Théorème de Gauss-Markov Flashcards et Quizzes

Module 1 : Concepts Fondamentaux du Théorème de Gauss-Markov

Ce module discute des principes de base de la régression linéaire qui sous-tendent le théorème de Gauss-Markov. Un modèle de régression linéaire est généralement décrit comme :

• Y : vecteur des valeurs dépendantes observées.
• X : matrice de conception contenant les variables indépendantes.
• β : vecteur des coefficients que nous cherchons à estimer.
• ε : terme d'erreur représentant les déviations aléatoires de la ligne de régression.

Nous cherchons à ajuster une ligne droite à un ensemble de points de données. Les erreurs de mesure et les écarts sont pris en compte à travers le terme d'erreur (ε), supposé suivre un certain modèle de distribution. Un estimateur est dit sans biais si sa valeur attendue correspond à la valeur réelle du paramètre estimé, ce qui peut être exprimé mathématiquement par :

E(β̂) : valeur attendue de l'estimateur, β : valeur réelle du paramètre.

En résumé

Les notions de base du théorème sont essentielles pour avancer vers des analyses plus complexes.

Module 2 : Preuve et Implications du Théorème de Gauss-Markov

Ce module approfondit la preuve du théorème de Gauss-Markov, mettant en lumière les propriétés des estimateurs linéaires sans biais. Nous examinons comment, parmi tous les estimateurs linéaires, l'estimateur OLS a la variance la plus faible.

Pour illustrer cela, nous considérons deux estimateurs : un estimateur linéaire sans biais noté β et l'estimateur OLS noté β̂. Les conditions énoncées par le théorème (linéarité, échantillonnage aléatoire, absence de multicolinéarité parfaite, homoscédasticité, exogénéité) doivent être satisfaites. La preuve implique de montrer que la variance de toute combinaison linéaire d'estimateurs sans biais est supérieure ou égale à celle de l'estimateur OLS, formellement représentée par :

Var(β) ≥ Var(β̂)

Cela démontre que l'estimateur OLS est le plus efficace, renforçant ses applications dans les statistiques.