Bootstrapping factor-augmented regression models

Cet article propose et justifie théoriquement des méthodes de bootstrap pour des régressions où certains régresseurs sont des facteurs estimés à partir de panel de données de grandes dimensions. Nous obtenons nos résultats sous la condition que √T/N→c, où 0≤c<∞ (N et T sont les dimensions individuelle et temporelle du panel respectivement), ce qui permet à l'erreur d'estimation des facteurs d'affecter la loi asymptotique de l'estimateur des moindres carrés ordinaires (MCO). Nous considérons des méthodes de bootstrap basées sur les résidus et donnons des conditions de haut niveau sur les résidus bootstrap et les erreurs idiosyncrasiques telles que la loi bootstrap de l'estimateur des MCO est convergente. Par la suite, nous vérifions ces conditions pour un algorithme du wild bootstrap. Nos résultats sont les suivants. Lorsque c = 0, comme dans Bai et Ng (2006), la condition essentielle pour la validité du bootstrap est la capacité de la régression bootstrap à reproduire la dépendance temporelle des scores de la régression originale. La dépendance transversale ou temporelle des erreurs idiosyncrasiques du modèle à facteurs est négligeable asymptotiquement puisque la loi asymptotique des MCO n'est pas affectée par ces phénomènes. Cependant, lorsque c > 0, une procédure de bootstrap à deux étapes est nécessaire pour capter l'incertitude reliée à l'estimation des facteurs qui apparaît comme un biais asymptotique (tel que discuté récemment par Ludvigson et Ng (2009b). Parce que ce biais dépend de la dépendance transversale des erreurs idiosyncrasiques, la validité du bootstrap dépend de sa capacité à reproduire cette dépendance.
[ - ]
[ + ]