Séance de cours

Variables instrumentales: Traiter l'erreur de mesure et la causalité inverse

Dans cours
DEMO: nostrud ea nulla ad
Et sint id id velit ex incididunt duis velit. Do officia qui officia duis enim consectetur. Enim Lorem et sunt exercitation est ullamco irure. Qui labore non officia veniam sit veniam elit deserunt fugiat fugiat sit qui quis. Proident qui dolore laboris anim ad esse. In incididunt id tempor ut reprehenderit ea eu.
Connectez-vous pour voir cette section
Description

Cette séance de cours couvre l'utilisation de variables instrumentales pour traiter l'erreur de mesure et la causalité inverse dans les modèles de régression. Il explique comment les variables instrumentales aident à corriger les biais causés par des facteurs non observés affectant à la fois les variables indépendantes et dépendantes. La discussion comprend des exemples de la façon dont les variables omises et la simultanéité peuvent conduire à des estimations incohérentes. La séance de cours se penche également sur le concept de biais d'atténuation dans la régression OLS en raison d'une erreur de mesure. Des applications et des solutions pratiques, telles que la transformation Cochrane-Orcutt et les erreurs standard de Newey-West, sont explorées.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace
Enseignant
labore eu
Fugiat veniam qui id enim amet veniam deserunt ipsum reprehenderit laborum. Voluptate culpa deserunt velit quis deserunt adipisicing do cillum consectetur ullamco occaecat laborum nulla. Consectetur esse in dolore nostrud. Cupidatat ex laboris reprehenderit elit voluptate culpa excepteur. Ut et consequat fugiat officia sint cupidatat. Voluptate minim ad id minim non tempor aute nulla occaecat dolor. Laborum mollit dolore nisi ea pariatur.
Connectez-vous pour voir cette section
À propos de ce résultat
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.
Séances de cours associées (55)
Autocorrélation et variables instrumentales
Explore l'autocorrélation, les variables instrumentales et les défis dans l'analyse de régression.
Hétéroskédasticité et autocorrélation
Explore l'hétéroscédasticité et l'autocorrélation en économétrie, couvrant les implications, les applications, les méthodes de test et les conséquences des tests d'hypothèses.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, y compris l'OLS, l'hétéroskédasticité, l'autocorrélation, les variables instrumentales, l'estimation maximale de la probabilité, l'analyse des séries chronologiques et les conseils pratiques.
Hétéroskédasticité: Ch. 4a
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.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.