Simulation Based Finite and Large Sample Tests in Multivariate Regressions

Dans le contexte des modèles de régression multivariés (MLR), il est bien connu que les tests asymptotiques usuels tendent à rejeter trop souvent les hypothèse considérées. Dans cet article, nous proposons une méthode générale qui permet de construire des tests exacts pour des hypothèses possiblement non linéaires sur les coefficients de tels modèles. Pour le cas des hypothèse uniformes linéaires, nous présentons des résultats sur la distribution exacte de plusieurs statistiques de test usuelles. Ces dernières incluent le critère du quotient de vraisemblance (Wilks), de même que les critères de la trace et de la racine maximale. L'hypothèse de normalité des erreurs n'est pas requise pour la plupart des résultats présentés. Ceux-ci ont deux types de conséquences pour l'inférence statistique. Premièrement, l'invariance par rapport aux paramètres de nuisance signifie que l'on peut appliquer la technique des tests de Monte Carlo afin de construire des tests exacts pour les hypothèses uniformes linéaires. Deuxième-ment, nous montrons comment exploiter cette propriété afin d'obtenir des bornes sans paramètres de nuisance sur la distribution des statistiques de quotient de vraisemblance pour des hypothèses générales. Même si les bornes ne sont pas faciles à calculer par des moyens analytiques, on peut les simuler aisément et ainsi effectuer des tests de Monte Carlo à bornes. Nous présentons une expérience de simulation qui montre que ces bornes sont suffisamment serrées pour fournir des résultats concluants avec une forte probabilité. Nos résultats démontrent la valeur de ces bornes comme instrument à utiliser conjointement avec des méthodes d'inférence simulée plus traditionnelles (telles que le bootstrap paramétrique) que l'on peut appliquer lorsque le test à borne n'est pas concluant.
[ - ]
[ + ]