55 artículos
Este artículo presenta un método de identificación robusto a la declaración estratégica de preferencias que permite derivar límites precisos sobre los efectos causales de la asignación escolar, demostrando mediante datos de Chile una heterogeneidad significativa en el éxito de graduación según las preferencias y la asignación real.
Este artículo desarrolla pruebas de ruptura estructural basadas en la auto-normalización para regresiones predictivas de CoVaR y cuantiles, las cuales son válidas tanto para predictores estacionarios como cercanos a la estacionariedad y permiten detectar cambios en el poder predictivo de las covariables en la gestión de riesgos financieros.
Este artículo cierra una brecha teórica al proporcionar una demostración formal de que el estimador de máxima verosimilitud cuasi (QMLE) para modelos de elección binaria es consistente en la estimación de los coeficientes de pendiente bajo las mismas condiciones establecidas por Manski (1975, 1985), validando así el uso de la regresión logística en este contexto.
Este artículo presenta dos capítulos que modelan las fluctuaciones heterogéneas en los tipos de cambio y el mercado laboral para analizar su impacto en el comercio internacional, demostrando mediante datos provinciales de China que las políticas monetarias e innovadoras mejoran la competitividad de las exportaciones y que la cooperación es esencial para que las fluctuaciones laborales beneficien el comercio, sugiriendo además que las políticas óptimas deben fomentar transiciones dinámicas en los patrones comerciales en lugar de mantener ventajas comparativas estáticas.
El autor acepta la motivación ética de la función de utilidad propuesta, que prioriza salvar vidas al no imponer tratamientos dañinos sobre salvarlas mediante tratamientos, pero argumenta que su alcance de aplicabilidad es limitado.
Este artículo presenta un marco semiparamétrico estructurado basado en redes neuronales y aprendizaje automático doble que corrige el sesgo en la estimación de efectos de tratamiento causado por la interferencia algorítmica en mercados de dos lados, demostrando mediante simulaciones y experimentos de campo que supera a los estimadores estándar al predecir con precisión el efecto global de la implementación de algoritmos en plataformas de contenido.
Este artículo presenta estimadores GMM y M junto con sus propiedades asintóticas para datos dependientes de redes, estableciendo su consistencia y normalidad asintótica mediante una nueva ley uniforme de grandes números y proporcionando procedimientos completos para la estimación y la inferencia.
Este artículo presenta un marco para la extrapolaación temporal de efectos de tratamiento mediante dos estrategias de identificación y estimadores doblemente robustos, demostrando su validez mediante simulaciones y su aplicación a pruebas A/B reales, donde se evidencia una compensación entre precisión y sesgo.
Este artículo propone un marco unificado de calibración que integra información heterogénea de múltiples fuentes en experimentos aleatorizados mediante un vector de proxy y pesos de calibración, garantizando la validez asintótica y una mejora en la eficiencia sin aumentar la varianza.
Este artículo presenta un método bayesiano basado en momentos y verosimilitud empírica inclinada exponencialmente para probar la endogeneidad en modelos de regresión lineal, demostrando su consistencia frecuentista y su aplicabilidad en estudios de demanda de automóviles y volumen de pasajeros aéreos.
Este artículo proporciona una caracterización analítica de la flexibilidad del método de control sintético en términos de grados de libertad y criterios de información estimables, los cuales se demuestra que superan a la validación cruzada para la selección de modelos, como se ilustra en un estudio sobre el impacto del racionamiento de licencias de conducir en Tianjin.
Este artículo presenta un estimador de suma de cuadrados condicionales modificado (MCSS) para modelos ARFIMA que elimina el sesgo causado por la estimación de un término constante, demostrando teórica y empíricamente una mejora significativa en el rendimiento respecto al estimador CSS tradicional, incluso en muestras pequeñas.
Este artículo presenta un nuevo intervalo de confianza para el parámetro autoregresivo que garantiza una cobertura robusta frente a condiciones iniciales arbitrarias y heterocedasticidad condicional, manteniendo al mismo tiempo una longitud eficiente cuando las condiciones iniciales son estacionarias o fijas.
Este artículo presenta una prueba regularizada para evaluar la ausencia de dependencia serial lineal y no lineal en series temporales no gaussianas de alta dimensión, extendiendo el enfoque de la prueba portmanteau de Jasiak y Neyazi (2023) a este contexto.
Este artículo propone un nuevo marco ARCH a nivel de operador para datos en espacios de Hilbert que modela la evolución completa del operador de covarianza condicional, estableciendo condiciones de estacionariedad, derivando estimadores consistentes y validando su utilidad mediante simulaciones y una aplicación a retornos intradía de alta frecuencia.
El artículo presenta la Regresión Gimbal, un marco de regresión local determinista y consciente de la geometría diseñado para garantizar una estimación estable y auditable en presencia de heterogeneidad espacial, evitando así la inestabilidad numérica causada por vecindarios anisotrópicos o de baja dimensión.
Este artículo propone una modificación del estimador de doble aprendizaje automático que incorpora un paso de "ajuste cruzado inverso" para aplicar inferencia causal robusta en series temporales macroeconómicas de alta dimensión, demostrando su validez mediante simulaciones y su utilidad práctica al estimar los efectos dinámicos de un aumento en el capital regulatorio de nivel 1.
Este artículo establece una teoría unificada para la estimación y el inferencia de funcionales identificados por conjuntos delgados, demostrando que la tasa óptima minimax depende de la dimensión intrínseca del submanifold y proporcionando métodos asintóticamente normales para su cálculo.
Este artículo propone un estimador de variables instrumentales centrado internamente para modelos de regresión lineal con datos agrupados, controles de alta dimensión y restricciones de exclusión complejas, demostrando su validez teórica y aplicándolo a un estudio sobre intervenciones fiscales en zonas rurales de Kenia donde la interferencia espacial genera dichos patrones de exclusión.
Este artículo establece una conexión novedosa entre la corrección robusta de sesgo y el *pre-pivoting* de *bootstrap* para desarrollar un procedimiento de corrección de sesgo que genera intervalos de confianza un 17% más cortos en regresiones no paramétricas y diseños de discontinuidad, sin comprometer su cobertura asintótica.