Exact Skewness-Kurtosis Tests for Multivariate Normality and Goodness-of-fit in Multivariate Regressions with Application to Asset Pricing Models

We study the problem of testing the error distribution in a multivariate linear regression (MLR) model. The tests are functions of appropriately standardized multivariate least squares residuals whose distribution is invariant to the unknown cross-equation error covariance matrix. Empirical multivariate skewness and kurtosis criteria are then compared to simulation-based estimate of their expected value under the hypothesized distribution. Special cases considered include testing multivariate normal, Student t; normal mixtures and stable error models. In the Gaussian case, finite-sample versions of the standard multivariate skewness and kurtosis tests are derived. To do this, we exploit simple, double and multi-stage Monte Carlo test methods. For non-Gaussian distribution families involving nuisance parameters, confidence sets are derived for the the nuisance parameters and the error distribution. The procedures considered are evaluated in a small simulation experi-ment. Finally, the tests are applied to an asset pricing model with observable risk-free rates, using monthly returns on New York Stock Exchange (NYSE) portfolios over five-year subperiods from 1926-1995.

Dans cet article, nous proposons des tests sur la forme de la distribution des erreurs dans un modèle de régression linéaire multivarié (RLM). Les tests que nous développons sont fonction des résidus obtenus par moindres carrés multivariés, lesquels sont standardisés de façon à ce que leur distribution soit invariante à la matrice de covariance, inconnue, des erreurs. Notre approche utilise des mesures empiriques d’asymétrie et d’aplatissement de la distribution des erreurs, que nous comparons à des estimations engendrées par simulation de ces caractéristiques sous cette même hypothèse distributionnelle. Les cas spécifiques que nous étudions comprennent des tests sur les erreurs du modèle dans le cadre des lois normale, t de Student, mélange de normales et stable. Dans le cas gaussien, nous obtenons des versions exactes de tests d’ajustement standards sur l’asymétrie et l’aplatissement des erreurs dans le cas multivarié. À cette fin, nous utilisons des tests de Monte Carlo simples, doubles et multiples. Dans les cas non-gaussiens, comme les familles de lois dépendent de paramètres de nuisance, nous proposons des régions de confiance pour ces derniers et la distribution des erreurs. Les procédures introduites dans cet article sont alors évaluées par une simulation de petite taille. Finalement, les tests proposés sont appliqués à un modèle d’évaluation d’actifs impliquant un taux d’intérêt sans risque observable et utilisant les rendements de portefeuilles mensuels de titres inscrits à la bourse de New York, sur des sous-périodes de cinq ans allant de janvier 1926 à décembre 1995.