On Multivariate Methods in Robust Econometrics

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F12%3A00358519" target="_blank" >RIV/67985807:_____/12:00358519 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.vse.cz/pep/abstrakt.php?IDcl=411" target="_blank" >http://www.vse.cz/pep/abstrakt.php?IDcl=411</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

On Multivariate Methods in Robust Econometrics

Popis výsledku v původním jazyce

This work studies implicitly weighted robust statistical methods suitable for econometric problems. We study robust estimation mainly for the context of heteroscedasticity or high dimension, which are up-to-date topics of current econometrics. We describe a modification of linear regression resistant to heteroscedasticity and study its computational aspects. For a robust version of the instrumental variables estimator we propose an asymptotic test of heteroscedasticity. Further we describe robust statistical methods for dimension reduction and classification analysis. We propose the robust quadratic classification analysis based on a new minimum weighted covariance determinant (MWCD) estimator. In general the robust methods based on down-weightening less reliable observations are resistant to outlying values (outliers) and insensitive to the assumption of Gaussian normal distribution of the data. The methods are illustrated on econometric data examples.

Název v anglickém jazyce

On Multivariate Methods in Robust Econometrics

Popis výsledku anglicky

This work studies implicitly weighted robust statistical methods suitable for econometric problems. We study robust estimation mainly for the context of heteroscedasticity or high dimension, which are up-to-date topics of current econometrics. We describe a modification of linear regression resistant to heteroscedasticity and study its computational aspects. For a robust version of the instrumental variables estimator we propose an asymptotic test of heteroscedasticity. Further we describe robust statistical methods for dimension reduction and classification analysis. We propose the robust quadratic classification analysis based on a new minimum weighted covariance determinant (MWCD) estimator. In general the robust methods based on down-weightening less reliable observations are resistant to outlying values (outliers) and insensitive to the assumption of Gaussian normal distribution of the data. The methods are illustrated on econometric data examples.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/1M06014" target="_blank" >1M06014: Centrum biomedicínské informatiky (CBI)</a><br>

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2012

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Prague Economic Papers

ISSN

1210-0455

e-ISSN

—

Svazek periodika

—

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

14

Strana od-do

69-82

Kód UT WoS článku

000303301400005

EID výsledku v databázi Scopus

—