Conditional heteroskedasticity is an important feature of many macroeconomic and financial time series. Standard residual-based bootstrap procedures for dynamic regression models treat the regression error as i.i.d. These procedures are invalid in the presence of conditional heteroskedasticity. We establish the asymptotic validity of three easy-to-implement alternative bootstrap proposals for stationary autoregressive processes with m.d.s. errors subject to possible conditional heteroskedasticity of unknown form. These proposals are the fixed-design wild bootstrap, the recursive-design wild bootstrap and the pairwise bootstrap. In a simulation study all three procedures tend to be more accurate in small samples than the conventional large-sample approximation based on robust standard errors. In contrast, standard residual-based bootstrap methods for models with i.i.d. errors may be very inaccurate if the i.i.d. assumption is violated. We conclude that in many empirical applications the proposed robust bootstrap procedures should routinely replace conventional bootstrap procedures for autoregressions based on the i.i.d. error assumption.
La présence d'hétéroscédasticité conditionnelle est une caractéristique importante de beaucoup de séries temporelles en macroéconomie et en finance. Les méthodes de bootstrap usuelles pour des modèles de régression dynamiques rééchantillonnent les erreurs de façon i.i.d. et ne sont pas valables sous la présence d'hétéroscédasticité conditionnelle. Dans ce papier, nous montrons la validité asymptotique de trois méthodes de bootstrap pour des processus stationnaires autorégressifs dont le terme d'erreur est une différence de martingale. Les méthodes de bootstrap que nous étudions sont le "wild" bootstrap fixé, le "wild" bootstrap récursif et le bootstrap par couples. Une étude de Monte Carlo montre que la performance d'intervalles de confiance basées sur ces méthodes est supérieure à celle des intervalles de confiance basées sur la théorie asymptotique robuste à la présence d'hétéroscédasticité. Par contre, la performance de la méthode de bootstrap usuelle basée sur l'hypothèse i.i.d. des erreurs peut être très mauvaise si les erreurs sont hétéroscédastiques. Nous concluons que les méthodes de bootstrap robustes étudiées dans ce papier doivent remplacer la méthode de bootstrap usuelle dans des applications de bootstrap pour des modèles autorégressifs stationnaires.
Download Info
To download:
If you experience problems downloading a file, check if you have the
proper application to
view it first. Information about this may be contained
in the File-Format links below. In case of further problems read
the IDEAS help
page. Note that these files are not on the IDEAS
site. Please be patient as the files may be large.
References listed on IDEAS Please report citation or reference errors to , or , if you are the registered author of the cited work, log in to your RePEc Author Service profile, click on "citations" and make appropriate adjustments.:
Goetzmann, William N & Jorion, Philippe, 1995.
"A Longer Look at Dividend Yields,"
Journal of Business,
University of Chicago Press, vol. 68(4), pages 483-508, October.
[Downloadable!] (restricted)
Other versions:
Bollerslev, Tim & Engle, Robert F. & Nelson, Daniel B., 1986.
"Arch models,"
Handbook of Econometrics,
in: R. F. Engle & D. McFadden (ed.), Handbook of Econometrics, edition 1, volume 4, chapter 49, pages 2959-3038
Elsevier.
[Downloadable!] (restricted)
Cited by: (explanations, Please report citation or reference errors to , or , if you are the registered author of the cited work, log in to your RePEc Author Service profile, click on "citations" and make appropriate adjustments.) This item has more than 25 citations. To prevent cluttering this page, these citations are listed on a separate page.