Les méthodes du bootstrap dans les modèles de régression
Résumé
Dans la pratique, la plupart des statistiques de test ont une
distribution de probabilité de forme inconnue. Généralement, on utilise
leur loi asymptotique comme approximation de la vraie loi. Mais, si
l'échantillon dont on dispose n'est pas de taille suffisante cette
approximation peut être de mauvaise qualité et les tests basés dessus
largement biaisés. Les méthodes du bootstrap permettent d'obtenir une
approximation de la vraie loi de la statistique en général plus précise
que la loi asymptotique. Elles peuvent également servir à approximer la
loi d'une statistique qu'on ne peut pas calculer analytiquement. Dans
cet article, nous présentons une méthodologie générale du bootstrap dans
le contexte des modèles de régression.
distribution de probabilité de forme inconnue. Généralement, on utilise
leur loi asymptotique comme approximation de la vraie loi. Mais, si
l'échantillon dont on dispose n'est pas de taille suffisante cette
approximation peut être de mauvaise qualité et les tests basés dessus
largement biaisés. Les méthodes du bootstrap permettent d'obtenir une
approximation de la vraie loi de la statistique en général plus précise
que la loi asymptotique. Elles peuvent également servir à approximer la
loi d'une statistique qu'on ne peut pas calculer analytiquement. Dans
cet article, nous présentons une méthodologie générale du bootstrap dans
le contexte des modèles de régression.
Origine : Fichiers produits par l'(les) auteur(s)