Finite-Sample Diagnostics for Multivariate Regressions with Applications to Linear Asset Pricing Models
Notice bibliographique
Résumé
Dans cet article, nous proposons plusieurs tests de spécification valides pour des échantillons finis dans le cadre de régression linéaires multivariées (RLM), avec des applications à des modèles d'évaluation d'actifs. Nous nous concentrons sur les déviations par rapport à l'hypothèse d'erreurs i.i.d. univariée ou multivariée, pour des distributions d'erreurs gaussiennes et non gaussiennes. Les tests univariés étudiés prolongent les procédures exactes existantes en permettant des paramètres non spécifiés dans la distribution des erreurs (e.g., le nombre de degrés de liberté dans le cas de la distribution de Student). Les tests multivariés sont basés sur des résidus standardisés multivariés qui assurent l'invariance par rapport aux coefficients RLM et à ceux de la matrice de covariance des erreurs. Nous considérons des tests contre la dépendance sérielle, contre la présence d'effets GARCH multivariés et des tests de signes contre l'asymétrie. Les procédures proposées sont des versions exactes des tests de Shanken (1990) qui consistent à combiner des tests de spécification univariés. Spécifiquement, nous combinons des tests entre équations en utilisant une approche de test de Monte Carlo (MC), ce qui permet d'éviter des bornes de type Bonferroni. Étant donné que les tests dans un contexte non gaussien ne sont pas pivotaux, nous appliquons une approche de test de Monte Carlo maximisé [Dufour (2002)] où la valeur p simulée pour l'hypothèse testée (qui dépend de paramètres de nuisance) est maximisée (par rapport aux dits paramètres de nuisance) dans le but de contrôler le niveau des tests. Nous appliquons les tests proposés à un modèle d'évaluation d'actifs qui comprend un taux d'intérêt sans risque observable et utilise les rendements de portefeuilles mensuels de titres inscrits à la bourse de New York, sur des sous-périodes de cinq ans allant de janvier 1926 à décembre 1995. Nos résultats révèlent que les tests univariés exacts présentent des problèmes de dépendance sérielle, d'asymétrie et d'effets GARCH statistiquement significatifs dans certaines équations. Cependant ces problèmes s'avèrent moins importants, lorsque l'on tient compte de la dépendance entre équations. De plus, les écarts importants par rapport à l'hypothèse i.i.d. sont moins évidents une fois que l'on considère des erreurs non gaussiennes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».