BIVARIATE ARCH MODELS: FINITE-SAMPLE PROPERTIES OF QML ESTIMATORS AND AN APPLICATION TO AN LM-TYPE TEST
Notice bibliographique
Résumé
This paper provides two main new results: the first shows theoretically that large biases and variances can arise when the quasi-maximum likelihood (QML) estimation method is employed in a simple bivariate structure under the assumption of conditional heteroskedasticity; and the second demonstrates how these analytical theoretical results can be used to improve the finite-sample performance of a test for multivariate autoregressive conditional heteroskedastic (ARCH) effects, suggesting an alternative to a traditional Bartlett-type correction. We analyze two models: one proposed in Wong and Li (1997, Biometrika 84, 111–123) and another proposed by Engle and Kroner (1995, Econometric Theory 11, 122–150) and Liu and Polasek (1999, Modelling and Decisions in Economics; 2000, working paper, University of Basel). We prove theoretically that a relatively large difference between the intercepts in the two conditional variance equations, which leads to the two series having correspondingly different volatilities in the restricted case, may produce very large variances in some QML estimators in the first model and very severe biases in some QML estimators in the second. Later we use our bias expressions to propose an LM-type test of multivariate ARCH effects and show through simulations that small-sample improvements are possible, especially in relation to the size, when we bias correct the estimators and use the expected hessian version of the test.Both authors thank H. Wong for providing us with the Gauss program to simulate the Wong and Li (1997) model. We also thank three anonymous referees for extremely helpful comments, and we are grateful for the comments received at seminars given at Cardiff University, Michigan State University, Queen Mary London, University of Exeter, and University of Montreal. We acknowledge gratefully also the financial support from an ESRC grant (award number T026 27 1238). A previous version of this paper appeared as IVIE Working paper 2004-09.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,189 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».