@techreport{Kilian2002Bootstrapping,
abstract = {Conditional heteroskedasticity is an important feature of many macroeconomic and
financial time series. Standard residual-based bootstrap procedures for dynamic regression
models treat the regression error as i.i.d. These procedures are invalid in the presence of
conditional heteroskedasticity. We establish the asymptotic validity of three easy-toimplement
alternative bootstrap proposals for stationary autoregressive processes with
m.d.s. errors subject to possible conditional heteroskedasticity of unknown form. These
proposals are the fixed-design wild bootstrap, the recursive-design wild bootstrap and the
pairwise bootstrap. In a simulation study all three procedures tend to be more accurate in
small samples than the conventional large-sample approximation based on robust standard
errors. In contrast, standard residual-based bootstrap methods for models with i.i.d. errors
may be very inaccurate if the i.i.d. assumption is violated. We conclude that in many
empirical applications the proposed robust bootstrap procedures should routinely replace
conventional bootstrap procedures based on the i.i.d. error assumption. --  -- Bedingte Heteroskedastizit\"{a}t ist eine wichtige Eigenschaft von vielen Daten \"{u}ber
Finanzm\"{a}rkte und die Makro\"{o}konomie. Standard bootstrap Verfahren f\"{u}r dynamische
Regressionsmodelle behandeln die Residuen der Regression als i. i. d. Bei bedingter
Heteroskedastizit\"{a}t sind diese Prozeduren nicht angemessen. Wir zeigen die asymptotische
G\"{u}ltigkeit von 3 alternativen bootstrap Methoden f\"{u}r station\"{a}re autoregressive Prozesse
mit m. d. s. Fehler, die eine bedingte Heteroskedastizit\"{a}t unbekannter Form aufweisen. Es
geht dabei um ein fixed-design wild bootstrap, den recursive-design wild bootstrap und den
paarweisen bootstrap. In einer Simulationsstudie erscheinen alle 3 Prozeduren in kleinen
Stichproben angewandt genauer als die konventionellen Approximationen, die auf robusten
Standardfehlern basieren. Diese letztgenannten Methoden k\"{o}nnen dagegen sehr ungenau
sein, wenn die i. i. d. Annahme nicht gilt. Wir schlie\ss{}en daraus, dass bei vielen
empirischen Anwendungen die robusten bootstrap Verfahren, die hier vorgestellt werden
und leicht zu implementieren sind, die \"{u}blichen bootstrap Verfahren ersetzen sollten.},
author = {Lutz Kilian and S\'{\i}lvia Gon\c{c}alves},
copyright = {http://www.econstor.eu/dspace/Nutzungsbedingungen},
keywords = {C52; C22; C15; 330; wild bootstrap; pairwise bootstrap; robust inference; Bootstrap-Verfahren; ARCH-Modell; Stochastischer Prozess; Volatilit\"{a}t; Zeitreihenanalyse; Heteroskedastizit\"{a}t; Theorie},
language = {eng},
number = {2002,26},
title = {Bootstrapping Autoregressions  with Conditional Heteroskedasticity of Unknown Form},
type = {Discussion paper Series 1 / Volkswirtschaftliches Forschungszentrum der Deutschen Bundesbank},
url = {http://hdl.handle.net/10419/19583},
year = {2002}
}
