Se describe un procedimiento para la regresión bayesiana no paramétrica que ajusta automáticamente el grado de suavizado a medida que cambia la curvatura de la función subyacente. En comparación con trabajos anteriores que adoptan un enfoque similar y que emplean un único parámetro de suavizado global o asumen que el proceso de suavizado sigue un paseo aleatorio, el modelo considerado aquí permite un suavizado adaptativo e impone estacionariedad en el proceso de suavizado autorregresivo. Un esquema eficiente de Monte Carlo de Cadena de Markov (MCMC) para la estimación del modelo está completamente descrito para este caso estacionario, y el rendimiento del método se ilustra en varios experimentos de datos generados. También se proporciona una aplicación, analizando la relación entre los problemas de comportamiento en los estudiantes y el rendimiento académico. Las estimaciones puntuales de los métodos no paramétricos sugieren que (a) el rendimiento esperado disminuye de manera monótona con un puntaje de índice de problemas de comportamiento (BPI) y (b) la tasa de disminución es relativamente plana en la cola izquierda de la distribución de BPI y luego se vuelve bruscamente más negativa.