Description
Abstract: A covariance-stationary vector of variables has a Wold representation whose coefficients can be semi-parametrically estimated by local projections (Jordà, 2005). Substituting the Wold representations for variables in model expressions generates restrictions that can be used by the method of minimum distance to estimate model parameters. We call this estimator projection minimum distance (PMD) and show that its parameter estimates are consistent and asymptotically normal. In many cases, PMD is asymptotically equivalent to maximum likelihood estimation (MLE) and nests GMM as a special case. In fact, models whose ML estimation would require numerical routines (such as VARMA models) can often be estimated by simple least-squares routines and almost as efficiently by PMD. Because PMD imposes no constraints on the dynamics of the system, it is often consistent in many situations where alternative estimators would be inconsistent.We provide several Monte Carlo experiments and an empirical application in support of the new techniques introduced.
Résumé: Un vecteur de variables stationnaires en covariance admet une représentation de Wold dont les coefficients peuvent être estimés selon une méthode semi-paramétrique de projection locale (Jordà, 2005). La substitution de représentations de Wold aux variables des équations du modèle génère des restrictions qui peuvent servir à l'estimation des paramètres par la méthode de la distance minimale. Les auteurs donnent à cet estimateur le nom de distance de projection minimale (DPM) et montrent qu'il converge et est asymptotiquement normal. Dans de nombreux cas, l'estimateur DPM est asymptotiquement équivalent à l'estimateur du maximum de vraisemblance et englobe l'estimateur des moments généralisés comme cas particulier. En fait, les modèles dont l'estimation par le maximum de vraisemblance nécessiterait l'emploi d'algorithmes numériques (tels que les modèles VARMA) peuvent souvent être estimés simplement par les moindres carrés et presque aussi efficacement par la méthode de la distance de projection minimale. Comme l'estimateur DPM n'impose aucune restriction à la dynamique du système, il converge dans bien des cas où d'autres estimateurs ne le feraient pas. Les auteurs procèdent à plusieurs simulations de Monte-Carlo et à une application empirique afin d'illustrer l'emploi des nouvelles techniques présentées.
Résumé: Un vecteur de variables stationnaires en covariance admet une représentation de Wold dont les coefficients peuvent être estimés selon une méthode semi-paramétrique de projection locale (Jordà, 2005). La substitution de représentations de Wold aux variables des équations du modèle génère des restrictions qui peuvent servir à l'estimation des paramètres par la méthode de la distance minimale. Les auteurs donnent à cet estimateur le nom de distance de projection minimale (DPM) et montrent qu'il converge et est asymptotiquement normal. Dans de nombreux cas, l'estimateur DPM est asymptotiquement équivalent à l'estimateur du maximum de vraisemblance et englobe l'estimateur des moments généralisés comme cas particulier. En fait, les modèles dont l'estimation par le maximum de vraisemblance nécessiterait l'emploi d'algorithmes numériques (tels que les modèles VARMA) peuvent souvent être estimés simplement par les moindres carrés et presque aussi efficacement par la méthode de la distance de projection minimale. Comme l'estimateur DPM n'impose aucune restriction à la dynamique du système, il converge dans bien des cas où d'autres estimateurs ne le feraient pas. Les auteurs procèdent à plusieurs simulations de Monte-Carlo et à une application empirique afin d'illustrer l'emploi des nouvelles techniques présentées.