Stationary‐Increment Variance‐Gamma and t Models: Simulation and Parameter Estimation

We detail a method of simulating data from long range dependent processes with variance‐gamma or t distributed increments, test various estimation procedures [method of moments (MOM), product‐density maximum likelihood (PMLE), non‐standard minimumχ2and empirical characteristic function estimation] on the data, and assess the performance of each. The investigation is motivated by the apparent poor performance of the MOM technique using real data (Tjetjep & Seneta, 2006); and the need to assess the performance of PMLE for our dependent data models. In the simulations considered the product‐density method performs favourably. Nous détaillons une méthode de simulation de données relatives à des processus à accroissements de lois Variance‐Gamma ou t. Nous testons sur ces données diverses procédures d'estimation (méthode des moments, maximum de vraisemblance, χ2 non standard minimum, et fonction caractéristique empirique) et nous évaluons la performance de chacune. Cette étude est motivée par le peu d'efficacité de la technique des moments appliquée à des données réelles (Tjetjep et Seneta 2006) et par le besoin d'évaluer la performance de la méthode du maximum de vraisemblance relative à une densité produit appliquée à nos modèles de données dépendantes. Dans les simulations que nous avons faites la méthode de la densité produit donne des résultats satisfaisants.