73 artículos
Este artículo desarrolla métodos de estimación e inferencia para un modelo macroeconómico con múltiples equilibrios conductuales bajo aprendizaje de ganancia constante, demostrando la consistencia y normalidad asintótica de los estimadores, abordando distribuciones límite no estándar cuando las soluciones se repiten, y validando el enfoque mediante simulaciones y una aplicación empírica.
El autor demuestra que en la selección secuencial multidimensional, un monopolista puede extraer anticipadamente las rentas de información del comprador, lo que permite que, bajo ciertas condiciones de ordenamiento y dependencia invariante, el mecanismo óptimo consista en ofrecer por separado el mecanismo de selección secuencial para cada bien, racionalizando así esquemas de pagos de membresía seguidos de ventas independientes.
Este artículo analiza cómo la capacidad de replicar bienes digitales sin coste genera ineficiencias duales en los monopolios, donde la competencia exacerba la subinversión en calidad pero mejora la distribución de versiones degradadas entre los compradores.
Este artículo establece tasas de convergencia generales y precisas para las estadísticas ordenadas inducidas bajo condiciones de suavidad débiles y primitivas, permitiendo su aplicación en puntos interiores y de frontera (como en diseños de discontinuidad regresiva) y revelando una compensación clara entre la suavidad y la velocidad de convergencia en distancias de Hellinger y variación total.
El artículo presenta ForeComp, un paquete de R que facilita la comparación de la precisión predictiva mediante pruebas de tipo Diebold-Mariano utilizando inferencia de suavizado fijo, e incluye herramientas visuales para diagnosticar la sensibilidad al ancho de banda y el equilibrio entre tamaño y potencia, todo ello ilustrado con aplicaciones a las Encuestas de Pronósticos Profesionales y evidencia de simulación.
Este artículo establece un marco unificado que demuestra la isomorfía entre la identificación de parámetros estructurales y el análisis contrafactual en modelos incompletos, extendiendo los métodos de función de soporte más allá de las condiciones de acotación integrable para garantizar resultados precisos bajo restricciones de soporte y momentos.
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 propone un modelo teórico que demuestra que la estrategia retórica del "whataboutism" (desviar críticas señalando faltas similares en el oponente) exacerba el discurso ofensivo y puede provocar el colapso total de las normas de civismo, especialmente en sociedades polarizadas.
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 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.