J. Castillo-Mateo, A. E. Gelfand, J. Asín, A. C. Cebrián
La regresión cuantílica modela la relación de dependencia entre unas variables explicativas y los cuantiles de una variable respuesta. El enfoque usual, llamado regresión cuantílica múltiple, ajusta un modelo de regresión distinto para cada cuantil de interés, lo cual puede dar lugar a que distintos planos cuantílicos se crucen. Para evitar esto, la regresión cuantílica conjunta modela todos los cuantiles simultáneamente. Trabajando con datos de series temporales, usamos la propia respuesta en el instante anterior como variable explicativa, dando lugar a la modelización de autorregresión cuantílica (QAR, por sus siglas en inglés). Proponemos una caracterización del modelo QAR(1) conjunto mediante su descomposición en curvas monótonas. Extendemos a QAR(p), QAR(1) multivariante, y QAR(1) espacial, con coeficientes espacialmente variables y dependencia espacial capturada mediante cópulas. Ilustramos con un estudio de persistencia en temperaturas máximas diarias del noreste de España.
Keywords: cópula gaussiana, distribución de Kumaraswamy, métodos bayesianos, regresión cuantílica conjunta espacio-temporal, temperatura máxima diaria
Scheduled
Ramiro Melendreras Award II
November 7, 2023 3:30 PM
CC4: Room 2