Hétéroskédasticité: Ch. 4a

Cette séance de cours de l'instructeur couvre le concept d'hétéroskédasticité en économétrie, en se concentrant sur les questions liées aux erreurs standard lorsque les hypothèses du modèle Gauss-Markov sont violées. La séance de cours explique l'impact de l'hétéroskédasticité sur les estimateurs de l'OLS et le besoin d'estimateurs alternatifs comme les moindres carrés généralisés (GLS). Il traite de la simulation de l'hétéroskédasticité, des problèmes qu'elle cause et des solutions telles que les moindres carrés pondérés. La séance de cours se penche également sur les tests d'hétéroskédasticité à l'aide de tests Breusch-Pagan et White, les conséquences de l'hétéroskédasticité sur les tests d'hypothèses et l'utilisation d'erreurs standard compatibles avec l'hétéroskédasticité dans l'analyse statistique.

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 (507)

Concepts associés (133)

FIN-403: Econometrics

The course covers basic econometric models and methods that are routinely applied to obtain inference results in economic and financial applications.

Generalized least squares

In statistics, generalized least squares (GLS) is a method used to estimate the unknown parameters in a linear regression model when there is a certain degree of correlation between the residuals in the regression model. Least squares and weighted least squares may need to be more statistically efficient and prevent misleading inferences. GLS was first described by Alexander Aitken in 1935. In standard linear regression models one observes data on n statistical units.

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Test de White

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.

Hétéroscédasticité

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. .

Heteroskedasticity-consistent standard errors

The topic of heteroskedasticity-consistent (HC) standard errors arises in statistics and econometrics in the context of linear regression and time series analysis. These are also known as heteroskedasticity-robust standard errors (or simply robust standard errors), Eicker–Huber–White standard errors (also Huber–White standard errors or White standard errors), to recognize the contributions of Friedhelm Eicker, Peter J. Huber, and Halbert White.

Hétéroskédasticité et autocorrélation FIN-403: Econometrics

Explore l'hétéroscédasticité et l'autocorrélation en économétrie, couvrant les implications, les applications, les méthodes de test et les conséquences des tests d'hypothèses.

Bases du modèle de régression linéaire FIN-403: Econometrics

Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.

Régression linéaire : Fondements FIN-403: Econometrics

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 FIN-403: Econometrics

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.

Variables instrumentales: Traiter l'erreur de mesure et la causalité inverse FIN-403: Econometrics

Explore comment les variables instrumentales corrigent les biais à partir des erreurs de mesure et de la causalité inverse dans les modèles de régression.