Suy luận bootstrap cho mô hình thời lượng có điều kiện tự hồi quy

Tóm tắt

Bài báo phát triển các quy trình bootstrap cho suy luận dựa trên hàm hợp lý trong mô hình thời lượng có điều kiện tự hồi quy. Vì quan sát là thời lượng được ghi nhận trong một khoảng thời gian cố định, số quan sát có thể ngẫu nhiên; hành vi tiệm cận cũng thay đổi khi thời lượng có kỳ vọng vô hạn. Các tác giả nghiên cứu hai thiết kế bootstrap đệ quy: một thiết kế cố định khoảng thời gian, thiết kế kia cố định số lượng thời lượng nhưng cho phép khoảng thời gian thay đổi.

Lý thuyết liên hệ các quy trình này với quá trình tái sinh có kích thước mẫu ngẫu nhiên. Với thiết kế cố định số lượng, bài báo xác lập tính hợp lệ bậc nhất trong trường hợp kỳ vọng hữu hạn và trường hợp biên, đồng thời mô tả phân phối bootstrap giới hạn ngẫu nhiên trong trường hợp kỳ vọng vô hạn. Bài báo cho rằng thống kê t có thể vẫn chuẩn tiệm cận ngay cả khi tính nhất quán bootstrap cổ điển không còn đúng. Bằng chứng Monte Carlo được báo cáo cho trường hợp kỳ vọng hữu hạn và vô hạn, gồm độ vững khi mô hình bị đặc tả sai so với mô hình hàm hợp lý mũ; bài báo cũng có ứng dụng vào ETF tiền mã hóa. Phần tóm tắt không nêu thiết lập mô phỏng chi tiết hoặc kết quả ứng dụng.

Ý chính

• Suy luận bootstrap ACD cần tính đến việc kích thước mẫu được xác định bởi thời lượng trong một khoảng thời gian.
• Bài báo so sánh bootstrap cố định cửa sổ quan sát với bootstrap cố định số lượng thời lượng.
• Thời lượng có kỳ vọng vô hạn có thể tạo phân phối bootstrap giới hạn ngẫu nhiên và thách thức tính nhất quán cổ điển.
• Các tác giả báo cáo thống kê t chuẩn tiệm cận và tính chất mô phỏng mẫu hữu hạn thuận lợi.
• Một ứng dụng thực nghiệm nghiên cứu ETF tiền mã hóa.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.