Description
Abstract: Monte Carlo evidence has made it clear that asymptotic tests based on generalized method of moments (GMM) estimation have disappointing size. The problem is exacerbated when the moment conditions are serially correlated. Several block bootstrap techniques have been proposed to correct the problem, including Hall and Horowitz (1996) and Inoue and Shintani (2006). We propose an empirical likelihood block bootstrap procedure to improve inference where models are characterized by nonlinear moment conditions that are serially correlated of possibly infinite order. Combining the ideas of Kitamura (1997) and Brown and Newey (2002), the parameters of a model are initially estimated by GMM which are then used to compute the empirical likelihood probability weights of the blocks of moment conditions. The probability weights serve as the multinomial distribution used in resampling. The first-order asymptotic validity of the proposed procedure is proven, and a series of Monte Carlo experiments show it may improve test sizes over conventional block bootstrapping.
Résumé: Les simulations de Monte-Carlo montrent bien que les tests asymptotiques fondés sur la méthode des moments généralisés ont un niveau peu satisfaisant. Ce défaut s'accentue dès lors que les conditions de moments sont autocorrélées. Pour surmonter cette difficulté, plusieurs techniques de rééchantillonnage par blocs ont été mises en avant, notamment par Hall et Horowitz (1996) ainsi que par Inoue et Shintani (2006). Les auteurs proposent ici une technique de rééchantillonnage par blocs faisant appel à une méthode empirique de vraisemblance qui permet d'améliorer la qualité des inférences dans les modèles caractérisés par des conditions de moments non linéaires autocorrélées et d'ordre peut-être infini. Conjuguant les démarches de Kitamura (1997) et de Brown et Newey (2002), ils estiment par la méthode des moments généralisés des paramètres qui leur serviront ensuite à calculer, au moyen de la méthode de vraisemblance utilisée, les probabilités associées aux blocs des conditions de moments. De ces probabilités, ils tirent la distribution multinomiale employée dans le rééchantillonnage. Les auteurs démontrent la validité asymptotique au premier ordre de leur technique, qui peut améliorer le niveau des tests par rapport à la technique classique de rééchantillonnage par blocs, comme le révèle une série de simulations de Monte-Carlo.
Résumé: Les simulations de Monte-Carlo montrent bien que les tests asymptotiques fondés sur la méthode des moments généralisés ont un niveau peu satisfaisant. Ce défaut s'accentue dès lors que les conditions de moments sont autocorrélées. Pour surmonter cette difficulté, plusieurs techniques de rééchantillonnage par blocs ont été mises en avant, notamment par Hall et Horowitz (1996) ainsi que par Inoue et Shintani (2006). Les auteurs proposent ici une technique de rééchantillonnage par blocs faisant appel à une méthode empirique de vraisemblance qui permet d'améliorer la qualité des inférences dans les modèles caractérisés par des conditions de moments non linéaires autocorrélées et d'ordre peut-être infini. Conjuguant les démarches de Kitamura (1997) et de Brown et Newey (2002), ils estiment par la méthode des moments généralisés des paramètres qui leur serviront ensuite à calculer, au moyen de la méthode de vraisemblance utilisée, les probabilités associées aux blocs des conditions de moments. De ces probabilités, ils tirent la distribution multinomiale employée dans le rééchantillonnage. Les auteurs démontrent la validité asymptotique au premier ordre de leur technique, qui peut améliorer le niveau des tests par rapport à la technique classique de rééchantillonnage par blocs, comme le révèle une série de simulations de Monte-Carlo.