Resume
Samenvatting - Advanced Econometrics 2 (6414M0006Y)
- Cours
- Établissement
Extensive summary of the course Advanced Econometrics 2.
[Montrer plus]
Vendeur
S'abonner
maaikekoens
Aperçu du contenu
X = Xi N(p . ) and 22 X (v) )*
In all chapters before, we used asymptotic theory, ex CLT chi-square z - N(0 ,,
An alternative approximation is provided by bootstrap
Bootstrapping is used to estimate (by simulations), the sampling
X
distribution, by repeatedly sampling from the observed sample/data. The
2 approaches goal of bootstrapping is to make inference about a population, without
making strong assumptions about the underlying distribution.
I
Simple bootstrapping: draws asymptotic conclusions when theory is hard to implement
2
Bootstrap with asymptotic refinements: provides asymptotic refinements that lead to better approximations
notation
·
estimate
·
(yi xi) sample
wi =
,
S standard error
18-80)
t =
t-statistic
58
· Go
estimate under the null hypothesis
basics of bootstrapping
I
Simple bootstrapping
Suppose yi F(p 0)) -
,
F is a random population distribution ex. Normal or Chi-square
>
Hence real population F(m 8) ,
sample/bootstrap population Sy ya
>
, . . .
.,
bootstrap sample Syr, ] can generate B bootstrap sample (using
>
...,
*
ya
<
replacements ! )
N then we can calculate
1 B
*
mean of means: y *
=
Ba = 1
yb
I
variance of means: Var(j) =
B -
1, (yb -
y
*
)2
>
&
In general, for estimator ⑦ , we can use bootstrapping to estimate Var(8) , when analytic formulas
for Var (8) are complex. Such bootstraps are valid and have similar properties to estimates obtained
from the usual theory
2
Bootstrapping with asymptotic refinements
In some cases it is possible to improve on the simple bootstrapping and obtain estimates that may better
M
approximate the finite sample distribution of ⑦ , using refined asymptotic
I
theory
↓
-
(8-00)
Until now we know the following from asymptotic theory (Taylor expansion): P No z -
=
P(z) + R ,
(z)((z)
We now look at Edgeworth expansion: p[n(f) (2
g ,
(2) R2 = + N +
, The Edgeworth expansion is a better approximation but difficult to implement theoretically. A bootstrap
with asymptotic refinement provides a simple computational method to implement Edgeworth expansion
N
For asymptotic refinement to occur, the statistic being bootstrapped must be an asymptotically pivotal
statistic
a statistic whose limit distribution does not depend on unknown parameters
>
Ex. yi F(p z) , depends on F, M and 82 . Then j
-
,
<
N(p . ), depends on M and 0.0M Under H =
Mo , the
i -
Mo
2
distribution still depends on , using SE(j) G 5 =
>
N(o 1) , we find pivotal statistic
bootstrap algorithm
step 1: we have the given data Ew wa] , draw a bootstrap sample & wi*, ...... , ....
wa
*
Y
step 2: calculate appropriate
(8 8)
statistics *
-
**
*
ex. S *,
=
S
*
step 3: repeat steps 1 and 2, B independent times and obtain ex. Y Es
* *
or A ti .... , ....
step 4: use these bootstrapped values to obtain a bootstrapped version of the statistics
ex. bias & , approximates E(0) 0 I
-
standard error SEboo(8) (8 8 ]
*
:
B-1 -
2-sided equal tail CI (8 -
A *.. EJIB + 1] SE(8) ,
8-fELB + ] SE(E)) An I ...
I Ass
bootstrapped p-value 2 min (5) . (1)
Example Co .
07 ,
0 . 031 ,
0 .
338 ,
1 .
690 ,
3 .
392 ,
0 411
.
,
0 .
479 ,
3 .
572 ,
0 .
637 ,
0 .
434
Ho Ha = 5 %
M
:
x
M vs 1 =
= 1
,
⑧
Bootstrap without refinement (when standard error is hard to determine)
X -
1 * -
1 1 .
100 -
1
&
5 :
SEboot N(o ,
1) ,
jobs :
seroot
=
0 . 399 =
0 .
251 ( -
0
,
1 .
96]u [1 .
96 ,
a)
E
Bootstrap with refinement
- S : ! (xi - x) -
further details about bootstrapping
Types of bootstrapping
In step 1 of the algorithm, we can use different kind of bootstrapping
&
Paired bootstrap/non-parametric bootstrap/empirical distribution function bootstrap: draw bootstrap
sample from Ew wa] with (yi xi) ,
,
. .
..
wit ,
*
Parametric bootstrap: draw randomly from F(xi , )
o
Residual bootstrap: bootstrap from the residuals ( .
,
. . .
,
un) , to get (ii, ....
*
n
, Optimal number of bootstraps
Bootstrap remains valid voor finite B, as it relies on N >
B (YB-Yo)/ % "
>
No ,
w)
quantity of interest 7 B =
quantity of interest
7
Rule of thumb: B =
3846
ex. standard deviation = (2 (g) w +
a(1 -
x)
symmetric two sided test/CI w = (22x24(2x)) Look at loss in power when choosing B, we find that
when testing choose B such that a(B 1) is an integer
+
Standard error estimation
When it is hard to estimate the standard error, we can do this using bootstrapping
SEB :
B ! ( *** ) 7 Bootstrap estimate of the standard error
<**B
As this bootstrap estimate is consistent, we can use it in place of 5
Hypothesis testing
Tests with asymptotic refinenement (8 00) -
note that the usual test statistic is N(o 1) T =
58
>
,
Yit is a pivotal statistic, hence it has potential for asymptotic refinement
>
percentile t-method: (E -00)
produce A ,* A using A .... ,
=
Sb
*
these values ordered from smallest to largest is used to approximate the distribution of
7 T
then we can specify the bootstrap critical values
"
*
H .
: 0 < 0 :
reject if t = A (x(B + 1))
Hi ((1 a)(B 1))
*
:
8 >
to :
reject if A2 t - +
(E(B 1)) )) -E)(B 1))
* *
H: At 00 :
reject if t = t + or t = t , +
Tests without asymptotic refinenement
8 -
Go
compute t SEBooT(f) and compare to critical value of standard normal distribution
I =
percentile method: find the lower * and upper * quantile of the bootstrap values
2 ** and
reject Ho if Do falls outside this region
reject Ho if fo is not contained in (8(B
> * 1) + 1 ,
( , -
E)(B + ,
Les avantages d'acheter des résumés chez Stuvia:
Qualité garantie par les avis des clients
Les clients de Stuvia ont évalués plus de 700 000 résumés. C'est comme ça que vous savez que vous achetez les meilleurs documents.
L’achat facile et rapide
Vous pouvez payer rapidement avec iDeal, carte de crédit ou Stuvia-crédit pour les résumés. Il n'y a pas d'adhésion nécessaire.
Focus sur l’essentiel
Vos camarades écrivent eux-mêmes les notes d’étude, c’est pourquoi les documents sont toujours fiables et à jour. Cela garantit que vous arrivez rapidement au coeur du matériel.
Foire aux questions
Qu'est-ce que j'obtiens en achetant ce document ?
Vous obtenez un PDF, disponible immédiatement après votre achat. Le document acheté est accessible à tout moment, n'importe où et indéfiniment via votre profil.
Garantie de remboursement : comment ça marche ?
Notre garantie de satisfaction garantit que vous trouverez toujours un document d'étude qui vous convient. Vous remplissez un formulaire et notre équipe du service client s'occupe du reste.
Auprès de qui est-ce que j'achète ce résumé ?
Stuvia est une place de marché. Alors, vous n'achetez donc pas ce document chez nous, mais auprès du vendeur maaikekoens. Stuvia facilite les paiements au vendeur.
Est-ce que j'aurai un abonnement?
Non, vous n'achetez ce résumé que pour €6,49. Vous n'êtes lié à rien après votre achat.
Peut-on faire confiance à Stuvia ?
4.6 étoiles sur Google & Trustpilot (+1000 avis)
77858 résumés ont été vendus ces 30 derniers jours
Fondée en 2010, la référence pour acheter des résumés depuis déjà 14 ans