Testing for Multivariate Autoregressive Conditional Heteroskedasticity Using Wavelets
Notice bibliographique
Résumé
Test statistics for autoregressive conditional heteroskedasticity (ARCH) in the residuals from a possibly nonlinear and dynamic multivariate regression model are considered. The new approach is based on estimation of the multivariate spectral density of squared and cross-residuals. A simple wavelet-based spectral density estimator is advocated, which is a particularly suitable analytic tool when the spectral density exhibits peaks or kinks that may arise from strong cross-dependence, seasonal patterns and other forms of periodic behaviors. In several circumstances, the spectral density may have peaks at various frequencies, such as seasonal frequencies, and the wavelet method may capture them effectively. Compared to kernel-based test statistics for multivariate ARCH effects, the weighting scheme offered by the new wavelet-based test statistics differs in several important aspects. An asymptotic analysis under the null hypothesis of no ARCH effects shows that the wavelet-based test statistic converges in distribution to a convenient standard normal distribution. Under fixed alternatives, the consistency of the wavelet-based test statistics is established in a class of static regression models with uncorrelated but dependent errors. In a Monte Carlo study comparisons are made under various alternatives between the proposed wavelet-based test statistics, the kernel-based test statistics for ARCH effects, and several popular portmanteau test statistics for ARCH effects available in the literature.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».