استنباط بوت‌استرپ برای مدل‌های مدت شرطی خودرگرسیو
خلاصه
این مقاله روش‌های بوت‌استرپ را برای استنباط مبتنی بر درست‌نمایی در مدل‌های مدت شرطی خودرگرسیو توسعه می‌دهد. چون مشاهدات، مدت‌های ثبت‌شده در یک بازه زمانی ثابت هستند، تعداد مشاهدات می‌تواند تصادفی باشد؛ رفتار مجانبی نیز هنگامی که امید ریاضی مدت‌ها بی‌نهایت است تغییر می‌کند. نویسندگان دو طرح بوت‌استرپ بازگشتی را بررسی می‌کنند: یکی بازه زمانی را ثابت نگه می‌دارد و دیگری تعداد مدت‌ها را ثابت می‌کند و اجازه می‌دهد طول بازه تغییر کند.
این نظریه روش‌ها را به فرایندهای تجدید با اندازه نمونه تصادفی پیوند می‌دهد. برای طرح با تعداد ثابت، مقاله اعتبار مرتبه اول را در حالت‌های میانگین متناهی و مرزی اثبات می‌کند و توزیع حدی تصادفی بوت‌استرپ را در حالت میانگین نامتناهی شرح می‌دهد. مقاله استدلال می‌کند که آماره‌های t حتی در شرایطی که سازگاری بوت‌استرپ کلاسیک برقرار نیست، می‌توانند مجانبی نرمال باقی بمانند. شواهد مونت‌کارلو برای حالت‌های میانگین متناهی و نامتناهی گزارش شده است؛ از جمله پایداری در برابر مشخص‌سازی نادرست نسبت به درست‌نمایی نمایی. مقاله همچنین کاربردی درباره صندوق‌های قابل معامله رمزارز ارائه می‌کند. چکیده جزئیات تنظیمات شبیه‌سازی یا نتایج کاربرد را بیان نمی‌کند.
ایده‌های کلیدی
- استنباط بوت‌استرپ ACD باید در نظر بگیرد که تعداد نمونه‌ها بر اساس مدت‌ها در یک بازه زمانی تعیین می‌شود.
- مقاله بوت‌استرپ‌هایی را مقایسه می‌کند که پنجره مشاهده را ثابت نگه می‌دارند با روش‌هایی که تعداد مدت‌ها را ثابت می‌گیرند.
- مدت‌های دارای میانگین نامتناهی می‌توانند توزیع حدی تصادفی بوت‌استرپ ایجاد کنند و سازگاری کلاسیک را به چالش بکشند.
- نویسندگان از آماره‌های t مجانبی نرمال و ویژگی‌های مطلوب شبیه‌سازی در نمونه محدود گزارش می‌دهند.
- یک کاربرد تجربی، صندوق‌های قابل معامله رمزارز را بررسی می‌کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.