2026-11-202026-11-202026-11-20https://repositorio.banrep.gov.co/handle/20.500.12134/11466Este 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.This document studies a more efficient density estimation for the stationary density of nonparametric autoregressive conditional heteroscedastic models. These models are important tools in analyzing time series, specifically in economic and financial applications where the goal is to model and understand the volatility of the statistical data. We demonstrate that, in the presence of an unknown nonparametric variance structure, we can establish the √n convergence rate of the proposed density estimator, improving on the widely used nonparametric kernel density estimator, whose convergence rate is inferior. A numerical study confirms the results. The density estimator is applied to the S\&P 500 Index data. Finally, we showcase a practical implementation of the proposed density estimator in quantile regression. Specifically, we propose to construct a more accurate estimate of the limiting variance of the estimated coefficients in a quantile regression model with errors following a nonparametric autoregressive conditional heteroscedasticity structure. Simulation studies show that using the new density estimator leads to a more accurate estimation of the asymptotic variance compared to the results obtained by using the classical density estimator. To illustrate the application of this methodology in estimating the asymptotic variance, we apply it to the monthly inflation rate of the United States.41 páginasPDFengOpen AccessEstimación de densidadConvergencia funcionalEstimador de densidad kernel no paramétricoRegresión no paramétricaModelos ARCHStationary Density Estimation for ARCH Models with Applications in Quantile RegressionEstimación de densidad estacionaria para modelos ARCH con aplicaciones en regresión cuantílicaWorking PaperC12 - Hypothesis Testing: GeneralC14 - Semiparametric and Nonparametric Methods: GeneralDensity estimationFunctional convergenceNonparametric kernel density estimatorNonparametric regressionARCH modelsModelos ARCH -- Estimación de densidades -- Regresión cuantílicaAcceso abiertoAtribucion-NoComercial-CompartirIgual CC BY-NC-SA 4.0C12 - Contraste de hipótesis: generalidadesC14 - Métodos semiparamétricos y no paramétricos: generalidadesLas opiniones contenidas en el presente documento son responsabilidad exclusiva de los autores y no comprometen al Banco de la República ni a su Junta Directiva.The opinions contained in this document are the sole responsibility of the author and do not commit Banco de la República or its Board of Directors.Objeto de publicación: La obra de mí (nuestra) autoría tiene por objeto ser publicada en el Portal de Investigaciones del Banco de la República e incluirla en el repositorio institucional de esa misma entidad. La obra podrá consistir en documento escrito, audiovisual, audio, gráfico, fotográfico, infográfico, podcasts, etc., y podrá estar en cualquier formato conocido o por conocerse.Datos personales: El(los) autor(es) ha(n) incluido sus datos personales (nombres, correo electrónico, filiación académica, perfil académico, entre otros) en el Portal de Investigaciones o la obra remitida para publicación, y por consiguiente, manifiesta(n) que mediante el diligenciamiento y registro de sus datos personales autoriza(n) al Banco de la República el tratamiento (recolección, almacenamiento, uso, circulación o supresión) de todos los datos suministrados con la finalidad de adelantar la publicación de la obra en el Portal de Investigaciones, dar a conocer su perfil académico y medios de contacto para fines académicos y divulgativos, así como para la construcción de indicadores y estadísticas para el seguimiento y control de las actividades de divulgación del Portal de Investigaciones. Para tal fin, se informa que el tratamiento de los datos personales se realizará de acuerdo con las políticas o lineamientos generales disponibles en http://www.banrep.gov.co/proteccion-datos-personales, en la sección “Protección de Datos Personales - Habeas Data”.https://hdl.handle.net/20.500.12134/114665. Precios, inflación y política monetaria