Méthodes de prévision (STT-3220)

Section 2
Tests d’hétéroskédasticité: Test de
Goldfeld-Quandt

Version: 17 août 2005

 Test de Goldfeld-Quandt

 Afin de motiver le test, supposons le modèle:

yt   0  1 xt   t
 Supposons que l’on désire confronter:
2 2
H0 :   t
2 2 2
H1 :       
1 2 n

2 2
 Exemple:  x
t t

2 STT-3220; Méthodes de prévision

 Test de Goldfeld-Quandt (suite)

 Le test est similaire au « test préliminaire », mais

l’esprit est assez différent.
 La procédure suggère d’effectuer deux régressions:
– l’une avec les erreurs de petites variances,
– l’autre avec les erreurs de grandes variances.
 Si les variances résiduelles sont approximativement
égales, on ne rejette pas; sinon on rejette la nulle.

3 STT-3220; Méthodes de prévision

 Mise en œuvre du test de Goldfeld-
Quandt

 1. Ordonner les données selon la variable x:

x1  x2    xn
 2. Omettre les d observations du milieu. Par
exemple, d = n/5.
 3. Faire deux régressions:
– 3.1 Une avec les premières (n-d)/2 observations.
– 3.2 Une avec les dernières (n-d)/2 observations.

4 STT-3220; Méthodes de prévision

 Mise en œuvre du test de Goldfeld-
Quandt (suite)

 4. Poser: RSS1  ˆ ˆ T
1 1

RSS 2  ˆ ˆ2 T
2

  RSS 2 / RSS1

 5. Sous la nulle:
  RSS 2 / RSS1 : F( n  d ) / 2 p 1,( n d ) / 2 p 1
5 STT-3220; Méthodes de prévision
 Remarques sur le test de Goldfeld-
Quandt
 La loi du test repose sur la normalité des erreurs.
T
 Le modèle de régression est y  x   t on fait
t β quand
t . Mais
les deux régressions, on ne tient pas compte du fait que
c’est le même .
 Le choix de d est quelque peu arbitraire. Pour les
observations au centre, les erreurs sont
approximativement de même variance. Ces
observations contribuent peu à distinguer la variabilité
dans les deux groupes.
 On doit être en mesure d’ordonner selon la variabilité

6 STT-3220; Méthodes de prévision