Aller au contenu
Économétrie 2 · L3

Leçon 1 sur 5

L'hétéroscédasticité

Je sais reconnaître l'hétéroscédasticité, mesurer ses conséquences sur les MCO, la détecter par les tests de Breusch-Pagan, de White et de Goldfeld-Quandt, et la corriger.

  • 1 h 10
  • 4 exercices corrigés
  • QCM de 5 questions

À la fin de la leçon, vous saurez :

  • Définir l'hétéroscédasticité et ses causes
  • Expliquer ses conséquences sur les estimateurs des MCO et les tests
  • Mettre en œuvre les tests de Breusch-Pagan, de White et de Goldfeld-Quandt
  • Corriger par les moindres carrés pondérés ou les écarts-types robustes de White

Avant de commencer : Économétrie 1 : modèle linéaire, MCO, hypothèses de Gauss-Markov, tests de Student et de Fisher, coefficient de détermination.

1Je découvre

Un groupe d'étudiants de Sonfonia étudie la relation entre le revenu mensuel et les dépenses alimentaires de 80 ménages de Conakry (données d'enquête fictives). Le nuage de points montre une tendance claire, mais les points s'éparpillent de plus en plus quand le revenu augmente : les ménages modestes dépensent tous à peu près la même chose, alors que les ménages aisés ont des comportements très variés.

Les résidus de la régression forment un « entonnoir » qui s'ouvre vers la droite. Un étudiant fait remarquer que l'une des hypothèses du modèle linéaire classique, la variance constante des erreurs, semble violée.

Que se passe-t-il quand la variance des erreurs n'est pas constante, comment le détecter et comment y remédier ?

2Je comprends

1. Définition et causes

On considère le modèle yi = β0 + β1 x1i + … + βk xki + ui. L'hypothèse d'homoscédasticité suppose Var(ui) = σ2 pour tout i. Il y a hétéroscédasticité lorsque :

Var(ui) = σi2, variable d'une observation à l'autre.

Causes fréquentes :

  • données en coupe transversale d'unités de tailles très différentes (ménages, entreprises, régions) ;
  • variance liée au niveau d'une variable (plus le revenu est élevé, plus les choix de consommation sont dispersés) ;
  • apprentissage (les erreurs diminuent avec l'expérience) ;
  • mauvaise spécification (variable omise, forme fonctionnelle linéaire au lieu de logarithmique) ;
  • données agrégées par moyennes de groupes de tailles inégales.

2. Les conséquences sur les MCO

En présence d'hétéroscédasticité (les autres hypothèses restant vraies) :

PropriétéEffet
Absence de biais de hatβConservée
Convergence de hatβConservée
Efficacité (BLUE, Gauss-Markov)Perdue : il existe un estimateur linéaire sans biais de variance plus faible
Formule usuelle de Var(hatβ)Fausse : écarts-types biaisés
Tests t et F, intervalles de confianceNon valides

Le danger principal est donc l'inférence : on peut conclure à tort qu'un coefficient est significatif (ou ne l'est pas).

3. La détection

Méthode graphique. On trace les résidus ui (ou leurs carrés) en fonction de yi ou d'une variable explicative. Un entonnoir ou une tendance des ui2 suggère l'hétéroscédasticité.

Test de Breusch-Pagan. Hypothèse nulle H0 : homoscédasticité.

  1. Estimer le modèle par MCO, calculer les ui2.
  2. Régresser ui2 sur les variables soupçonnées z1, …, zp (souvent les explicatives) : régression auxiliaire, de coefficient de détermination R2a.
  3. Statistique : LM = n R2a, qui suit sous H0 une loi du χ2 à p degrés de liberté.
  4. On rejette H0 si LM dépasse la valeur critique.

Test de White. Même principe, mais la régression auxiliaire inclut les explicatives, leurs carrés et leurs produits croisés. Il ne suppose pas de forme particulière d'hétéroscédasticité. Avec deux explicatives x1, x2 : régresseurs x1, x2, x12, x22, x1x2, soit 5 degrés de liberté.

Test de Goldfeld-Quandt. On trie les observations selon la variable soupçonnée, on écarte c observations centrales, on estime le modèle sur les deux sous-échantillons et on compare les sommes des carrés des résidus : F = SCR2/(n2 - k - 1)SCR1/(n1 - k - 1), qui suit une loi de Fisher sous H0 (SCR2 : groupe à forte variance supposée).

Exemple résolu. Sur les 80 ménages, la régression auxiliaire de Breusch-Pagan de ui2 sur le revenu donne R2a = 0,12. LM = 80 × 0,12 = 9,6. Valeur critique du χ2(1) à 5 % : 3,84. Comme 9,6 > 3,84, on rejette l'homoscédasticité.

4. Les corrections

Écarts-types robustes de White. On garde les hatβ des MCO mais on calcule une matrice de variance-covariance robuste à l'hétéroscédasticité. Avantage : aucune hypothèse sur la forme de σi2 ; méthode standard dans les logiciels (option « robust »). Limite : valable surtout en grand échantillon.

Moindres carrés pondérés (MCP), cas particulier des moindres carrés généralisés. Si l'on connaît la forme σi2 = σ2 hi, on divise toute l'équation par √hi :

yi√hi = β0 1√hi + β1 xi√hi + ui√hi

Le nouveau terme d'erreur a une variance constante σ2 ; les MCO sur le modèle transformé sont BLUE.

Exemple. Si Var(ui) = σ2 xi2, on divise par xi : yixi = β0 1xi + β1 + vi. Attention : dans le modèle transformé, la constante devient le coefficient de 1xi, et β1 devient la constante.

MCG réalisables. Si la forme est inconnue, on l'estime (par exemple en régressant ln ui2 sur les explicatives), puis on pondère avec les variances estimées.

Transformation logarithmique. Passer à ln y et ln x réduit souvent l'écart d'échelle et atténue l'hétéroscédasticité, tout en donnant des élasticités.

3Je retiens

Je retiens

Hétéroscédasticité : Var(ui) varie selon les observations ; fréquente en coupe transversale.

Les MCO restent sans biais et convergents, mais ne sont plus BLUE.

Les écarts-types usuels sont faux : tests t, F et intervalles de confiance non valides.

Breusch-Pagan : LM = nR² de la régression de û² sur les explicatives, comparé à un khi-deux.

White : régression auxiliaire avec carrés et produits croisés ; aucune forme supposée.

Corrections : écarts-types robustes de White, moindres carrés pondérés si la forme est connue, MCG réalisables, passage au logarithme.

4Erreurs fréquentes

  • Dire que l'hétéroscédasticité biaise les coefficients : elle fausse leurs écarts-types, pas leur espérance.
  • Oublier, après une pondération par 1/x, que la constante et la pente échangent leurs rôles.
  • Utiliser le R² de la régression initiale dans le test de Breusch-Pagan au lieu de celui de la régression auxiliaire.
  • Compter mal les degrés de liberté du test de White (oublier les produits croisés).
  • Conclure à l'homoscédasticité sur un simple graphique sans test formel.

5Je m’exerce

1Exercice 1

(Questions de cours) a) Définissez l'hétéroscédasticité. b) Quelles propriétés des MCO sont conservées et lesquelles sont perdues ? c) Quelle est l'hypothèse nulle du test de White ?

Voir le corrigéCacher le corrigé

a) Situation où la variance du terme d'erreur n'est pas la même pour toutes les observations : Var(ui) = σi2. b) Conservées : absence de biais et convergence des hatβ. Perdues : efficacité (les MCO ne sont plus BLUE) et validité de la formule usuelle de variance, donc des tests et intervalles. c) H0 : homoscédasticité (la variance des erreurs ne dépend pas des régresseurs).

2Exercice 2

Un modèle de chiffre d'affaires de 50 boutiques de Kankan en fonction de la surface (x1) et du nombre d'employés (x2) est estimé par MCO. a) Combien de régresseurs (hors constante) comporte la régression auxiliaire de White ? b) Le R2 auxiliaire vaut 0,26. Calculez la statistique. c) Concluez au seuil de 5 % (valeur critique du χ2(5) : 11,07).

Voir le corrigéCacher le corrigé

a) x1, x2, x12, x22, x1 x2 : 5 régresseurs. b) LM = n R2a = 50 × 0,26 = 13. c) 13 > 11,07 : on rejette l'homoscédasticité au seuil de 5 %.

3Exercice 3

On estime yi = β0 + β1 xi + ui avec Var(ui) = σ2 xi, xi > 0. a) Par quoi faut-il diviser l'équation ? b) Écrivez le modèle transformé. c) Montrez que la variance de la nouvelle erreur est constante.

Voir le corrigéCacher le corrigé

a) Par √xi. b) yi√xi = β0 1√xi + β1 √xi + ui√xi (modèle sans constante). c) Var(ui√xi) = 1xiVar(ui) = σ2 xixi = σ2, constante.

4Exercice 4

(Type examen) On étudie les dépenses de santé Di (en milliers de GNF) de 120 ménages de Kindia en fonction du revenu Ri. Résultats MCO : Di = 45 + 0,08 Ri, écart-type usuel de la pente 0,02, écart-type robuste de White 0,035. Test de Goldfeld-Quandt : après tri selon R et suppression de 20 observations centrales, SCR1 = 900 (revenus faibles), SCR2 = 3 150 (revenus élevés), 50 observations par groupe. a) Calculez la statistique de Goldfeld-Quandt et concluez (valeur critique de F(48,48) à 5 % : environ 1,61). b) Calculez les statistiques t de la pente avec chaque écart-type ; la pente reste-t-elle significative à 5 % (valeur critique 1,98) ? c) Quelle valeur faut-il retenir et pourquoi ? d) Proposez une autre correction.

Voir le corrigéCacher le corrigé

a) n1 = n2 = 50, k = 1, donc n - k - 1 = 48 dans chaque groupe. F = 3 150/48900/48 = 3 150900 = 3,5. 3,5 > 1,61 : on rejette l'homoscédasticité ; la variance augmente avec le revenu. b) Usuel : t = 0,08/0,02 = 4 ; robuste : t = 0,08/0,035 ≈ 2,29. Dans les deux cas | t| > 1,98 : la pente reste significative, mais la statistique est beaucoup plus faible avec l'écart-type robuste. c) Il faut retenir l'écart-type robuste de White, car l'hétéroscédasticité est établie : l'écart-type usuel sous-estime l'incertitude et surestime la significativité. d) Les moindres carrés pondérés, si l'on suppose par exemple Var(ui) = σ2 Ri2 (division par Ri) ou σ2 Ri (division par √Ri) ; ou un modèle en logarithmes, qui donne de plus l'élasticité des dépenses de santé au revenu.

Cherchez d’abord seul, sur votre cahier, puis ouvrez le corrigé pour comparer.

6Je vérifie

Choisissez une réponse pour chaque question : la correction s’affiche aussitôt.

1En présence d'hétéroscédasticité, les estimateurs des MCO sont :
Voir la réponse

Réponse B : sans biais mais non efficaces. L'espérance n'est pas affectée ; la variance minimale est perdue.

2La statistique de Breusch-Pagan est :
Voir la réponse

Réponse B : n fois le R² de la régression auxiliaire. Elle suit un khi-deux sous l'hypothèse nulle.

3Le test de Goldfeld-Quandt compare :
Voir la réponse

Réponse A : les sommes des carrés des résidus de deux sous-échantillons. Statistique de Fisher.

4Si Var(ui) = σ2 xi2, on divise l'équation par :
Voir la réponse

Réponse B : xi. On divise par √hi avec hi = xi2, c'est-à-dire par xi.

5Les écarts-types robustes de White modifient :
Voir la réponse

Réponse B : seulement les écarts-types et donc les tests. Les coefficients des MCO sont conservés.

Karamö, votre enseignant

Il a lu cette leçon. Posez-lui votre question : il vous répond ici.

Connectez-vous pour poser vos questions à Karamö.

Vous avez fini la leçon ?

Avec un compte Kharandi gratuit, vous cochez les leçons terminées et vous suivez votre progression, cours par cours.

Karamö
Un point pas clair ? Dites à Karamö ce qui vous bloque dans cette leçon : il vous l’explique autrement, pas à pas, sans faire le travail à votre place. Demander à Karamö
Signaler une erreur dans cette leçon

Toutes les leçons de Économétrie 2

Pose ta question à Karamö