Markovian Processes, Two-Sided Autoregressions and Finite-Sample Inference for Stationary and Nonstationary Autoregressive Processes

In this paper, we develop finite-sample inference procedures for stationary and nonstationary autoregressive (AR) models. The method is based on special properties of Markov processes and a split-sample technique. The results on Markovian processes (intercalary independence and truncation) only require the existence of conditional densities. They are proved for possibly nonstationary and/or non-Gaussian multivariate Markov processes. In the context of a linear regression model with AR(1) errors, we show how these results can be used to simplify the distributional properties of the model by conditioning a subset of the data on the remaining observations. This transformation leads to a new model which has the form of a two-sided autoregression to which standard classical linear regression inference techniques can be applied. We show how to derive tests and confidence sets for the mean and/or autoregressive parameters of the model. We also develop a test on the order of an autoregression. We show that a combination of subsample-based inferences can improve the performance of the procedure. An application to U.S. domestic investment data illustrates the method.Dans cet article, nous proposons des procédures d’inférence valides à distance finie pour des modèles autorégressifs (AR) stationnaires et non stationnaires. La méthode suggérée est fondée sur des propriétés particulières des processus markoviens combinées à une technique de subdivision d’échantillon. Les résultats sur les processus de Markov (indépendance intercalaire, troncature) ne requièrent que l’existence de densités conditionnelles. Nous démontrons les propriétés requises pour des processus markoviens multivariés possiblement non stationnaires et non gaussiens. Pour le cas des modèles de régression linéaires avec erreurs autorégressives d’ordre un, nous montrons comment utiliser ces résultats afin de simplifier les propriétés distributionnelles du modèle en considérant la distribution conditionnelle d’une partie des observations, étant donné le reste. Cette transformation conduit à un nouveau modèle qui a la forme d’une autorégression bilatérale à laquelle on peut appliquer les techniques usuelles d’analyse des modèles de régression linéaires. Nous montrons comment obtenir des tests et régions de confiance pour la moyenne et les paramètres autorégressifs du modèle. Nous proposons aussi un test pour l’ordre d’une autorégression. Nous montrons qu’une technique de combinaison de tests obtenus à partir de plusieurs sous-échantillons peut améliorer la performance de la procédure. Enfin, la méthode est appliquée à un modèle de l’investissement aux États-Unis