Analyse de régression linéaire multiple. Livre 2. Économétrie Expliquée et Appliquée

Plusieurs sujets sont traités dans le Livre 2 de cette série de 13 ouvrages d’économétrie. Concernant l’estimation des paramètres du modèle RLM, plusieurs méthodes sont suggérées, notamment la méthode MCO, la méthode du maximum de vraisemblance, la méthode des estimateurs mixtes de Theil-Goldberger, la méthode des moindres carrés généralisés MCG. Pour assurer une estimation rigoureuse, la méthode de régression pas-à-pas est utilisée et la qualité d’un groupe des prédicteurs est mesurée à l’aide du test F partiel. Nous allons aborder aussi l’impact d’un prédicteur redondant et d’un prédicteur omis sur les estimateurs des paramètres. L’aspect appliqué est révélé à travers 26 exercices qui traitent de divers sujets économiques et sociaux pour plusieurs pays.

Sommaire
2.1 Introduction
2.2 Estimation du modèle de la régression linéaire multiple
2.3 Méthode des moindres carrés généralisés MCG
2.4 Densité de probabilité du vecteur dépendant
2.5 Résidus dans la régression linéaire multiple
2.6 Mesure de la qualité de la régression linéaire multiple
2.7 Test de significativité des paramètres et intervalles de confiance
2. 8 Contribution marginale d’un groupe de prédicteurs
2.9 Corrélation partielle
2.10 Méthode de régression pas- à -pas Stepwise Regression Method
2.11 Estimation de l’espérance de la variable dépendante et prédiction
2.12 Modèle RLM avec des variables auxiliaires
2.13 Modèle de régression multiple non linéaire
2.14 Variable redondante (Redundant variable)
2.15 Omission d’une variable explicative
2.16 Exercices
2.17 Data du Livre 2
2.18 Références