Statistique et économétrie - Du modèle linéaire aux modèles non-linéaires

Synopsis Cet ouvrage présente les principaux modèles statistiques paramétriques dont l'objectif est d'expliquer une variable Y à partir de variables exogènes x : description et identifiabilité de modèle, estimations des paramètres, tests de sous-hypothèse, choix et validation de modèle, prédiction, étude asymptotique. Il y a deux grandes classes de modèles suivant que la dépendance dans le paramètre est linéaire ou non. La première partie est consacrée aux modèles linéaires : régression multiple, analyse de la variance, moindres carrés ordinaires ou généralisés, régressions empilées, régresseurs stochastiques, variables instrumentales, équations simultanées. La deuxième partie étudie les modèles non-linéaires et leur estimation par le maximum de vraisemblance : données Y binaires (régression logistique) ou polytomiques, modèles log-linéaires de tables de contingence, régressions non-linéaires, modèles paramétriques de durées censurées. En complément de ces études, le dernier chapitre introduit à la simulation, aux méthodes de Monte Carlo et aux techniques non-paramétriques de rééchantillonnage, ou Bootstrap. Une annexe regroupe les principaux outils probabilistes et statistiques utilisés. Des exercices corrigés accompagnent chaque chapitre. Ce livre devrait être utile aux étudiants de second cycle de mathématiques appliquées ou d'économétrie ainsi qu'aux étudiants de DESS, d'IUP, d'école d'ingénieur ou de toute autre formation incluant une orientation en modélisation statistique.

Cours issus des 1er et 2e cycles des facultés dans toutes les disciplines accompagnés parfois d’exercices et de conseils méthodologiques.
À propos de l'auteur
Xavier Guyon est professeur à l'Université Paris 1, membre du centre SAMOS (Statistique Appliquée et Modélisation Stochastique).