Résumé
Comment bien employer les techniques de régression linéaire simple ou multiple ?
Comment interpréter les résultats informatiques des logiciels ?
De quels nouveaux modèles statistiques de seconde génération dispose-t-on ? Lesquels utiliser ?
Ce manuel initie à l’économétrie pas à pas, en privilégiant l’application des modèles à un exposé purement théorique. Il en explicite les fondements et présente clairement les logiques d’interprétation des résultats informatiques des techniques de régression. Grâce à un cours accompagné d’applications nombreuses et corrigées et d’exercices de mise en situation, chaque chapitre permet de comprendre le fonctionnement des logiciels statistiques et les résultats qu’ils fournissent.
En complément à cet ouvrage, les Puf vous proposent de consulter le dossier en téléchargement sur cette page, incluant des points de cours additionnels et un exercice corrigé.
Caractéristiques
Sommaire
Chapitre premier – Introduction aux modèles stochastiques
Modèles « déterministes » et modèles stochastiques
Les hypothèses générales du modèle
Les hypothèses posées sur le comportement des résidus
Chapitre II – Le modèle de régression linéaire simple
Définition et propriétés de la fonction de régression de l’échantillon
Formulation des estimateurs b0 et b1
Distribution des estimateurs
Test d’hypothèses sur les paramètres
Utilisation d’un logiciel pour estimer la droite Y = ß0 + ß1 X
Diagnostic du modèle
Chapitre III – Le modèle de régression linéaire généralisé
Formulation du modèle de régression multiple
Tests statistiques sur les coefficients de régression
Interprétation des résultats des tests
Définition et solutions à l’effet de biais
Analyse de variance et test de l’hypothèse jointe
Qualité du modèle de régression multiple
Chapitre IV – Approche matricielle de la régression
Écriture du modèle linéaire généralisé sous forme matricielle
Estimation du vecteur des estimateurs
Inférence sur les paramètres du modèle
Analyse de variance avec l’approche matricielle
Chapitre V – Extensions de la régression
Comment comparer l’influence de variables explicatives hétérogènes ?
L’ajout d’un bloc de variables améliore-t-il significativement l’estimation ?
Le modèle est-il stable sur la totalité de la période d’observation ?
Chapitre VI – Les modèles stochastiques non linéaires
Les fonctions polynomiales : une application aux fonctions paraboliques
Les modèles de croissance
Les modèles de cycles de vie
Les fonctions puissance (ou modèles à élasticités)
Les fonctions de production de type Cobb-Douglas
Chapitre VII – Multicolinéarité, hétéroscédasticité, autocorrélation
L’erreur de spécification
Multicolinéarité
L’hétéroscédasticité
L’autocorrélation
Chapitre VIII – Les modèles stochastiques avancés
L’introduction de variables explicatives qualitatives
Les modèles LOGIT/PROBIT
Les modèles à équations simultanées
Les modèles appliqués aux données de panel
Les modèles dynamiques
Tables de probabilités
Autour de l'auteur
Grégory Denglos est maître de conférences à l’École supérieure des affaires à l’université de Lille 2. Il enseigne les statistiques et l’économétrie.
