Le théorème de Gauss-Markov
1900
- Carl Friedrich Gauss
- Andrey Markov
Ce théorème stipule que, dans un modèle de régression linéaire où les erreurs ont une moyenne nulle, sont non corrélées et présentent une variance constante (homoscédasticité), l'estimateur des moindres carrés ordinaires (MCO) est le meilleur estimateur linéaire sans biais (BLUE). « Meilleur » signifie qu'il possède la variance minimale parmi tous les estimateurs linéaires sans biais des coefficients de régression, ce qui en fait le plus précis.
The Gauss-Markov theorem is a central result in the theory of linear regression that gives OLS its strong theoretical appeal. It guarantees that if a specific set of assumptions holds, no other linear and unbiased estimator will be more efficient than OLS. Let’s break down the BLUE acronym. ‘Linear’ means the estimator for the coefficients is a linear combination of the observed dependent variable values. ‘Unbiased’ means that on average, the estimator will yield the true population parameter; its expected value is the true value, [latex]E(\hat{\beta}) = \beta[/latex]. ‘Best’ signifies that the OLS estimator has the minimum variance in its sampling distribution compared to any other linear unbiased estimator.
Les hypothèses fondamentales, connues sous le nom d'hypothèses de Gauss-Markov, sont les suivantes : 1. Le modèle est linéaire par rapport à ses paramètres. 2. Les erreurs ont une moyenne conditionnelle nulle (E(ε | X) = 0). 3. Les variables indépendantes ne sont pas parfaitement colinéaires. 4. Les erreurs sont homoscédastiques (leur variance est constante, Var(ε | X) = σ²) et ne sont pas autocorrélées (Cov(εᵢ, εⱼ | X) = 0 pour i ≠ j).
Point crucial, le théorème ne requiert pas que les erreurs suivent une loi normale. Cette hypothèse de normalité est ajoutée ultérieurement, lorsqu'on souhaite effectuer des tests d'hypothèses exacts sur des échantillons finis (comme les tests t et les tests F) sur les coefficients. Lorsque les hypothèses de Gauss-Markov ne sont pas respectées (par exemple, en présence d'hétéroscédasticité ou d'autocorrélation), la méthode des moindres carrés ordinaires (MCO) n'est plus optimale, et des estimateurs alternatifs comme les moindres carrés généralisés (MCG) peuvent s'avérer plus efficaces.
UNESCO Nomenclature: 1209
- Statistiques
Perturbation
Fondamentaux
Usage
Utilisation généralisée
Précurseurs
- Méthode des moindres carrés (Gauss)
- Théorie des probabilités (concepts d'espérance et de variance)
- Algèbre linéaire et théorie des matrices
- Premiers travaux sur la théorie de l'estimation
Applications
- fournir la justification théorique de l'utilisation des MCO dans de nombreux scénarios pratiques
- servant de base à l'inférence statistique (intervalles de confiance, tests d'hypothèses) dans les modèles linéaires
- servant de référence théorique pour comparer l'efficacité d'autres estimateurs plus complexes
Idées d'innovations potentielles
En raison du trafic généré par les robots de scraping, actuellement supérieur à 40 000 par jour, ce contenu est réservé aux membres de la communauté.
> Connexion < ou > Registre < (100% gratuit) pour y accéder, ainsi qu'à tous les autres contenus et outils à accès restreint.
En lien avec : théorème de Gauss-Markov, BLUE, meilleur estimateur linéaire sans biais, MCO, homoscédasticité, erreurs non corrélées, variance minimale, inférence statistique, hypothèses du modèle linéaire, économétrie.