خود بازگشتی مشروط دورانیہ ماڈلز کے لیے بوٹسٹریپ استنباط

خلاصہ

یہ مقالہ خود بازگشتی مشروط دورانیہ ماڈلز میں امکان پر مبنی استنباط کے لیے بوٹسٹریپ طریقے وضع کرتا ہے۔ چونکہ مشاہدات ایک مقررہ مدت میں ریکارڈ کیے گئے دورانیے ہوتے ہیں، اس لیے مشاہدات کی تعداد تصادفی ہو سکتی ہے؛ دورانیوں کی توقع لامحدود ہونے پر مجانبی رویہ بھی بدل جاتا ہے۔ مصنفین دو بازگشتی بوٹسٹریپ ڈیزائنوں کا مطالعہ کرتے ہیں: ایک میں مدت مقرر رہتی ہے، جبکہ دوسرے میں دورانیوں کی تعداد مقرر کرکے مدت کو بدلنے دیا جاتا ہے۔

نظریہ ان طریقوں کو تصادفی نمونہ حجم والے تجدیدی عمل سے جوڑتا ہے۔ مقررہ تعداد والے ڈیزائن کے لیے مقالہ محدود اوسط اور حدی صورتوں میں درجہ اول کی صحت ثابت کرتا ہے اور لامحدود اوسط کی صورت میں تصادفی حدی بوٹسٹریپ تقسیم بیان کرتا ہے۔ اس کا استدلال ہے کہ کلاسیکی بوٹسٹریپ کی مطابقت ناکام ہونے پر بھی ٹی شماریات مجانبی طور پر نارمل رہ سکتی ہیں۔ محدود اور لامحدود اوسط والی صورتوں میں مونٹی کارلو شواہد رپورٹ کیے گئے ہیں، جن میں ایکسپونینشل امکان کے مقابلے میں غلط تخصیص کے لیے مضبوطی بھی شامل ہے، اور مقالے میں کرپٹو کرنسی ای ٹی ایف پر اطلاق بھی ہے۔ خلاصہ تفصیلی سیمولیشن ترتیبات یا اطلاق کے نتائج نہیں دیتا۔

اہم خیالات

• ACD بوٹسٹریپ استنباط میں اس بات کا لحاظ ضروری ہے کہ مشاہدات کی تعداد مدت کے دوران دورانیوں سے طے ہوتی ہے۔
• مقالہ ان بوٹسٹریپ طریقوں کا موازنہ کرتا ہے جو مشاہدے کی مدت مقرر رکھتے ہیں اور جو دورانیوں کی تعداد مقرر رکھتے ہیں۔
• لامحدود اوسط والے دورانیے تصادفی حدی بوٹسٹریپ تقسیم پیدا کر سکتے ہیں اور کلاسیکی مطابقت کو چیلنج کرتے ہیں۔
• مصنفین مجانبی طور پر نارمل ٹی شماریات اور محدود نمونے کی سیمولیشن میں موافق خصوصیات رپورٹ کرتے ہیں۔
• تجرباتی اطلاق میں کرپٹو کرنسی ای ٹی ایف کا جائزہ لیا گیا ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔