Cet article s'intéresse à l'estimation des modèles semiparamétriques de séries temporelles définis par leur moyenne et variance conditionnelles. Nous mettons en exergue l'importance de l'utilisation jointe des restrictions sur la moyenne et la variance. Ceci amène à tenir compte de la covariance entre la moyenne et la variance ainsi que de la variance de la variance, autrement dit la skewness et la kurtosis. Nous établissons les liens directs entre les méthodes paramétriques usuelles d'estimation, à savoir l'EPMV (Estimateur du Pseudo Maximum de Vraisemblance), les GMM et les M-estimateurs. L'EPMV usuel est, dans le cas de la non-normalité, moins efficace que l'estimateur GMM optimal. Néanmoins, l'EPMV bivarié basé sur le vecteur composé de la variable dépendante et de son carré est aussi efficace que l'estimateur GMM optimal. Une analyse Monte Carlo confirme la pertinence de notre approche, en particulier l'importance de la skewness.

Voir le document

Dernières publications

2017MO-03 MO
Méthodes avancées d’évaluation d’investissements / Advanced Methods of Investment Evaluation - Tome 2
Marcel Boyer
Voir le document

2017MO-02 MO
Méthodes avancées d’évaluation d’investissements / Advanced Methods of Investment Evaluation - Tome 1
Marcel Boyer
Voir le document

2017s-08 CS
An experimental investigation of rating-market regulation
Claudia Keser, Asri Özgümüs, Emmanuel Peterlé et Martin Schmidt
Voir le document

2017s-07 CS
Statistical tests of the demand for insurance: an “all or nothing” decision
Anne Corcos, François Pannequin et Claude Montmarquette
Voir le document

2017RP-02 RP
Politiques favorables à l’innovation en santé
Nadia Benomar, Joanne Castonguay, Marie-Hélène Jobin et François Lespérance
Voir le document


Centre interuniversitaire de recherche en analyse des organisations
1130 rue Sherbrooke Ouest, suite 1400
Montréal, Québec (Canada) H3A 2M8
(514) 985-4000
(514) 985-4039
reception@cirano.qc.ca

© 2017 CIRANO. Tous droits réservés.



Partenaire de :