Please use this identifier to cite or link to this item: http://hdl.handle.net/10419/19583
Full metadata record
DC FieldValueLanguage
dc.contributor.authorKilian, Lutzen_US
dc.contributor.authorGonçalves, Sílviaen_US
dc.date.accessioned2009-01-28T16:01:15Z-
dc.date.available2009-01-28T16:01:15Z-
dc.date.issued2002en_US
dc.identifier.urihttp://hdl.handle.net/10419/19583-
dc.description.abstractConditional heteroskedasticity is an important feature of many macroeconomic andfinancial time series. Standard residual-based bootstrap procedures for dynamic regressionmodels treat the regression error as i.i.d. These procedures are invalid in the presence ofconditional heteroskedasticity. We establish the asymptotic validity of three easy-toimplementalternative bootstrap proposals for stationary autoregressive processes withm.d.s. errors subject to possible conditional heteroskedasticity of unknown form. Theseproposals are the fixed-design wild bootstrap, the recursive-design wild bootstrap and thepairwise bootstrap. In a simulation study all three procedures tend to be more accurate insmall samples than the conventional large-sample approximation based on robust standarderrors. In contrast, standard residual-based bootstrap methods for models with i.i.d. errorsmay be very inaccurate if the i.i.d. assumption is violated. We conclude that in manyempirical applications the proposed robust bootstrap procedures should routinely replaceconventional bootstrap procedures based on the i.i.d. error assumption.en_US
dc.language.isoengen_US
dc.publisher|aDeutsche Bundesbank |cFrankfurt a. M.-
dc.relation.ispartofseries|aDiscussion paper Series 1 / Volkswirtschaftliches Forschungszentrum der Deutschen Bundesbank |x2002,26en_US
dc.subject.jelC52en_US
dc.subject.jelC22en_US
dc.subject.jelC15en_US
dc.subject.ddc330en_US
dc.subject.keywordwild bootstrapen_US
dc.subject.keywordpairwise bootstrapen_US
dc.subject.keywordrobust inferenceen_US
dc.subject.stwBootstrap-Verfahrenen_US
dc.subject.stwARCH-Modellen_US
dc.subject.stwStochastischer Prozessen_US
dc.subject.stwVolatilitäten_US
dc.subject.stwZeitreihenanalyseen_US
dc.subject.stwHeteroskedastizitäten_US
dc.subject.stwTheorieen_US
dc.titleBootstrapping Autoregressions with Conditional Heteroskedasticity of Unknown Formen_US
dc.typeWorking Paperen_US
dc.identifier.ppn848121201en_US
dc.description.abstracttransBedingte Heteroskedastizität ist eine wichtige Eigenschaft von vielen Daten überFinanzmärkte und die Makroökonomie. Standard bootstrap Verfahren für dynamischeRegressionsmodelle behandeln die Residuen der Regression als i. i. d. Bei bedingterHeteroskedastizität sind diese Prozeduren nicht angemessen. Wir zeigen die asymptotischeGültigkeit von 3 alternativen bootstrap Methoden für stationäre autoregressive Prozessemit m. d. s. Fehler, die eine bedingte Heteroskedastizität unbekannter Form aufweisen. Esgeht dabei um ein fixed-design wild bootstrap, den recursive-design wild bootstrap und denpaarweisen bootstrap. In einer Simulationsstudie erscheinen alle 3 Prozeduren in kleinenStichproben angewandt genauer als die konventionellen Approximationen, die auf robustenStandardfehlern basieren. Diese letztgenannten Methoden können dagegen sehr ungenausein, wenn die i. i. d. Annahme nicht gilt. Wir schließen daraus, dass bei vielenempirischen Anwendungen die robusten bootstrap Verfahren, die hier vorgestellt werdenund leicht zu implementieren sind, die üblichen bootstrap Verfahren ersetzen sollten.en_US
dc.rightshttp://www.econstor.eu/dspace/Nutzungsbedingungen-
dc.identifier.repecRePEc:zbw:bubdp1:4191-

Files in This Item:
File
Size
690.6 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.