Kvantilu ARDL
QARDL (Kvantilu Autoregresīvā Sadalītā Novirze) apvieno kvantilu regresiju ar ARDL modelēšanu, lai novērtētu nosacītās attiecības dažādos sadalījuma punktos, atklājot heterogēnus īstermiņa un ilgtermiņa efektus. Ieviesti Koenker un Xiao (2006) un pilnveidoti Cho et al. (2015), tie uztver to, kā skaidrojošo mainīgo ietekme uz iznākumiem atšķiras dažādos kvantiļos, kas ir būtiski, lai saprastu astes uzvedību un sadalījuma ietekmi, nevis tikai vidējos efektus.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Quantile Autoregressive Distributed Lag. ScholarGate. https://scholargate.app/lv/econometrics/qardl
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.
- Šķērsgriezuma ARDLEkonometrija↔ compare
- Šķērsgriezuma NARDLEkonometrija↔ compare
- Regresijas kvantiļu novērtēšana ar momentu metodiEkonometrija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →