Aller au contenu

L3 Mathématique et Statistique 2 - Vérification des hypothèses d’application de la régression

Vérification des hypothèses d'application de la régression Ce document traite de la vérification des hypothèses d'application de la régression, essentielle pour garantir la qualité statistique et opérationnelle du modèle de régression. Nous aborderons les hypothèses fondamentales, les tests associés, ainsi que la robustesse du modèle.

D'après le document L3 Mathématique et Statistique 2 - Vérification des hypothèses d’application de la régression

Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.

Document source

L3 Mathématique et Statistique 2 - Vérification des hypothèses d’application de la régression

Mathématiques, Statistiques, Régression · PDF · 12 pages · 1982

Afficher l'aperçu du document

Consulter le document original →

Vérification des hypothèses d'application de la régression

Ce document traite de la vérification des hypothèses d'application de la régression, essentielle pour garantir la qualité statistique et opérationnelle du modèle de régression. Nous aborderons les hypothèses fondamentales, les tests associés, ainsi que la robustesse du modèle. Des exemples pratiques illustreront chaque point, permettant une compréhension approfondie des concepts.

Hypothèses fondamentales de la régression

Hypothèse de nullité de l'espérance mathématique de l'erreur

Nous voulons tester l'hypothèse suivante :

E[t] = 0

Pour cela, nous utilisons la moyenne des résidus :

ē = (1/n) ∑ et

Nous savons que :

et ~ N(0, σ²/n)

Nous construisons alors le test de signification :

H0: μ = 0 contre H1: μ ≠ 0

Si |ē| < 1,96 (le quantile à 95% de la loi normale centrée réduite), alors l'hypothèse H0 est vérifiée. Cette hypothèse est considérée comme ad hoc et son utilité se justifie principalement dans d'autres applications, comme les séries temporelles.

Hypothèse de non autocorrélation des erreurs

Nous allons tester l'hypothèse suivante :

E[etet'] = 0

Il y a autocorrélation lorsque l'on peut trouver un coefficient de corrélation linéaire significativement différent de 0 entre la série des résidus et cette même série décalée d'un ou plusieurs pas de temps.

Nous notons k le pas de temps du décalage temporel et rk le coefficient de corrélation linéaire simple correspondant. Nous pouvons construire la Fonction d'AutoCorrélation (FAC) des résidus :

FAC[rk] = (1/n) ∑ etet-k

Si les résidus sont une bonne représentation de l'aléa, ils doivent vérifier l'hypothèse de non autocorrélation, ce qui signifie que les autocorrélations successives doivent être non significativement différentes de 0.

Principales causes de l'autocorrélation

  • Les variables de départ ne vérifient pas l'hypothèse de stationnarité.
  • Les variables de départ étaient saisonnières et mal désaisonnalisées.
  • Les variables contiennent des phénomènes exceptionnels mal expliqués par le modèle.
  • Les variables de départ possédaient des "non informations" corrigées par extrapolation linéaire.

Tests d'autocorrélation des résidus

Le test de Durbin-Watson est le plus utilisé. La statistique est donnée par :

DW = (1/n) ∑ (et - et-1)² / ∑ et²

Pour n grand, on peut approximer DW par :

DW ≈ r2

Les valeurs de DW permettent de déterminer la présence d'autocorrélation dans les résidus.

Hypothèse d'homoscédasticité des erreurs

Nous allons tester l'hypothèse suivante :

E[et2] = σ²

L'homoscédasticité est un cas particulier de non autocorrélation. Il y a hétéroscédasticité lorsque la variance des erreurs varie au cours du temps. Les conséquences de l'hétéroscédasticité sont similaires à celles de l'autocorrélation.

Tests d'hétéroscédasticité

Le test paramétrique de Goldfeld-Quandt s'applique lorsque l'écart type de l'erreur s'accroît proportionnellement avec la variable explicative. On ordonne les observations des variables X et Y en fonction des valeurs croissantes de X, en négligeant les observations centrales. On obtient deux sous-échantillons, l'un pour les faibles valeurs et l'autre pour les fortes valeurs.

On applique les MCO sur les deux sous-échantillons et on calcule les sommes des carrés des résidus :

SCR1 et SCR2

Le test se déroule comme suit :

H0: homoscédasticité contre H1: hétéroscédasticité (SCR2 > SCR1)

La règle de décision se base sur la comparaison des rapports SCR2/SCR1 avec une valeur critique.

Robustesse du modèle

Un modèle est dit robuste lorsqu'il reste valide dans des circonstances différentes. Par exemple, l'estimation de la fonction de consommation peut-elle rester identique à travers différentes périodes ?

La robustesse peut être liée à des problèmes d'homogénéité spatiale et concerne également le sens de la causalité de la relation économique.

Tests de stabilité du modèle

Les tests de comparaison de deux coefficients de régression permettent de vérifier si les coefficients estimés sur deux sous-ensembles sont significativement différents. On teste l'hypothèse :

H0: b1 = b2 contre H1: b1 ≠ b2

La règle de décision se base sur la statistique t calculée à partir des variances des coefficients.

Key Takeaways

  • La vérification des hypothèses est cruciale pour la validité des modèles de régression.
  • Des tests spécifiques existent pour chaque hypothèse, tels que Durbin-Watson pour l'autocorrélation.
  • La robustesse du modèle doit être évaluée à travers des tests de stabilité.

Glossaire

  • Autocorrélation: Corrélation des résidus à différents temps.
  • Hétéroscédasticité: Variance des erreurs qui varie au cours du temps.
  • Homoscédasticité: Variance constante des erreurs.
  • Robustesse: Capacité d'un modèle à rester valide dans différentes conditions.
  • Test de Durbin-Watson: Test pour détecter l'autocorrélation des résidus.

Questions fréquentes

Comment vérifier l'hypothèse de nullité de l'espérance mathématique ?

On utilise la moyenne des résidus et on compare cette moyenne à 0 à l'aide d'un test de signification. Si la moyenne est inférieure à 1,96, l'hypothèse est acceptée.

Quels tests existent pour l'autocorrélation des erreurs ?

Le test de Durbin-Watson est le plus couramment utilisé. Il permet de mesurer la corrélation entre les résidus à différents temps.

Comment détecter l'hétéroscédasticité ?

On peut utiliser le test de Goldfeld-Quandt, qui compare les sommes des carrés des résidus entre deux sous-échantillons de données.

Qu'est-ce que la robustesse d'un modèle ?

La robustesse d'un modèle signifie qu'il reste valide dans différentes conditions ou périodes. Cela peut être testé par des comparaisons de coefficients de régression.

Pourquoi est-il important de vérifier les hypothèses de régression ?

La vérification des hypothèses garantit que les estimations des paramètres sont fiables et que les conclusions tirées du modèle sont valides.

Partager

Commentaires

Aucun commentaire pour le moment. Posez la première question.

Les commentaires sont relus avant publication. Votre e-mail n'est jamais affiché.

← Toutes les révisions