Description

Abstract: This paper describes a new test for evaluating conditional density functions that remains valid when the data are time-dependent and that is therefore applicable to forecasting problems. We show that the test statistic is asymptotically distributed standard normal under the null hypothesis, and diverges to infinity when the null hypothesis is false. We use a bootstrap algorithm to approximate the distribution of the test statistic in finite samples, and show that the bootstrapped distribution converges to the asymptotic distribution in probability. A Monte Carlo simulation study reveals that the bootstrap test works well and is highly robust to the value of the smoothing parameter in the kernel density estimator. An application to inflation forecasting is also presented to demonstrate the use of the test.

Résumé: Les auteurs décrivent un nouveau test qui permet d'évaluer les densités de probabilité conditionnelles dans le cas de séries temporelles et qui se révèle par conséquent utile pour la prévision. Ils montrent que la statistique du test a pour loi asymptotique une loi normale centrée réduite si l'hypothèse nulle est vraie, mais qu'elle diverge vers l'infini si celle-ci est fausse. Lorsqu'ils se servent d'un algorithme de rééchantillonnage bootstrap pour représenter la distribution de la statistique du test sur de petits échantillons, ils constatent que la distribution ainsi obtenue converge vers la loi asymptotique en probabilité. Une simulation de Monte-Carlo révèle que le niveau et la puissance du test bootstrap sont satisfaisants et qu'ils ne sont pas sensibles à la valeur prise par le paramètre de lissage dans l'estimateur à noyau de la densité. Enfin, les auteurs appliquent leur test à la prévision de l'inflation pour en démontrer l'utilité.

Details

PDF

Files

Statistics

from
to
Export
Download Full History