Estimation and Inference by the Method of Projection Minimum Distance
Un vecteur de variables stationnaires en covariance admet une représentation de Wold dont les coefficients peuvent être estimés selon une méthode semi-paramétrique de projection locale (Jordà, 2005). La substitution de représentations de Wold aux variables des équations du modèle génère des restrictions qui peuvent servir à l'estimation des paramètres par la méthode de la distance minimale. Les auteurs donnent à cet estimateur le nom de distance de projection minimale (DPM) et montrent qu'il converge et est asymptotiquement normal. Dans de nombreux cas, l'estimateur DPM est asymptotiquement équivalent à l'estimateur du maximum de vraisemblance et englobe l'estimateur des moments généralisés comme cas particulier. En fait, les modèles dont l'estimation par le maximum de vraisemblance nécessiterait l'emploi d'algorithmes numériques (tels que les modèles VARMA) peuvent souvent être estimés simplement par les moindres carrés et presque aussi efficacement par la méthode de la distance de projection minimale. Comme l'estimateur DPM n'impose aucune restriction à la dynamique du système, il converge dans bien des cas où d'autres estimateurs ne le feraient pas. Les auteurs procèdent à plusieurs simulations de Monte-Carlo et à une application empirique afin d'illustrer l'emploi des nouvelles techniques présentées.
Aussi publié sous le titre :
Estimation and Inference by the Method of Projection Minimum Distance: An Application to the New Keynesian Hybrid Phillips Curve
International Economic Review (0020-6598)
Mai 2011, vol. 52, no 2, p. 461-487