
Stationary Density Estimation for ARCH Models with Applications in Quantile Regression(Banco de la República) Hernandez-Bejarano, Manuel Dario; Zhao, ZhibiaoEste documento estudia una estimación de la densidad más eficiente para la densidad estacionaria de modelos heterocedásticos condicionales autorregresivos no paramétricos. Estos modelos son herramientas importantes para el análisis de series temporales, especialmente en aplicaciones económicas y financieras, donde el objetivo es modelar y comprender la volatilidad de los datos. Demostramos que, en presencia de una estructura de varianza no paramétrica desconocida, podemos establecer la tasa de convergencia √n del estimador de densidad propuesto, mejorando la tasa de convergencia del estimador de densidad kernel no paramétrico ampliamente utilizado, que es inferior. Un estudio numérico confirma los resultados. El estimador de densidad se aplica a los datos del índice S&P 500. Finalmente, presentamos una implementación práctica del estimador de densidad propuesto en el contexto de regresión cuantílica. Específicamente, proponemos construir una estimación más precisa de la varianza límite de los coeficientes estimados en un modelo de regresión de cuantiles con errores que siguen una estructura de heterocedasticidad condicional autorregresiva no paramétrica. Los estudios de simulación demuestran que el uso del nuevo estimador de densidad permite una estimación más precisa de la varianza asintótica que la obtenida con el estimador de densidad clásico. Para ilustrar la aplicación de esta metodología a la estimación de la varianza asintótica, aplicamos el enfoque propuesto a la inflación mensual de Estados Unidos.Documentos de Trabajo. 2026-11-20Borradores de Economía; No.1376



