Welcome to Scribd. Sign in or start your free trial to enjoy unlimited e-books, audiobooks & documents.Find out more
Download
Standard view
Full view
of .
Look up keyword
Like this
2Activity
0 of .
Results for:
No results containing your search query
P. 1
Ch13 Les Tests d'Hypothèses

Ch13 Les Tests d'Hypothèses

Ratings:
(0)
|Views: 66|Likes:
Published by api-3737025

More info:

Published by: api-3737025 on Oct 15, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/09/2014

pdf

text

original

Chapter 13
Les Tests d\u2019Hypoth`eses Classiques
13.1 Introduction
Nous avons rencontr\u00b4e pour la premi`ere fois au Chapitre 3 les tests d\u2019hypoth`eses
bas\u00b4es sur les principes de LM, Wald, et LR. Cependant, lestrois statistiques
de test classiqueselles-m\u02c6emes, souvent rattach\u00b4ees irr\u00b4ev\u00b4erencieusement `a la

\u201cSainte Trinit\u00b4e\u201d, n\u2019ont pas \u00b4et\u00b4e introduits jusqu\u2019`a la Section 8.9 parce que, si les tests doivent \u02c6etre appel\u00b4esclassiques, ils doivent \u02c6etre ex\u00b4ecut\u00b4es dans le contexte de l\u2019estimation (ML) par maximum de vraisemblance. Comme nous le soulignions au Chapitre 8, l\u2019estimation ML nous impose un dispositif plus restictif que pour l\u2019estimation NLS ou IV, parce que les DGP du mod`ele estim\u00b4es doivent \u02c6etre compl`etement caract\u00b4eris\u00b4es par les param`etres du mod`ele. Ceci implique que nous devons poser de fortes hypoth`eses de distribution si nous d\u00b4esirons utiliser l\u2019estimation ML. En retour, ML nous permet d\u2019estimer une vari\u00b4et\u00b4e beaucuop plus large de mod`eles que ne le permet NLS. De plus, comme nous le verrons dans ce Chapitre, lestests bas\u00b4es sur les estimations ML sont beaucoup plus largement applicbles que ceux utilis\u00b4es dans le contexte NLS. Ceci signi\ufb01e que nous serons capables de construire des tests dans des directions autres que celles des r\u00b4egressions \u00b4etudi\u00b4ees en d\u00b4etail dans le dernier chapitre.

Heureusement , l\u2019utilisation de ML ne nous oblige pas `a abandonner l\u2019utilisation des r\u00b4egressions arti\ufb01cielles. Bien que la r\u00b4egression de Gauss- Newton, que nous avons beaucoup utilis\u00b4ee dans le contexte de l\u2019estimation par moindres carr\u00b4es et IV, n\u2019est g\u00b4en\u00b4eralement pas applicable aux mod`eles estim\u00b4es par ML, nous introduisons une autre r\u00b4egression arti\ufb01cielle `a la Sec- tion 13.7 qui est la suivante. Il s\u2019agit de lar\u00b4egression du produit ext\u00b4erieur

au gradient, ou r\u00b4egresion OPG. La r\u00b4egression OPG peut \u02c6etre utilis\u00b4ee pour

l\u2019estimation de la matrice de covariance, test d\u2019hypoth`eses, estimation e\ufb03- cace en une \u00b4etape, et ainsi de suite, dans le contexte ML, exactement de la m\u02c6eme mani`ere que la GNR peut \u02c6etre utilis\u00b4ee dans le contexte ML et IV. Plus loin dans le livre, nous rencontrerons d\u2019autres r\u00b4egressions arti\ufb01cielles, qui se conduisent habituellement mieux mais qui sont largement moins applicables que la r\u00b4egression OPG.

Ce chapitre est organis\u00b4e comme suit. La prochaine section fournit une
discussion g\u00b4eom\u00b4etrique des trois statistiques de test classiques. La Section
435
436
Les Tests d\u2019Hypoth`
eses Classiques

13.3 d\u00b4emontrera aussi qu\u2019ils sont \u00b4equivalents asymptotiquement sous certaines conditions. La Section 13.4 traite du cas sp\u00b4ecial des mod`eles de r\u00b4egression lin\u00b4eaire et montre comment les statistiques de test classiques sont reli\u00b4es aux statistiques famili`erest etF . La Section 13.5 discute des moyens vari\u00b4es `a partie desquels la matrice d\u2019information peut \u02c6etre estimat\u00b4ee, et comment celle- ci a\ufb00ecte les statistiques LM et Wald qui utilisent ces estimations. La Section 13.6 porte sur un r\u00b4esultat important de raparam\u00b4etrisation et sur comment celui-ci afecte les statistiques de test classiques. Il introduit \u00b4egalement le concept d\u2019hypoth`eses alternatives localement \u00b4equivalentes. La Section 13.7 introduit la r\u00b4egression OPG et discute bri`evement des testsC(\u03b1). En\ufb01n, certaines suggestions sont fournies pour une lecture ult\u00b4erieur `a la Section 13.8.

13.2 La G\u00b4
eom\u00b4
etrie des Statistiques de Test classiques

Nous commen\u00b8cons, comme `a la Section 8.9, avec un mod`ele de reparam\u00b4etri- sation que nous appelons lemod`ele non contraint et consid\u00b4erons les re- strictions sur ses param`etres, qui d\u00b4e\ufb01nissent implicitement lemod`ele con-

traint. L\u2019hypoth`ese nulle alternative ou maintenue correspond mod`ele non

contraint qui est vrai. Ces deux mod`eles sont caract\u00b4eris\u00b4es par une fonction de logvraisemblance de la forme (8.10), qui est, une somme des contributions des observations dans l\u2019\u00b4echantillon. Ainsi, pour le mod`ele non contraint, nous avons une fonction de logvraisemblance pour un \u00b4echantillon de taillen:

\ue000(yn,\u03b8) =
n
\ue003
t=1
\ue000t(yt,\u03b8).
(13.01)

Souvenons-nous queyt d\u00b4esigne un\u00b4echantillon de taillet, qui est, un vecteur d\u2019\u00b4el\u00b4ementsys , s = 1,...,t; ces \u00b4el\u00b4ements des vecteurs plut\u02c6ot que des scalaires, mais nous les traiterons comme des scalaires pour notre notation. Notons que

\ue000td\u00b4epend deyt plut\u02c6ot que de ytsimplement, parce qu\u2019il peut exister des vari-

ables d\u00b4ependantes retard\u00b4ees ou d\u2019autres formes de d\u00b4ependances parmi lesyt. Nous supposerons sans plus de commentaire que n\u2019importe quel mod`ele de la forme (13.01) satisfait les conditions de r\u00b4egularit\u00b4e fournie au Chapitre 8 pour assurer l\u2019existense, la convergence, la normalit\u00b4e asymptotique, et l\u2019e\ufb03cacit\u00b4e asymptotique de l\u2019estimateur MLpour le mod`ele. L\u2019invariance de ces esti- mateurs sous des reparam\u00b4etrisations du mod`ele implique, que nous pouvons, utiliser des reparam\u00b4etrisations arrangeantes a\ufb01n d\u2019obtenir certains r\u00b4esultats.

La s\u00b4erie des DGP g\u00b4en\u00b4er\u00b4ee comme le vecteur param\u00b4etrique\u03b8 varie sur un espace param\u00b4etrique \u03981\u2286Rk que constitute le mod`ele non contraint, wque nous d\u00b4esignerons parM1. L\u2019hypoth`ese alternative est satisfaite par une certaine s\u00b4erie de donn\u00b4ees si les donn\u00b4ees sont en fait g\u00b4en\u00b4er\u00b4ees par un DGP appartenant `aM1. Le mod`ele contraint,ou hypoth`ese nulle,M0, repr\u00b4esente une sous-s\u00b4erie du mod`ele non contraintM1. Il est g\u00b4en\u00b4er\u00b4e `a partir du (13.01) par l\u2019imposition de restrictions de la forme

r(\u03b8) =0, o`
ur :\u03981\u2192Rr, r < k.
(13.02)
13.2 La G\u00b4
eom\u00b4
etrie des Statistiques de Test classiques
437
Nous supposons que les fonctionsr(\u03b8) qui expriment les restrictions sont
arrangeantesen\u03b8 et auusi que l\u2019espace param\u00b4etrique \u03980 associ\u00b4e avecM0 est

un sous-espace \u03981 arrangeant de dimention (k\u2212 r)--. L\u2019hypoth`ese nulle est satisfaite par une s\u00b4erie particuli`ere de donn\u00b4ees si les donn\u00b4ees sont g\u00b4en\u00b4er\u00b4ees par un vecteur param\u00b4etrique dans le sous-espace \u03980. Comme au Chapitre 8, nous d\u00b4esignerons lesestimations contraintes par\u02dc

\u03b8et lesestimations non
contraintespar\u02c6
\u03b8.
Le premier test classique est le test LM, qui est bas\u00b4e exclusivement sur
les estimations contraintes\u02dc
\u03b8. Comme nous l\u2019avons vu `a la Section 8.9, il

peut \u02c6etre r\u00b4eals\u00b4e soit sur les multiplicateurs de Lagrange d\u2019un probl`eme de maximisation contraint, soit sur levecteur gradient (ouvecteur score) de la fonction de logvraisemblance. Dans sa forme score, il \u00b4etait donn\u00b4e dans l\u2019\u00b4equation (8.77):

LM\u2261 n\u22121\u02dc
g\ue001\u02dcI\u22121\u02dc
g.
(13.03)

Rappelons de (8.13) que le vecteur gradientg(\u03b8) est d\u00b4e\ufb01ni comme le vecteur colonne des d\u00b4eriv\u00b4ees partielles de la fonction de logvraisemblance `a\u03b8, que la matrice d\u2019informationI(\u03b8) est d\u00b4e\ufb01nie dans (8.20), (8.21), et (8.22), et que\u02dc

g
et\u02dcI d\u00b4esignent ces quantit\u00b4es \u00b4evalu\u00b4ees en\u02dc
\u03b8. Pour une notation ais\u00b4ee dans ce

qui suit, nous \u00b4ecrironsI `a la place denI, car cela nous \u00b4evitera d\u2019\u00b4ecrire une grande quantit\u00b4e de certaines puissances explicites den. Dans la prochaine sec- tion, cependant, certaines des puissaances den auront besoin d\u2019\u02c6etre restor\u00b4ees lorsque nous nous embarquerons dans une certaine th\u00b4eorie asymptotique. En utilisant la notationI, (13.03) peut \u02c6etre r\u00b4e\u00b4ecrite comme

LM\u2261\u02dc
g\ue001\u02dc
I\u22121\u02dc
g.
(13.04)
Le second test classique, le test de Wald, est bas\u00b4e exclusivement sur les
estimations non contraintes\u02c6
\u03b8. Comme l\u2019hypoth`ese nulle n\u00b4ecessite que r(\u03b8) =
0, cela peut \u02c6etre tester en voyant sir(\u02c6
\u03b8) est ou n\u2019est pas signi\ufb01cativement
di\ufb00\u00b4erent de z\u00b4ero. Nous avons vu `a l\u2019\u00b4equation (8.78) que qu\u2019une statistique de
test convenable est
W= n\u02c6
r\ue001
\ue005
\u02c6
R\u02c6I\u22121\u02c6
R\ue001
\ue006
\u22121\u02c6
r=\u02c6
r\ue001
\ue005
\u02c6
R\u02c6
I\u22121\u02c6
R\ue001
\ue006
\u22121\u02c6
r,
(13.05)
o`
uR(\u03b8)\u2261D\u03b8r(\u03b8), et les chapeaux surr etR signi\ufb01ent, comme d\u2019habitude,
que ces quantit\u00b4es doivent \u02c6etre \u00b4evalu\u00b4ees en\u02c6
\u03b8.
La troisi`eme et derni`ere statistique de test classique est la tsatistique du
ratio de vraisemblance. Elle a \u00b4et\u00b4e d\u00b4e\ufb01nie dans (8.68):
LR= 2(\u02c6
\ue000\u2212\u02dc
\ue000),
(13.06)
o`
u encore\u02c6
\ue000\u2261 \ue000(\u02c6
\u03b8) et\u02dc
\ue000\u2261 \ue000(\u02dc
\u03b8).
A\ufb01n d\u2019examiner les relations parmi les statistiques de test classiques, nous
r\u00b4ealisons tout d\u2019abord une une approximation simpli\ufb01catrice. Il s\u2019agit que le

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->