Kantiilne ARDL
QARDL (Kantiilne Autoregressiivne Hajutatud Viivitus) ühendab kantiilregressiooni ARDL-i modelleerimisega, et hinnata tingimuslikke seoseid jaotuse erinevates punktides, paljastades heterogeenseid lühi- ja pikaajalisi efekte. Koenkeri ja Xiao (2006) poolt tutvustatud ning Cho jt (2015) poolt täiustatud mudel haarab seda, kuidas selgitavate muutujate mõju tulemustele erineb kantiilide lõikes, mis on oluline jaotuse käitumise ja jaotuslike mõjude mõistmiseks, mitte ainult keskmiste efektide jaoks.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- Koenker, R., & Xiao, Z. (2006). Quantile autoregression. Journal of the American Statistical Association, 101(475), 980-990. DOI: 10.1198/016214506000000672 ↗
- Cho, J. S., Kim, H., & Shin, Y. (2015). Quantile cointegration in the autoregressive distributed-lag modeling framework. Journal of Econometrics, 188(1), 281-300. DOI: 10.1016/j.jeconom.2015.05.003 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Quantile Autoregressive Distributed Lag. ScholarGate. https://scholargate.app/et/econometrics/qardl
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Risti-lõikelise ARDL-mudelÖkonomeetria↔ võrdle
- Cross-Sectional NARDLÖkonomeetria↔ võrdle
- Momenta meetodite kvantiilregressioonÖkonomeetria↔ võrdle
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →