Los modelos parcialmente lineales de series temporales a menudo sufren de multicolinealidad entre los regresores y errores autocorrelacionados, ambos de los cuales pueden inflar el riesgo de estimación. Este estudio introduce un marco de kernel tipo ridge generalizado (GRTK) que combina suavizado de kernel con contracción de ridge y lo aumenta a través de ajustes ordinarios y de parte positiva de Stein. Se establecen expresiones en forma cerrada y propiedades en muestras grandes, y se utilizan criterios basados en datos, incluidos GCV, AICc, BIC y RECP, para ajustar el ancho de banda y las penalizaciones de contracción. Las simulaciones de Monte Carlo indican que los procedimientos propuestos generalmente reducen el riesgo en comparación con las alternativas semiparamétricas existentes, especialmente cuando los predictores están fuertemente correlacionados y el proceso de error es dependiente. Un estudio empírico de datos de retrasos de aerolíneas de EE. UU. demuestra además que GRTK produce un ajuste estable e interpretable, captura un efecto no lineal en el tiempo de vuelo pasado por alto por enfoques convencionales y deja solo una autocorrelación residual modesta. Al abordar la multicolinealidad y la autocorrelación dentro de un solo estimador flexible, la familia GRTK ofrece a los profesionales un camino práctico para una inferencia más confiable en entornos de series temporales parcialmente lineales.