Bootstrapping Autoregressions with Conditional Heteroskedasticity of Unknown Form

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."
[ - ]
[ + ]