Explore the vast range of titles available.

This paper provides estimation and inference methods for conditional average treatment effects (CATE) characterized by a high-dimensional parameter in both homogeneous cross-sectional and unit-heterogeneous dynamic panel data settings. In our leading example, we model CATE by interacting the base treatment variable with explanatory variables. The first step of our procedure is orthogonalization, where we partial out the controls and unit effects from the outcome and the base treatment and take the cross-fitted residuals. This step uses a novel generic cross-fitting method that we design for weakly dependent time series and panel data. This method \"leaves out the neighbors\" when fitting nuisance components, and we theoretically power it by using Strassen's coupling. As a result, we can rely on any modern machine learning method in the first step, provided it learns the residuals well enough. Second, we construct an orthogonal (or residual) learner of CATE-the lasso CATE-that regresses the outcome residual on the vector of interactions of the residualized treatment with explanatory variables. If the complexity of CATE function is simpler than that of the first-stage regression, the orthogonal learner converges faster than the single-stage regression-based learner. Third, we perform simultaneous inference on parameters of the CATE function using debiasing. We also can use ordinary least squares in the last two steps when CATE is low-dimensional. In heterogeneous panel data settings, we model the unobserved unit heterogeneity as a weakly sparse deviation from Mundlak's (1978) model of correlated unit effects as a linear function of time-invariant covariates and make use of L1-penalization to estimate these models. We demonstrate our methods by estimating price elasticities of groceries based on scanner data. We note that our results are new even for the cross-sectional (i.i.d.) case.

In Bayesian analysis of vector autoregressive models, and especially in forecasting applications, the Minnesota prior of Litterman is frequently used. In many cases other prior distributions provide better forecasts and are preferable from a theoretical standpoint. Several of these priors require numerical methods in order to evaluate the posterior distribution. Different ways of implementing Monte Carlo integration are considered. It is found that Gibbs sampling performs as well as, or better, then importance sampling and that Gibbs sampling algorithms are less adversely affected by model size. We also report on the forecasting performance of the different prior distributions.

Los ecosistemas de páramo son muy importantes debido a que son una fuente hídrica única en el mundo, en donde habitan diversas especies de flora y fauna, sin embargo, son pocos los estudios que se centran en el cambio que están sufriendo estos ecosistemas. El propósito del artículo es identificar la relación entre variables meteorológicas y cambios de cobertura del páramo de Chingaza. Para esto, se evalúa la generación de un modelo de espacio de estados basado en las variables climatológicas de temperatura, humedad y precipitación, para describir el cambio en el área de cobertura del páramo de Chingaza (Colombia) entre los años 2009 y 2019. A estas series de tiempo se les realizo análisis de correlación, pruebas de Dickey-Fuller, prueba de ruido blanco o Ljung box test y modelos ARIMA para verificar su nivel de predicción, utilizando el software R. Los datos obtenidos muestran que las variables de temperatura y vegetación de páramo y subpáramo son las que mejor explican el cambio en el área de cobertura de este ecosistema. Se obtuvo un modelo óptimo con un R^2 de 0,4874, que explica el 48 % del cambio de cobertura de vegetación de páramo y subpáramo. Estos resultados evidencian que sí es posible generar un modelo de espacio de estados del cambio en el área de cobertura del páramo de Chingaza, explicado por la variable climática de temperatura, que se convierte en una herramienta base para futuros estudios que integren otras variables.

À l'aide de la télémétrie satellitaire, nous avons examiné les comportements de déplacement des baleines boréales, leurs temps de séjour et leurs comportements de plongée dans les eaux alaskiennes de la mer de Beaufort entre 2006 et 2018. Nous avons exploré le moment et la durée d'utilisation de trois sous-régions (ouest, centre et est) des eaux alaskiennes de la mer de Beaufort et appliqué un modèle à changement binaire espace-état afin de déduire l'état du comportement des baleines boréales comme étant soit en mode transit, soit en mode flânerie. Les baleines en mode transit se déplaçaient de manière directe, tandis que celles en mode flânerie changeaient souvent de direction et étaient probablement en train de se nourrir. Au printemps, les baleines migraient dans les eaux alaskiennes de la mer de Beaufort en 7,17 ± 0,41 jours, principalement au large du plateau continental, dans les profondeurs. Durant la migration automnale, les baleines passaient plus de deux fois plus de temps à traverser les eaux alaskiennes de la mer de Beaufort qu'au printemps, en moyenne 18,66 ± 2,30 jours, passant 10,05 ± 1,22 jours dans la sous-région de l'ouest, près de Point Barrow. Pendant la migration automnale, la plupart des baleines restaient dans le plateau continental et plongeaient souvent jusqu'au plancher océanique, où elles passaient 45 % de leur temps, peu importe leur état de comportement. À l'automne, le comportement de plongée régulier suggère que les baleines étaient à la recherche de nourriture pendant leur migration, et les lieux où elles flânaient étaient vraisemblablement indicateurs d'un mode d'alimentation. L'absence de lieux de flânerie dans les sous-régions de l'est et du centre suggère que la densité des proies est rarement suffisante pour que les baleines justifient d'interrompre leur migration pendant plusieurs jours, contrairement à la sous-région de l'ouest, près de Point Barrow, où les baleines boréales flânaient régulièrement pendant de longues périodes.

En este trabajo se estima un modelo state space para la serie de observaciones mensuales que recoge la producción y distribución de la energia total en España, desde enero de 2013 hasta enero de 2021. Tras una breve descripción de estos modelos, se pasa a su aplicación, y para destacar la valía de los mismos se comparan sus predicciones con las de otros modelos utilizados con series temporales.

This article proposes a methodology that involves the Universal Kriging filter (UKF) and the Kalman filter (KF) to study temporal-space dynamic models. The UKF provides a successful estimation approach from the point of view of spatial statistics, while the KF describes a well-established recursive procedure to estimate the states and parameters in these models. The model allows to make predictions on temperature, precipitation and humidity, obtaining estimates of unknown states very similar when compared to original series. The root mean square error was used as a measure of goodness of fit to measure the estimation quality of the algorithm, obtaining satisfactory results.

This paper proposes a methodology for combining satellite images with advection-diffusion models for interpolation and prediction of environmental processes. We propose a dynamic state-space model and an ensemble Kalman filter and smoothing algorithm for on-line and retrospective state estimation. Our approach addresses the high dimensionality, measurement bias, and nonlinearities inherent in satellite data. We apply the method to a sequence of SeaWiFS satellite images in Lake Michigan from March 1998, when a large sediment plume was observed in the images following a major storm event. Using our approach, we combine the images with a sediment transport model to produce maps of sediment concentrations and uncertainties over space and time. We show that our approach improves out-of-sample RMSE by 20%-30% relative to standard approaches. This article has supplementary material online.

En este trabajo se presenta el diseño de un controlador difuso Takagi-Sugeno (T-S), con un esquema de seguimiento de trayectoria para el sistema conocido como péndulo con rueda de reacción. A partir del modelo de estados no lineal, se definen los puntos de operación donde el sistema funcionará y se aplica la técnica de linealización por no linealidad sectorial con el fin de implementar reguladores lineales locales. Con los modelos linealizados reducidos y con base en las características dinámicas deseadas de lazo cerrado, se diseñan los reguladores locales que, al ser combinados, usando las funciones de pertenencia del modelo difuso, generan la señal de control global que contiene dos términos: el regulador y el seguimiento simple de la referencia. El controlador difuso propuesto logra llevar el péndulo desde su posición de equilibrio natural a la posición invertida de forma gradual, con oscilaciones de amplitud creciente y con mínimo error de seguimiento. Cuando el péndulo alcanza la posición deseada invertida, se usa un regulador sobre el modelo linealizado completo alrededor del punto de operación. Los resultados de simulación muestran el seguimiento de la trayectoria angular (del péndulo) y el desempeño del controlador ante pequeñas perturbaciones. La señal de control y la velocidad angular de la rueda son presentadas con el fin de verificar que se mantienen dentro de los límites de operación establecidos. Si bien se presenta saturación en la señal de control, se obtiene un error de seguimiento menor a 0,22 radianes.

Este artículo presenta un sistema de control para reducir el consumo de hidrogeno para una celda de combustible de Membrana de Intercambio Protónico, considerando incertidumbres paramétricas. El sistema de control incluye un modelo no lineal en el espacio de estado para la celda de combustible, un filtro de Kalman/estimador, un regulador óptimo cuadrático y algoritmo de seguimiento de puntos de máxima potencia (MPP). El objetivo de control es suministrar la potencia de carga demandada, evitando el agotamiento del oxígeno y minimizando el consumo de hidrógeno por medio de un algoritmo de Perturbación y Observación (P&O). El desempeño del sistema de control es evaluado ante incertidumbres paramétricas al simular escenarios de perdida de desempeño como producto del envejecimiento del compresor. De esta forma, dos escenarios fueron simulados: un primer escenario simula un error entre la ganancia (de lazo abierto) del compresor de la celda de combustible y la del modelo; y un segundo escenario, con un error entre la corriente de pérdidas y del compresor de la celda de combustible con respecto al modelo. Los resultados de simulación muestran que el filtro Kalman/estimador logra contrarrestar las incertidumbres producidas por los cambios paramétricos del sistema. Igualmente, el algoritmo MPP logra suministrar el voltaje del compresor adecuado sin necesidad de un perfil óptimo en condiciones ideales.