No label defined (Q3836614)

In der vorliegenden Arbeit untersuchen wir die Asymptotik erster und zweiter Ordnung für Bootstrap-Methoden in heteroskedastischen Regressionsmodellen. Diese asymptotischen Ergebnisse werden für einen Vergleich des klassischen wild bootstrap von \textit{C. F. J. Wu} [Ann. Stat. 14, 1261-1295 (1986; Zbl 0618.62072)] mit einer moment-orientierten Variante von Bunke (1997) genutzt. Die Idee des moment-orientierten Bootstrap basiert auf einer besseren Schätzung der Momente der Fehlerverteilung. Es wird die Güte der Approximation der Verteilung einer Pivot-Statistik durch die entsprechenden Bootstrap-Verteilungen bei nichtparametrischen und bei inadäquaten nichtlinearen Regressionsmodellen untersucht. Dabei wird gezeigt, daß in der Asymptotik erster Ordnung beide Bootstrap-Methoden äquivalent sind. In der Asymptotik zweiter Ordnung ist das moment-orientierte Bootstrap niemals schlechter als wild bootstrap. Im Fall nichtparametrischer Regressionsmodelle kann in der Asymptotik zweiter Ordnung eine Verbesserung durch die Verwendung des momentorientierten Bootstrap erreicht werden kann, falls die zweiten und dritten Momente der Fehlerverteilung im Vergleich zur Regressionfunktion glatt genug sind. Der Grund dafür ist die zusätzliche Glättung der Fehlermomente. Insbesondere ist dafür gleiche Glattheit hinreichend, da bei der Schätzung der Regressionsfunktion nicht ihre gesamte Glattheit ausgenutzt werden kann. Es wird gezeigt, daß diese Ergebnisse auch für die Konvergenzraten von Überdeckungswahrscheinlichkeiten für Bootstrap-Konfidenzintervalle gelten. Außerdem werden Methoden zur Bandweitenwahl und der Einfluß datenabhängiger Bandweiten auf die erhaltenen Ergebnisse diskutiert. Es stellt sich heraus, daß man im Fall datenabhängiger Bandweiten eine höhere Glattheit der Fehlermomente benötigt. Im Fall adäquater nichtlinearer Regressionsmodelle wird gezeigt, daß beide Bootstrap-Methoden in der Asymptotik zweiter Ordnung gleichwertig sind. Der Grund dafür ist, daß der Effekt der zusätzlichen Glättung der Fehlermomente beim moment-orientierten Bootstrap durch eine entsprechend starke Mittelung zunichte gemacht wird. In einer Monte-Carlo-Studie für nichtparametrische Regressionsmodelle wird gezeigt, daß das moment-orientierte Bootstrap auch für kleine und mittlere Stichprobenumfänge bessere Approximationen für die Überdeckungswahrscheinlichkeiten von Konfidenzintervallen liefert.