ScholarGate
Assistent
Regression modelEconometrics / time series

Zeitvariante Parameter-Quantil-auf-Quantil (TVP-QQ) Regression

Die TVP-QQ-Regression erweitert den Quantil-auf-Quantil (QQ)-Rahmen, indem sie es den Steigungskoeffizienten erlaubt, sich im Laufe der Zeit zu entwickeln. Sie bildet ab, wie die Quantile einer Prädiktorvariablen die Quantile einer Outcome-Variable unterschiedlich über die gemeinsame Verteilung und über verschiedene Zeiträume hinweg beeinflussen, und deckt dynamische, heterogene Abhängigkeitsstrukturen auf, die Standardregressionen nicht erkennen können.

Mit EconMind anwendenDemnächstVideoDemnächstFolien herunterladen

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Methodenkarte

Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.

Zeitvariante Parameter-Quantil-auf-Quantil (TVP-QQ) Regression
Quantile RegressionQuantil-auf-Quantil (QQ)…

Quellen

  1. Sim, N., & Zhou, H. (2015). Oil prices, US stock return, and the dependence between their quantiles. Journal of Banking & Finance, 55, 1–8. DOI: 10.1016/j.jbankfin.2015.01.013
  2. Bouri, E., Gupta, R., & Vo, X. V. (2021). Jumps in geopolitical risk and the cryptocurrency market: The singularity of Bitcoin. Defence and Peace Economics, 33(2), 150–161. link

So zitieren Sie diese Seite

ScholarGate. (2026, June 3). Time-Varying Parameter Quantile-on-Quantile Regression. ScholarGate. https://scholargate.app/de/econometrics/time-varying-parameter-quantile-on-quantile-regression

Welche Methode?

Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.

Nebeneinander vergleichen
ScholarGateTime-varying parameter quantile-on-quantile regression (Time-Varying Parameter Quantile-on-Quantile Regression). Abgerufen am 2026-06-15 von https://scholargate.app/de/econometrics/time-varying-parameter-quantile-on-quantile-regression · Datensatz: https://doi.org/10.5281/zenodo.20539026