No description available.

We evaluate the use of Generalized Empirical Likelihood (GEL) estimators in portfolios efficiency tests for asset pricing models in the presence of conditional information. Estimators from GEL family presents some optimal statistical properties, such as robustness to misspecification and better properties in finite samples. Unlike GMM, the bias for GEL estimators do not increase as more moment conditions are included, which is expected in conditional efficiency analysis. We found some evidences that estimators from GEL class really performs differently in small samples, where efficiency tests using GEL generate lower estimates compared to tests using the standard approach with GMM. With Monte Carlo experiments we see that GEL has better performance when distortions are present in data, especially under heavy tails and Gaussian shocks. / Neste estudo avaliamos o uso de estimadores Generalized Empirical Likelihood (GEL) em testes de eficiência de portfólios para modelos apreçamento de ativos na presença de informação condicional. Estimadores da família GEL apresentam algumas propriedades estatísticas ótimas, tais como robustez à má especificação e melhores propriedades em amostras finitas. Diferentemente do GMM, o viés dos estimadores GEL não aumenta conforme se incluem mais condições de momentos, o que é esperado na análise de eficiência condicional. Encontramos algumas evidências de que os estimadores da classe GEL realmente performam diferentemente em amostras finitas, em que testes de eficiência com o uso do GEL geram estimativas menores comparadas aos testes com o uso da abordagem padrão com GMM. Através dos experimentos de Monte Carlo vemos que o GEL possui melhor performance quando distorções estão presentes nos dados, especialmente sob heavy tails e choques Gaussianos.

We evaluate the use of Generalized Empirical Likelihood (GEL) estimators in portfolios efficiency tests for asset pricing models in the presence of conditional information. Estimators from GEL family presents some optimal statistical properties, such as robustness to misspecification and better properties in finite samples. Unlike GMM, the bias for GEL estimators do not increase as more moment conditions are included, which is expected in conditional efficiency analysis. We found some evidences that estimators from GEL class really performs differently in small samples, where efficiency tests using GEL generate lower estimates compared to tests using the standard approach with GMM. With Monte Carlo experiments we see that GEL has better performance when distortions are present in data, especially under heavy tails and Gaussian shocks. / Neste estudo avaliamos o uso de estimadores Generalized Empirical Likelihood (GEL) em testes de eficiência de portfólios para modelos apreçamento de ativos na presença de informação condicional. Estimadores da família GEL apresentam algumas propriedades estatísticas ótimas, tais como robustez à má especificação e melhores propriedades em amostras finitas. Diferentemente do GMM, o viés dos estimadores GEL não aumenta conforme se incluem mais condições de momentos, o que é esperado na análise de eficiência condicional. Encontramos algumas evidências de que os estimadores da classe GEL realmente performam diferentemente em amostras finitas, em que testes de eficiência com o uso do GEL geram estimativas menores comparadas aos testes com o uso da abordagem padrão com GMM. Através dos experimentos de Monte Carlo vemos que o GEL possui melhor performance quando distorções estão presentes nos dados, especialmente sob heavy tails e choques Gaussianos.

<p>The United States Department of Agriculture (USDA) forecasts the Farm Balance Sheet  each year. The Farm Balance Sheet provides an estimate of the value of physical and financial  assets in the United States agriculture sector over time (USDA, 2023). The forecasts evaluated in  this paper are related to assets and debt in the farm sector, including total farm assets, farm assets  real estate, total farm debt, farm debt real estate, and farm debt non-real estate. These forecasts predict the growth in the agricultural sector and help various stakeholders, such as policy makers, USDA program administrators, and agricultural lenders make important decisions. Given the  importance of these forecasts in the agricultural sector, it is the main objective of this research to examine the degree to which the Farm Balance Sheet forecasts are optimal (unbiased and efficient).  During this study, forecasts from the Farm Balance Sheet in the 1986-2021 period are found to be unbiased using Holden and Peel test (1990). Also, using efficiency tests by Nordhaus (1987), it  was found that forecasts from the Farm Balance Sheet are inefficient. This, suggests all the  information is not efficiently incorporated when the forecast is produced .</p>