3 Hétéroscédasticité : Concepts et Conséquences

Présentation du Problème
L’hétéroscédasticité est un problème courant dans l’analyse de régression, particulièrement
en économétrie et en statistiques. Elle survient lorsque la variance des erreurs (ou des résidus)

n’est pas constante à travers les observations. Cela viole une des hypothèses clés des modèles
de régression linéaire classique : celle d’homoscédasticité, où les erreurs doivent avoir une
variance constante.

Les Causes de l’Hétéroscédasticité

– les observations représentent des moyennes calculées sur des échantillons de taille différente ;
– répétition d’une même valeur de la variable à expliquer pour des valeurs différentes d’une
variable explicative, (regroupements en tranches de salaires ou d’effectifs. . .) ;
– lorsque les erreurs sont liées aux valeurs prises par une variable explicative, dans un mo-

dèle en coupe instantanée la variance de la consommation croı̂t, par exemple, avec le revenu
disponible, etc.

Conséquences de l’Hétéroscédasticité

1) Estimation inefficace des coefficients

Les estimateurs des moindres carrés ordinaires (MCO) restent sans biais, mais ils ne sont
plus efficaces (pas d’estimation BLUE, “best linear unbiased estimator”).

2) Tests statistiques biaisés

Les statistiques comme le test t et le test F deviennent invalides, car leurs formules supposent
une variance constante des résidus.

3) Régression trompeuse

74
 Les prédictions peuvent être faussées, particulièrement si la variance est fortement liée à

une ou plusieurs variables explicatives.

Détection de l’Hétéroscédasticité
Plusieurs tests et méthodes graphiques permettent de détecter l’hétéroscédasticité :

— Test de Gomdfeld et Quandt (1965)

— Test de Gleisjer
— Test de White
— Test d’égalité des variances

I) Test de Gomdfeld et Quandt (1965)

Le test de Goldfeld-Quandt (GQ) est un test statistique utilisé pour détecter la présence
d’hétéroscédasticité dans un modèle de régression linéaire. Il repose sur l’hypothèse que la
variance des erreurs est différente entre deux groupes de données, souvent définis par rapport

à une ou plusieurs variables explicatives.

La règle de décision est la suivante :
H0 :Les variances des erreurs sont constantes (homoscédasticité).
H1 :Les variances des erreurs diffèrent entre les groupes (hétéroscédasticité).

Étapes du Test de Goldfeld-Quandt

Le Test de GQ se déroule selon les étapes suivantes :

1. Ordonnancement des observations :

Trier les observations en fonction d’une variable explicative clé, notée X, que l’on
soupçonne d’être liée à la variance des erreurs.

2. Division des données :

75
 Exclure c [c = E( N4 )] observations centrales pour éviter une trop grande corrélation
entre les deux groupes. Diviser les n − c observations restantes en deux sous-groupes :

— Groupe 1 : Les n1 premières observations (valeurs faibles de X).

— Groupe 2 : Les n2 dernières observations (valeurs élevées de X).

3. Régressions séparées :

Effectuer des régressions linéaires séparées pour chaque groupe et calculer la SCR pour
chaque groupe :
SCR1 et SCR2

4. Calcul de la statistique de test :

La statistique de test est donnée par :

SCR2
n2 −k−1 SCR2
GQ = SCR1
= → F (n2 − k − 1, n1 − k − 1)
n1 −k−1
SCR1

où :
— n1 et n2 sont les tailles des deux groupes,

— k est le nombre de VE dans le modèle.

5. Interprétation des résultats :

Sous l’hypothèse nulle (H0 ), la statistique GQ suit une loi F de Fisher avec (n2 − k −

1, n1 − k − 1) dll.
— Si GQ est inférieur au seuil critique : Ne pas rejeter H0 (homoscédasticité).
— Si GQ est supérieur au seuil critique : Rejeter H0 et conclure à l’existence d’une
hétéroscédasticité.

Exercice 1
On dispose d’un échantillon de 16 observations issues d’une régression linéaire simple donnée
par :

y = β0 + β1 x + ε.

76
Les données suivantes incluent les valeurs de la variable explicative x, les valeurs observées
y, les valeurs prédites ŷ, et les résidus e = y − ŷ.

i x y ŷ e

1 2.0 4.5 4.2

2 2.3 4.8 4.6

3 2.5 5.1 4.9
4 2.8 5.4 5.3
5 3.0 5.6 5.6
6 3.2 6.0 5.9

7 3.5 6.5 6.3

8 3.8 7.0 6.8
9 4.0 7.5 7.2
10 4.2 7.8 7.5

11 4.5 8.5 7.9

12 4.8 9.0 8.4
13 5.0 9.5 8.8
14 5.3 10.0 9.3

15 5.5 10.5 9.7

16 5.8 11.0 10.2

Tester la structure homoscédastique de ces résidus.

Exercice 2
Régression pour le Groupe 1
L’équation estimée est donnée par :

ŷ1 = 
2.5 + 
1.8 x
(3.2) (5.5)

77
 Informations supplémentaires :
— Nombre d’observations (n1 ) : 6.

— Coefficient de détermination (R12 ) : 0.85.

Régression pour le Groupe 2
L’équation estimée est donnée par :

ŷ2 = 
3.0 + 
2.1 x
(4.1) (6.8)

Informations supplémentaires :
— Nombre d’observations (n2 ) : 6.
— Coefficient de détermination (R22 ) : 0.90.
Effectuer le test de GQ. Interpréter.

Exercice 3
Premier échantillon : j = 1, 11

L’équation estimée est :

Yj = 16, 93 − 2, 13Xj + ej

Avec les statistiques t-de-Student sous chaque coefficient :

Yj = 16, 93 − 2, 13 Xj + ej
   
(2,31) (2,31)

Informations supplémentaires :

— Nombre d’observations (n) : 11.

— Coefficient de détermination (R2 ) : 0,08.

78
 — Somme des carrés des résidus (SCR1 ) :


SCR1 = e2j = 164, 66.
j

— Degrés de liberté : ddl1 = n − 2 = 9.

Deuxième échantillon : j = 20, 30

L’équation estimée est :

Yj = 9, 84 − 1, 32Xj + ej

Avec les statistiques t-de-Student sous chaque coefficient :

Yj = 9, 84 − 1, 32 Xj + ej
 
(9,23) (9,23)

Informations supplémentaires :

— Nombre d’observations (n) : 11.

— Coefficient de détermination (R2 ) : 0,002.
— Somme des carrés des résidus (SCR2 ) :


SCR2 = e2j = 872, 02.
j

— Degrés de liberté : ddl2 = n − 2 = 9.

Tester la structure homoscédastique.

II. Test de Gleisjer

Le test de Glejser permet à la fois de détecter une possible hétéroscédasticité et d’en détermi-

79
ner la forme. Il repose sur l’examen de la relation entre le résidu obtenu lors de l’estimation
par les MCO du modèle de base et la variable explicative présumée responsable de l’hétéros-

cédasticité.
Étape 1 : régression par les MCO de Yj en Xj (j = 1, 30)

Yj = 24.09 − 
4.12 Xj + ej
(4.19)

n = 30, R2 = 0.38 Le vecteur des résidus ej est alors connu.

Étape 2 : régression de la valeur absolue des résidus |ej | sur Xj . Gleisjer suggère de tester

différentes formes de relation, par exemple :

a) Forme générale Estimation (J = 1, 30)

|ej | = a0 + a1 Xj + vj |ej | = 8.09 − 1, 46 Xj + v̂j (4)


(2,55)

n = 30 ; R2 = 0.19
Hétéroscédasticité de type :

σe2j = k 2 Xj2 (k étant une constante quelconque) (5)

En effet, si nous avons une relation entre la valeur absolue du résidu (ej ) et la variable

Xj , cela signifie que nous avons de fait une relation entre le résidu au carré et la variable Xj
au carré.
b) deuxième forme

1/2
|ej | = a0 + a1 Xj + vj (6)

80
Estimation
1/2
|ej | = 10.7 − 
4.15 Xj + v̂j (7)
(2.60)

n = 30 R2 = 0.19 (8)

σe2j = k 2 Xj (9)

c) troisième forme

|ej | = a0 + a1 Xj−1 + vj (10)

2.86 Xj−1 + v̂j

|ej | = 2, 79 +  (11)
(2.30)

σe2j = k 2 Xj−2 (12)

n = 30 R2 = 0.16 (13)

L’hypothèse d’homoscédasticité est rejetée si le coefficient a1 d’une des spécifications est

significativement différent de 0. Les trois t de Student empiriques sont supérieurs à 1.96,

l’hétéroscédasticité est donc détectée. La forme retenue est le (b) ; en effet, le coefficient est
affecté du ratio de Student le plus élevé (toutefois, la forme (a) est très proche).

81
 Exercice


ƋƋ3–ƒ’‡•†—–‡•–†‡ Ž‡Œ•‡”•—”–ƒ–ƒ
”‡‰”‡•• › šɨ šɩ
’”‡†‹ – ”‡•‹†ř ”‡•‹†
‰‡ ƒ„•ɏ”‡•‹† ʰ ƒ„•ſ”‡•‹†ƀ
”‡‰”‡•• ƒ„•ɏ”‡•‹† šɨ šɩ

 ”‡‰”‡•• ƒ„•ɏ”‡•‹† šɨ‹ šɩ‹

 ‘—” ‡ Ŷ  †ˆ  —„‡” ‘ˆ ‘„• ʰ ɬɥ
ŞŞŞŞŞŞŞŞŞŞŞŞŞʫŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞ ſɩř ɫɮƀ ʰ ɫŜɯɫ
 ‘†‡Ž Ŷ ɨɩŜɨɩɬɬɪɮɬ ɩ ɭŜɥɭɩɮɭɯɮɪ ”‘„ ʴ ʰ ɥŜɥɨɩɪ
 ‡•‹†—ƒŽ Ŷ ɬɯŜɯɯɬɬɨɩɰ ɫɮ ɨŜɩɬɩɯɯɪɩɬ Ş•“—ƒ”‡† ʰ ɥŜɨɮɥɯ
ŞŞŞŞŞŞŞŞŞŞŞŞŞʫŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞ †Œ Ş•“—ƒ”‡† ʰ ɥŜɨɪɬɬ
 ‘–ƒŽ Ŷ ɮɨŜɥɨɨɥɬɥɫ ɫɰ ɨŜɫɫɰɩɥɬɨɨ ‘‘–  ʰ ɨŜɨɨɰɪ

ŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞ
 ƒ„•ɏ”‡•‹† Ŷ ‘‡ˆˆ‹ ‹‡– –†Ŝ ‡””Ŝ – ʴŶ–Ŷ ƃɰɬʩ ‘ˆŜ ‹–‡”˜ƒŽƄ
ŞŞŞŞŞŞŞŞŞŞŞŞŞʫŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞ
 šɨ‹ Ŷ ŞŜɥɮɭɰɮɮɭ Ŝɥɪɨɰɯɰɫ ŞɩŜɫɨ ɥŜɥɩɥ ŞŜɨɫɨɪɪɨɰ ŞŜɥɨɩɭɩɪɪ
 šɩ‹ Ŷ ŞŜɥɩɩɩɯɩɨ Ŝɥɨɩɪɨɰɪ ŞɨŜɯɨ ɥŜɥɮɮ ŞŜɥɫɮɥɭɬɪ Ŝɥɥɩɬɥɨ
 ɏ ‘• Ŷ ɪŜɯɪɬɮɰɭ Ŝɮɬɩɰɪɥɯ ɬŜɥɰ ɥŜɥɥɥ ɩŜɪɩɨɥɰɫ ɬŜɪɬɥɫɰɮ
ŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞŞ

Figure 3.4 – Test de Glejser

III. Test de White

Le test de White est utilisé pour tester l’hétéroscédasticité dans un modèle de régression.
Soit le modèle de régression :

Yi = β0 + β1 Xi + ui

où Yi est la variable dépendante, Xi est la variable explicative, et ui est l’erreur. On

commence par estimer les coefficients β0 et β1 par la méthode des moindres carrés ordinaires,
et on obtient les résidus ûi .
Ensuite, on effectue une régression auxiliaire des carrés des résidus û2i sur les variables
explicatives Xi et leurs carrés :

82
 û2i = a0 + a1 Xi + b1 Xi2 + · · · + i

Soit n le nombre d’observations disponibles pour estimer les paramètres du modèle et R2

le coefficient de détermination. Si l’un de ces coefficients de régression est significativement
différent de 0, alors on accepte l’hypothèse d’hétéroscédasticité. Nous pouvons procéder à ce

test soit à l’aide d’un test de Fisher classique de nullité de coefficients

Il s’agit de tester H0 : a1 = b1 = a2 = b2 = ... = ak = bk = 0
Soit en utilisant la statistique de test de White qui est donnée par :

W = n · R2

où n est le nombre d’observations et R2 est le coefficient de détermination de la régression

auxiliaire. Cette statistique suit une loi du chi carré (χ2 ) avec un nombre de degrés de liberté

égal au nombre de variables explicatives dans la régression auxiliaire.

Si la statistique W est supérieure à la valeur critique correspondant à un certain niveau

de signification (α), alors on rejette l’hypothèse nulle, concluant à la présence d’hétéroscé-

dasticité.
Exercice Soit l’estimation du modèle suivant :

e2j = a1 xj + b1 x2j + a0 + vj

e2j = −78.58xj + 11.98x2j + 136.02 + v̂j

avec n = 30 ; R2 = 0.226 ; F ∗ = 3.956.

Tester la structure homoscédastique en utilisant le test de White par deux méthodes diffé-
rentes.

83
Test de Breush‐Godfrey
. *****1) estimer le modèle par MCO sans se soucier de l'AR

. reg yi x1i x2i

Source | SS df MS Number of obs = 50

‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ F(2, 47) = 685.27
Model | 6966.32453 2 3483.16227 Prob > F = 0.0000
Residual | 238.895468 47 5.08288229 R‐squared = 0.9668
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ Adj R‐squared = 0.9654
Total | 7205.22 49 147.045306 Root MSE = 2.2545

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
yi | Coefficient Std. err. t P>|t| [95% conf. interval]
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
x1i | 1.521652 .0644325 23.62 0.000 1.39203 1.651273
x2i | .6672457 .0248133 26.89 0.000 .6173278 .7171636
_cons | 51.43966 1.516543 33.92 0.000 48.38877 54.49056
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
. ***relever les résidus

. predict resid, resid

. ***2) régresser par MCO l'equation auxiliqire + les variables explicatives

. ***a) générer des résidus retardés (exemple 2 retards)

. gen Resi1= [Link]

. gen Resi2= [Link]

. ****b) régresser par MCO

. reg resid x1i x2i Resi1 Resi2

Source | SS df MS Number of obs = 48

‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ F(4, 43) = 0.76
Model | 14.2000623 4 3.55001556 Prob > F = 0.5598
Residual | 201.976327 43 4.69712388 R‐squared = 0.0657
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ Adj R‐squared = ‐0.0212
Total | 216.176389 47 4.59949764 Root MSE = 2.1673

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
resid | Coefficient Std. err. t P>|t| [95% conf. interval]
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
x1i | ‐.0098714 .0688488 ‐0.14 0.887 ‐.1487183 .1289755
x2i | ‐.0008839 .0281095 ‐0.03 0.975 ‐.0575721 .0558043
Resi1 | ‐.0919825 .1485068 ‐0.62 0.539 ‐.391475 .20751
Resi2 | ‐.2360902 .1517306 ‐1.56 0.127 ‐.5420841 .0699037
_cons | .1991223 1.746493 0.11 0.910 ‐3.323016 3.721261
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐

. ***3) tester la significativité simultanée des coefficients d'auto

corrélation \rho

. **LM=n*R^2‐‐‐>khi2(p) avec p=2

. display 48*0.0657
3.15

. ***4) Décision

.
.
.
.
.
.
. ***Pour réaliser ce test (BG), on peut utiliser F partiel (Modèle
contraint/Modèle non contraint)

. reg resid x1i x2i

Source | SS df MS Number of obs = 50

‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ F(2, 47) = 0.00
Model | 5.6843e‐14 2 2.8422e‐14 Prob > F = 1.0000
Residual | 238.895469 47 5.08288232 R‐squared = 0.0000
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ Adj R‐squared = ‐0.0426
Total | 238.895469 49 4.87541773 Root MSE = 2.2545

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
resid | Coefficient Std. err. t P>|t| [95% conf. interval]
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
x1i | ‐3.24e‐11 .0644325 ‐0.00 1.000 ‐.1296216 .1296216
x2i | ‐2.06e‐09 .0248133 ‐0.00 1.000 ‐.0499179 .0499179
_cons | 1.38e‐07 1.516543 0.00 1.000 ‐3.050891 3.050892
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐

. *** Modèle Non Contraint

. reg resid x1i x2i Resi1 Resi2

Source | SS df MS Number of obs = 48

‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ F(4, 43) = 0.76
Model | 14.2000623 4 3.55001556 Prob > F = 0.5598
Residual | 201.976327 43 4.69712388 R‐squared = 0.0657
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐ Adj R‐squared = ‐0.0212
Total | 216.176389 47 4.59949764 Root MSE = 2.1673

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
resid | Coefficient Std. err. t P>|t| [95% conf. interval]
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
x1i | ‐.0098714 .0688488 ‐0.14 0.887 ‐.1487183 .1289755
x2i | ‐.0008839 .0281095 ‐0.03 0.975 ‐.0575721 .0558043
Resi1 | ‐.0919825 .1485068 ‐0.62 0.539 ‐.391475 .20751
Resi2 | ‐.2360902 .1517306 ‐1.56 0.127 ‐.5420841 .0699037
_cons | .1991223 1.746493 0.11 0.910 ‐3.323016 3.721261
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐

. **Calculer la stat F (voir page 66)

.
.
.
.
.
.

. estat bgodfrey, lags(2)

Breusch–Godfrey LM test for autocorrelation

‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
lags(p) | chi2 df Prob > chi2
‐‐‐‐‐‐‐‐‐‐‐‐‐+‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
2 | 8.848 2 0.0120
‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐‐
H0: no serial correlation