Resumen

Los modelos de regresión semiparamétricos son muy útiles para el análisis de series temporales. Facilitan la detección de características resultantes de intervenciones externas. La complejidad de los modelos semiparamétricos plantea nuevos desafíos para cuestiones de inferencia no paramétrica y paramétrica y selección de modelos que surgen con frecuencia en el análisis de datos de series temporales. En este artículo, proponemos estimadores de mínimos cuadrados penalizados que pueden seleccionar simultáneamente variables significativas y estimar parámetros desconocidos. Se propone una innovadora clase de procedimiento de selección de variables para seleccionar variables significativas y funciones de base en un modelo semiparamétrico. Se establece la normalidad asintótica de los estimadores resultantes. También se proponen criterios de información para la selección de modelos. Ilustramos la efectividad de los procedimientos propuestos con simulaciones numéricas.

• Materias:Información de mercado Precios de primas Modelado espacial Fuerte convergencia Estadística asintótica
• Subjects:Market Information Premium pricing Spatial modeling Strong convergence Asymptotic statistics
• Palabras claves:Modelos de regresión semiparamétricos; Análisis de series temporales; Selección de variables; Estimadores de mínimos cuadrados penalizados; Selección de modelos; Criterios de información
• Keywords:Semiparametric regression models; Time series analysis; Variable selection; Penalized least squares estimators; Model selection; Information criteria