Criterios de información y complejidad estocástica

Mostrar todas las versiones(2)

Los criterios objetivos de selección del orden de un modelo autorregresivo pueden ser clasificados en no-Bayesianos -basados en la minimización del error de predicción y las medidas de información- y Bayesianos. La diferencia entre ambos radica en que los primeros asumen como punto de partida la val...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: González, Mirta Lidia, Landro, Alberto H.
Formato: Artículo publishedVersion
Publicado: 2018
Materias:
ESTADISTICA
TEORIA DE LAS PROBABILIDADES
DECISION
Acceso en línea:http://bibliotecadigital.econ.uba.ar/econ/collection/rimf/document/rimf_v7_n1_02
https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=modelfin&d=rimf_v7_n1_02_oai
Aporte de:
Repositorio Digital de la Universidad de Buenos Aires (UBA) de Universidad de Buenos Aires
id I28-R145-rimf_v7_n1_02_oai
record_format dspace
spelling I28-R145-rimf_v7_n1_02_oai2025-02-11 González, Mirta Lidia Landro, Alberto H. 2018-06 Los criterios objetivos de selección del orden de un modelo autorregresivo pueden ser clasificados en no-Bayesianos -basados en la minimización del error de predicción y las medidas de información- y Bayesianos. La diferencia entre ambos radica en que los primeros asumen como punto de partida la validez de la hipótesis de que todo proceso está afectado por su infinito pasado y proporcionan estimadores asintóticamente eficientes en tanto que los Bayesianos se basan en la negación de la tesis de Church-Turing y proporcionan estimadores consistentes. A fin de evitar la disyuntiva que genera esta clasificación, en este trabajo se propone caracterizar al modelo utilizando la definición de complejidad estocástica. La aplicación de este concepto y los postulados de los teoremas de convergencia de las medidas de complejidad permiten demostrar, además, la condición de óptimo del término de penalización del criterio de selección de Schwarz. Fil: González, Mirta Lidia. Universidad de Buenos Aires. Facultad de Ciencias Económicas. Instituto de Investigaciones en Administración, Contabilidad y Métodos Cuantitativos para la Gestión. Centro de Investigaciones en Econometría Fil: Landro, Alberto H.. Universidad de Buenos Aires. Facultad de Ciencias Económicas. Instituto de Investigaciones en Administración, Contabilidad y Métodos Cuantitativos para la Gestión. Centro de Investigaciones en Econometría application/pdf rimf_v7_n1_02 http://bibliotecadigital.econ.uba.ar/econ/collection/rimf/document/rimf_v7_n1_02 info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/2.5/ar/ Rev. investig. modelos financ. Vol. 07, Nro. 01 (2018), p. 21-40 ESTADISTICA TEORIA DE LAS PROBABILIDADES DECISION Criterios de información y complejidad estocástica info:eu-repo/semantics/article info:ar-repo/semantics/artículo info:eu-repo/semantics/publishedVersion https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=modelfin&d=rimf_v7_n1_02_oai
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-145
collection Repositorio Digital de la Universidad de Buenos Aires (UBA)
topic ESTADISTICA
TEORIA DE LAS PROBABILIDADES
DECISION
spellingShingle ESTADISTICA
TEORIA DE LAS PROBABILIDADES
DECISION
González, Mirta Lidia
Landro, Alberto H.
Criterios de información y complejidad estocástica
topic_facet ESTADISTICA
TEORIA DE LAS PROBABILIDADES
DECISION
description Los criterios objetivos de selección del orden de un modelo autorregresivo pueden ser clasificados en no-Bayesianos -basados en la minimización del error de predicción y las medidas de información- y Bayesianos. La diferencia entre ambos radica en que los primeros asumen como punto de partida la validez de la hipótesis de que todo proceso está afectado por su infinito pasado y proporcionan estimadores asintóticamente eficientes en tanto que los Bayesianos se basan en la negación de la tesis de Church-Turing y proporcionan estimadores consistentes. A fin de evitar la disyuntiva que genera esta clasificación, en este trabajo se propone caracterizar al modelo utilizando la definición de complejidad estocástica. La aplicación de este concepto y los postulados de los teoremas de convergencia de las medidas de complejidad permiten demostrar, además, la condición de óptimo del término de penalización del criterio de selección de Schwarz.
format Artículo
Artículo
publishedVersion
author González, Mirta Lidia
Landro, Alberto H.
author_facet González, Mirta Lidia
Landro, Alberto H.
author_sort González, Mirta Lidia
title Criterios de información y complejidad estocástica
title_short Criterios de información y complejidad estocástica
title_full Criterios de información y complejidad estocástica
title_fullStr Criterios de información y complejidad estocástica
title_full_unstemmed Criterios de información y complejidad estocástica
title_sort criterios de información y complejidad estocástica
publishDate 2018
url http://bibliotecadigital.econ.uba.ar/econ/collection/rimf/document/rimf_v7_n1_02
https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=modelfin&d=rimf_v7_n1_02_oai
work_keys_str_mv AT gonzalezmirtalidia criteriosdeinformacionycomplejidadestocastica
AT landroalbertoh criteriosdeinformacionycomplejidadestocastica
_version_ 1825551206663061504

Ejemplares similares