Acceso usuarios
Este artículo investiga la sensibilidad de las cargas factoriales del modelo dinámico de Nelson y Siegel al valor del parámetro de forma l, y analiza el problema de la multicolinealidad y cómo mitigarlo en el proceso de estimación. En primer lugar, se obtiene que la selección de un l fijo no conduce a la optimalidad debido a que pudiera dar lugar a problemas de multicolinealidad. En segundo lugar, se observa una diferencia sustancial en los resultados de predicción entre los procedimientos tradicionales de estimación y el método de regresión alomada (ridge regression). Finalmente, se implementa un ejercicio de simulación de Monte Carlo con el fin de estudiar la distribución estadística de de las estimaciones de los parámetros del modelo, para comprobar las diferencias respecto a los valoresreales. Se observa que la multicolinealidad entre las cargasfactoriales del modelo de NS puede dar lugar, en el caso de estimación mínimo cuadrática lineal con parámetro de forma fijo, a mayores diferencias entre las estimaciones y los valores reales de los parámetros del modelo. La regresión alomada corrige estas diferencias y da lugar a estimaciones más estables que los procedimientos de estimación, lineal o no lineal, mínimo cuadráticos ordinarios.
This paper investigates the sensitivity of the dynamic Nelson-Siegel factor loadings to the value of the shape parameter, l. It also analyses the multicollinearity problem and addresses how to mitigate thisissue in the estimation process. First, we find that the selection of a fixed l is not optimal due to the collinearity problems. Second, we observe a substantial difference between the forecasting performance of the traditional estimation procedures and that of the ridge regression approach. Finally, we implement a Monte Carlo simulation exercise in order to study the statistical distribution of the estimates of the model parameters and thus determine the extent to which they differ from the real values.
Furthermore, we find that multicollinearity between the factors of the NS model can, in the case of ordinary least squares estimation with a fixed parameter l, result in greater differences between the estimates and the actual parameter values. Ridge regression corrects such differences and produces more stable estimates than the ordinary linear and nonlinear least squares methods
