From quantiles to distributionsflexible conditional density estimation

Resumo

Este artigo desenvolve uma abordagem não-paramétrica flexível para estimação de densidade condicional que transforma estimativas de quantis em funções de distribuição adequadas. Nossa metodologia combina a flexibilidade de métodos baseados em árvores com transições suaves para estimar quantis condicionais, e então transforma essas estimativas em uma função de distribuição condicional coerente que garante monotonicidade entre os níveis de quantis. A abordagem procede em três etapas: primeiro, empregamos engenharia de características usando árvores de transição suave para capturar relações complexas enquanto mantemos suavidade; segundo, estimamos quantis condicionais através de regressão quantílica linear neste espaço de características transformado; e finalmente, ajustamos uma distribuição baseada em splines especialmente projetada que fornece interpolação razoável entre quantis enquanto mantém as propriedades de uma distribuição de probabilidade adequada. Esta abordagem oferece vantagens particulares para fenômenos caracterizados por heterocedasticidade, assimetria e caudas pesadas, que são comuns em dados econômicos.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/38388

Temas

EconomiaDados

Palavras-chave

Aprendizado de máquinaMétodos não paramétricosSplinesRegressão quantílicaRegressão distribucionalRegressão conformalMachine learningNonparametric methodsQuantile regressionDistributional regressionConformal regressionEconomiaAprendizado do computadorEstatistica não paramétricaModelos econométricosAnálise de regressão