Criterios de información y complejidad estocástica
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...
Guardado en:
| Autores principales: | , |
|---|---|
| Formato: | Artículo publishedVersion |
| Publicado: |
2018
|
| Materias: | |
| 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: |
| Sumario: | 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. |
|---|