Mínimos Cuadrados Generalizados Robustos (Robust GLS)
Robust GLS extiende los Mínimos Cuadrados Generalizados (GLS) clásicos al emparejar la estimación de coeficientes de GLS con errores estándar consistentes con heterocedasticidad y autocorrelación (HAC), o al usar M-estimación dentro del marco de GLS. Corrige los errores no esféricos — heterocedasticidad, autocorrelación, o ambos — y al mismo tiempo protege la inferencia contra la especificación errónea de la estructura de covarianza de los errores.
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
- Greene, W. H. (2012). Econometric Analysis (7th ed.). Pearson. Chapter 9: The Generalized Regression Model and Heteroscedasticity. ISBN: 978-0131395381
- White, H. (1980). A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity. Econometrica, 48(4), 817-838. DOI: 10.2307/1912934 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Generalized Least Squares. ScholarGate. https://scholargate.app/es/econometrics/robust-gls
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.
- Mínimos Cuadrados Generalizados (GLS)Estadística↔ compare
- Regresión por Mínimos Cuadrados Ordinarios (MCO)Econometría↔ compare
- Mínimos Cuadrados Generalizados para Datos de Panel (Panel GLS)Econometría↔ compare
- OLS robusta (OLS con errores estándar robustos)Econometría↔ compare
- Mínimos Cuadrados Ponderados (WLS)Estadística↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →