الاستدلال بالمعاينة المعاد سحبها لنماذج المدة الشرطية ذاتية الانحدار

الملخص

تطوّر الورقة إجراءات للمعاينة المعاد سحبها من أجل الاستدلال القائم على الاحتمالية في نماذج المدة الشرطية ذاتية الانحدار. ولأن المشاهدات مدد مسجلة خلال فترة زمنية ثابتة، فقد يكون عدد المشاهدات عشوائياً؛ كما يتغير السلوك التقاربي عندما يكون للمدد متوسط متوقع لا نهائي. ويدرس المؤلفون تصميمين تكراريين للمعاينة المعاد سحبها: يثبت الأول الفترة الزمنية، بينما يثبت الثاني عدد المدد مع السماح للفترة بالتغير.

تربط النظرية هذه الإجراءات بعمليات التجديد ذات أحجام العينات العشوائية. وبالنسبة إلى التصميم الذي يثبت العدد، تثبت الورقة صحته من الرتبة الأولى في حالات المتوسط المحدود والحالات الحدية، وتصف التوزيع التقاربي العشوائي للمعاينة المعاد سحبها في حالة المتوسط اللانهائي. وتشير إلى أن إحصاءات t قد تظل طبيعية تقاربياً حتى عندما يفشل اتساق المعاينة التقليدية المعاد سحبها. وتُعرض نتائج محاكاة مونت كارلو لحالات المتوسط المحدود واللانهائي، بما فيها المتانة تجاه سوء التحديد مقارنة باحتمالية أسية، كما تتضمن الورقة تطبيقاً على صناديق مؤشرات متداولة للعملات الرقمية. ولا يقدم الملخص تفاصيل إعدادات المحاكاة أو نتائج التطبيق.

الأفكار الرئيسية

• يجب أن يراعي الاستدلال بإعادة المعاينة أن حجم العينة يتحدد وفق مدد الفترات ضمن إطار زمني. ACD
• تقارن الورقة بين أساليب المعاينة المعاد سحبها التي تثبت نافذة المشاهدة وتلك التي تثبت عدد المدد.
• قد تؤدي المدد ذات المتوسط اللانهائي إلى توزيع تقاربي عشوائي للمعاينة المعاد سحبها، وتتحدى الاتساق التقليدي.
• يفيد المؤلفون بأن إحصاءات t طبيعية تقاربياً، وبخصائص مواتية في المحاكاة ذات العينات المحدودة.
• يفحص تطبيق تجريبي صناديق مؤشرات متداولة للعملات الرقمية.

الوسوم

# Bootstrapping autoregressive duration models


# Bootstrapping autoregressive duration models









This paper develops bootstrap methods for likelihood-based inference in autoregressive conditional duration (ACD) models, where the sample size is endogenously determined by durations observed over a fixed time span. This feature fundamentally shapes the asymptotic framework, particularly so when the durations do not have finite expectation. Building on recent limit theory for heavy-tailed and integrated ACD processes, we analyze recursive bootstrap schemes that either fix the time span (yielding a random sample size) or fix the number of durations (yielding a random time span). We establish a bootstrap theory for ACD models that links naturally to renewal theory with random sample sizes. For the fixedcount bootstrap, we prove first-order validity in the finite-mean and boundary cases and characterize the random limiting bootstrap distribution in the infinite-mean case. Although classical bootstrap consistency can fail when the durations have infinite expectation, we argue that the bootstrap remains valid and yields asymptotically normal t-statistics. Monte Carlo evidence shows that the proposed methods have good finite-sample properties in both finite- and infinite-mean settings, and are robust to distributional misspecification relative to the exponential likelihood. We conclude with an empirical application to cryptocurrency ETFs.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.