Modelo EGARCH Bayesiano
El modelo EGARCH bayesiano combina la especificación Exponencial GARCH de Nelson (1991) — que modela el logaritmo de la varianza condicional y captura el efecto apalancamiento — con inferencia posterior bayesiana a través de MCMC (Markov Chain Monte Carlo). Esto permite la cuantificación completa de la incertidumbre de todos los parámetros de volatilidad, incluido el coeficiente de asimetría, sin requerir normalidad de las estimaciones en muestras grandes.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Nakatsuma, T. (2000). Bayesian analysis of ARMA-GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57–69. DOI: 10.1016/S0304-4076(99)00029-9 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/es/econometrics/bayesian-egarch
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Modelo ARCH (Heterocedasticidad Autoregresiva Condicional)Econometría↔ compare
- GARCH de Correlación Condicional Dinámica Bayesiana (Bayesian DCC-GARCH)Econometría↔ compare
- Modelo GARCH bayesianoEconometría↔ compare
- TGARCH bayesiano (Threshold GARCH con Estimación Bayesiana)Econometría↔ compare
- Modelo de VAR Bayesiano (BVAR)Econometría↔ compare
- Modelo EGARCH (GARCH Exponencial)Econometría↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →