QARDL
QARDL (Quantile Autoregressive Distributed Lag) combines quantile regression with ARDL modeling to estimate conditional relationships at different points of the distribution, revealing heterogeneous short-run and long-run effects. Introduced by Koenker and Xiao (2006) and refined by Cho et al. (2015), it captures how the effect of explanatory variables on outcomes varies across quantiles, essential for understanding tail behavior and distributional impacts rather than just mean effects.
Dossier source
Citations copiées telles quelles du dossier source de la méthode. Aucune vérification au niveau de la revendication n'en est déduite.
- 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
Revendications organisées
Revendications enregistrées dans le registre de preuves, chacune avec sa propre évaluation.
Cette vue n'invente pas d'évaluation de revendication lorsque le registre n'en contient aucune.
Méthodes apparentées
Généré à partir du graphe de méthodes et présenté comme des relations suggérées par la machine — aucune revendication de preuve n'est déduite.