Citas bibligráficas
Esta es una referencia generada automáticamente. Modifíquela de ser necesario
Quintos, M., (2021). Inferencia bayesiana en un modelo de regresión cuantílica autorregresivo [Pontificia Universidad Católica del Perú]. http://hdl.handle.net/20.500.12404/19467
Quintos, M., Inferencia bayesiana en un modelo de regresión cuantílica autorregresivo []. PE: Pontificia Universidad Católica del Perú; 2021. http://hdl.handle.net/20.500.12404/19467
@mastersthesis{sunedu/2665934,
title = "Inferencia bayesiana en un modelo de regresión cuantílica autorregresivo",
author = "Quintos Choy, Manuel Alejandro",
publisher = "Pontificia Universidad Católica del Perú",
year = "2021"
}
Título: Inferencia bayesiana en un modelo de regresión cuantílica autorregresivo
Autor(es): Quintos Choy, Manuel Alejandro
Asesor(es): Bayes Rodríguez, Cristian Luis
Palabras clave: Estadística bayesiana; Estadística--Modelos matemáticos; Análisis de regresión
Campo OCDE: http://purl.org/pe-repo/ocde/ford#1.01.03
Fecha de publicación: 14-jun-2021
Institución: Pontificia Universidad Católica del Perú
Resumen: El modelo de regresión cuantílica autorregresivo permite modelar el cuantil condicional
de una serie de tiempo a partir de los rezagos de la serie. En el presente trabajo se presenta
la estimación de este modelo desde la perspectiva bayesiana asumiendo que los errores se
distribuyen según la distribución asimétrica de Laplace (ALD). Luego, el proceso de generación de muestras de la distribución a posteriori es simplificado utilizando una representación estocástica de la ALD propuesta por Kotz et al. (2001) y el algoritmo de datos aumentados de Tanner y Wong (1987), siguiendo la propuesta de Kozumi y Kobayashi (2011), así como las adaptaciones para el modelamiento de series de tiempo de Cai et al. (2012) y Liu y Luger (2017). Los estudios de simulación demuestran que el supuesto sobre la distribución del término error no es limitante para estimar el cuantil condicional de series de tiempo con otras distribuciones. El modelo es aplicado en la predicción del Valor en Riesgo (VaR) en la serie de tiempo de los retornos diarios de la tasa de cambio de PEN a USD, y sus resultados son comparados con las predicciones obtenidas por las metodologías RiskMetrics, GARCH(1,1) y CAVIaR. Al respecto, la evidencia numérica permite concluir que el modelo QAR es una alternativa válida para estimar el VaR.
Enlace al repositorio: http://hdl.handle.net/20.500.12404/19467
Disciplina académico-profesional: Estadística
Institución que otorga el grado o título: Pontificia Universidad Católica del Perú. Escuela de Posgrado.
Grado o título: Maestro en Estadística
Jurado: Bayes Rodriguez, Cristian Luis; Valdivieso Serrano, Luis Hilmar; Benites Sanchez, Luis Enrique
Fecha de registro: 14-jun-2021; 14-jun-2021
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons