A Consistent Bootstrap Test for Conditional Density Functions with Time-Dependent Data
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.
Aussi publié sous le titre :
Journal of Econometrics (0304-4076)
Août 2006, vol. 133, no 2, p. 863-886