Estimation of multivariate probit models by exact maximum likelihood

Détails

ID Serval
serval:BIB_47A6E98D91DF
Type
Rapport: document publié par une institution, habituellement élément d'une série.
Sous-type
Working paper: document de travail dans lequel l'auteur présente les résultats de ses travaux de recherche. Les working papers ont pour but de stimuler les discussions scientifiques avec les milieux intéressés et servent de base pour la publication d'articles dans des revues spécialisées.
Collection
Publications
Titre
Estimation of multivariate probit models by exact maximum likelihood
Auteur(s)
Huguenin Jacques, Pelgrin Florian, Holly Alberto
Institution
IEMS
Date de publication
2009
Numéro
09-02
Genre
Working paper
Langue
anglais
Nombre de pages
49
Notes
Résumé: In this paper, we develop a new numerical method to estimate a multivariate probit model. To this end, we derive a new decomposition of normal multivariate integrals that has two appealing properties. First, the decomposition may be written as the sum of normal multivariate integrals, in which the highest dimension of the integrands is reduced relative to the initial problem. Second, the domains of integration are bounded and delimited by the correlation coefficients. Application of a Gauss-Legendre quadrature rule to the exact likelihood function of lower dimension allows for a major reduction of computing time while simultaneously obtaining consistent and efficient estimates for both the slope and the scale parameters. A Monte Carlo study shows that the finite sample and asymptotic properties of our method compare extremely favorably to the maximum simulated likelihood estimator in terms of both bias and root mean squared error. [Authors]
Création de la notice
22/12/2009 16:16
Dernière modification de la notice
03/03/2018 16:50
Données d'usage