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.Sommaire2.1 Introduction2.2 Estimation du modèle de la régression linéaire multiple2.3 Méthode des moindres carrés généralisés MCG2.4 Densité de probabilité du vecteur dépendant2.5 Résidus dans la régression linéaire multiple2.6 Mesure de la qualité de la régression linéaire multiple2.7 Test de significativité des paramètres et intervalles de confiance2. 8 Contribution marginale d’un groupe de prédicteurs2.9 Corrélation partielle2.10 Méthode de régression pas- à -pas Stepwise Regression Method2.11 Estimation de l’espérance de la variable dépendante et prédiction2.12 Modèle RLM avec des variables auxiliaires2.13 Modèle de régression multiple non linéaire2.14 Variable redondante (Redundant variable)2.15 Omission d’une variable explicative2.16 Exercices2.17 Data du Livre 22.18 Références