55 artículos
El artículo propone una transformación binaria de los predictores basada en umbrales de riesgo, demostrando que este enfoque mejora significativamente la predicción de recesiones en EE. UU. al capturar la naturaleza discreta de estos eventos y hacer que los modelos lineales sean competitivos frente a métodos de aprendizaje automático.
Este artículo propone una nueva estrategia de identificación para estimar los efectos promedio del tratamiento en grupos tratados con resultados discretos en datos de panel, basándose en la independencia de transiciones y una estructura de tipos latentes de Markov para superar las limitaciones de las diferencias en diferencias tradicionales.
Este artículo presenta un marco de aprendizaje en línea para modelos de índice monótono semiparamétricos que, mediante una estrategia de dos fases con un algoritmo de inicio en caliente y un método de tamiz en línea, permite la estimación y el análisis inferencial en tiempo real de grandes flujos de datos sin necesidad de almacenamiento completo.
Este artículo propone un enfoque de identificación tratable para modelos de formación de redes estratégicas con heterogeneidad no observada, el cual supera la complejidad del equilibrio mediante restricciones de acotación basadas en configuraciones de subredes (tetradas, triadas y ciclos) que eliminan o reducen los efectos fijos individuales para obtener información identificadora sobre los parámetros estructurales.
Este artículo estudia las condiciones que garantizan la existencia de estimaciones de máxima verosimilitud en modelos lineales generalizados, demostrando que algunos estimadores siguen siendo consistentes incluso cuando dichas condiciones no se cumplen y presentando métodos para verificarlas en modelos con parámetros de alta dimensión.
Este artículo presenta un estimador de regresión multidimensional con efectos fijos interactivos no observados, que utiliza un enfoque ortogonal de Neyman y una transformación ponderada para lograr consistencia paramétrica y normalidad asintótica, aplicándose posteriormente a la estimación de la elasticidad de la demanda de cerveza.
Este artículo presenta el pronóstico de jerarquía temporal (THieF) para predecir los precios de la electricidad al día siguiente, demostrando que la reconciliación de pronósticos de productos horarios y bloques mejora la precisión hasta en un 13% en los mercados alemán y español, independientemente del modelo utilizado.
Este artículo presenta un marco riguroso para probar estadísticamente si los conjuntos de datos más influyentes en modelos de mínimos cuadrados tienen un impacto excesivo, derivando fórmulas exactas y distribuciones de valores extremos que permiten realizar pruebas de hipótesis formales en lugar de depender de heurísticas ad hoc.
Este artículo propone un marco no paramétrico secuencial basado en valores-e para realizar pruebas de retroceso comparativas de medidas de riesgo generales, ofreciendo inferencias válidas en cualquier momento y robustas frente a dependencias y especificaciones erróneas del modelo.
Este artículo presenta un marco probabilístico bayesiano unificado basado en regresión con indicadores saturados para detectar cambios estructurales en datos longitudinales, demostrando su superioridad sobre enfoques frecuentistas y aplicándolo a la evaluación de políticas climáticas en el sector del transporte por carretera en Europa.
Este artículo establece que las actualizaciones de modelos impulsados por puntuación (score-driven) reducen la divergencia Kullback-Leibler esperada si y solo si la dirección de actualización se alinea con la puntuación esperada, proporcionando así una justificación rigurosa e información-teórica única para estos modelos en diversos contextos, incluyendo aquellos no cóncavos y mal especificados.
Este artículo propone un enfoque novedoso basado en diagramas de influencia multiagente para modelar amenazas híbridas, permitiendo evaluar la efectividad y sensibilidad de diversas contramedidas en un escenario de ciberataque a infraestructuras críticas mediante la simulación de interacciones estratégicas entre atacantes y defensores.
El artículo presenta LX Topic, un nuevo método de modelado de temas que integra un modelo de lenguaje grande en un bucle de retroalimentación para generar constructos lingüísticos latentes y proporciones de temas calibradas a nivel de documento, logrando una mayor calidad semántica y estabilidad que los enfoques existentes y estableciendo así una herramienta reproducible e interpretable para la investigación empresarial.
Este artículo propone un pipeline para extraer relaciones causales de los modelos de lenguaje grande mediante la generación de documentos, la extracción y agrupación de eventos, y la aplicación de métodos de descubrimiento causal para presentar un conjunto de hipótesis causales plausibles que el modelo puede asumir.
El estudio demuestra que las métricas estáticas de clasificación sobreestiman la eficacia real de los sistemas de cumplimiento AML en criptomonedas, ya que la no estacionariedad temporal genera pérdidas regulatorias significativas debido a la descalibración de las reglas de decisión más que a una disminución en la precisión predictiva.