En statistique, le test de White est un test statistique qui teste si la variance des erreurs d'un modèle de régression est constante (homoscédasticité).
Le test a été proposé par Halbert White en 1980 et est désormais énormément utilisé, faisant de cet article l'un des plus cités en économie .
Si jamais le test de White est statistiquement significatif, l'hétéroscédasticité peut ne pas en être la cause. Le problème peut en effet venir d'une erreur de spécification. Le test de White peut donc être un test d'hétéroscédasticité (si aucun terme croisé n'est introduit dans la procédure) ou de spécification, ou les deux à la fois (si les termes croisés sont introduits dans la procédure). Cependant, cette plus grande généralité fait qu'il est moins puissant que d'autres tests d'hétéroscédasticité, comme ceux de Breusch-Pagan et de Goldfeld et Quandt.
On commence par écrire l'hypothèse nulle d'homoscédasticité et l'hypothèse alternative :
; avec la taille de l'échantillon
où sont des coefficients et un bruit blanc.
Ensuite :
on estime le modèle par la méthode des moindres carrés ordinaire (MCO), ce qui nous permet d'obtenir , que l'on élève ensuite au carré
on estime ensuite par les MCO l'équation de test suivante :
Si on a un grand échantillon, alors on peut suivre presque la même procédure que dans le test de Breusch-Pagan et comparer la statistique de White à un test du χ2 :
suit avec le nombre de paramètres à estimer sous (trois ici). Le degré de liberté du représente donc le nombre de restrictions à tester dans l'équation écrite au point précédent (cinq).
Si la statistique de White est supérieure à celle lue dans la table du Chi-Deux pour un certain niveau de risque d'erreur de première espèce (5% étant la valeur généralement retenue), alors on rejette l'hypothèse nulle d'homoscédasticité.
Si on a un petit échantillon, il est en revanche préférable d'utiliser un test de Fisher.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
The course covers basic econometric models and methods that are routinely applied to obtain inference results in economic and financial applications.
Séances de cours associées (8)
En statistique, l'on parle d'hétéroscédasticité lorsque les variances des résidus des variables examinées sont différentes. Le mot provient du grec, composé du préfixe hétéro- (« autre »), et de skedasê (« dissipation»). Une collection de variables aléatoires est hétéroscédastique s'il y a des sous-populations qui ont des variabilités différentes des autres. La notion d'hétéroscédasticité s'oppose à celle d'homoscédasticité. Dans le second cas, la variance de l'erreur des variables est constante i.e. .
Explore l'hétéroskédasticité en économétrie, en discutant de son impact sur les erreurs standard, les estimateurs alternatifs, les méthodes d'essai et les implications pour les tests d'hypothèses.
Explore l'hétéroscédasticité et l'autocorrélation en économétrie, couvrant les implications, les applications, les méthodes de test et les conséquences des tests d'hypothèses.
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
This thesis is a contribution to financial statistics. One of the principal concerns of investors is the evaluation of portfolio risk. The notion of risk is vague, but in finance it is always linked to possible losses. In this thesis, we present some measu ...