1 Réponse. Ce que vous supposez dans un modèle de régression linéaire, c'est que le terme d'erreur est un processus de bruit blanc et, par conséquent, il doit être stationnaire. Il n'y a aucune hypothèse que les variables indépendantes ou dépendantes soient stationnaires.
La stationnarité est-elle requise pour la régression ?
Un test de stationnarité des variables est nécessaire car Granger et Newbold (1974) ont constaté que les modèles de régression pour les variables non stationnaires donnent des résultats erronés. … Étant donné que les deux séries sont croissantes, c'est-à-dire non stationnaires, elles doivent être converties en séries stationnaires avant d'effectuer une analyse de régression.
La régression linéaire nécessite-t-elle une standardisation ?
Dans l'analyse de régression, vous devez normaliser les variables indépendantes lorsque votre modèle contient des termes polynomiaux pour modéliser la courbure ou les termes d'interaction. … Ce problème peut obscurcir la signification statistique des termes du modèle, produire des coefficients imprécis et rendre plus difficile le choix du bon modèle.
Quelles sont les trois exigences de la régression linéaire ?
Linéarité: La relation entre X et la moyenne de Y est linéaire. Homoscédasticité: La variance du résidu est la même pour toute valeur de X. Indépendance: Les observations sont indépendantes les unes des autres. Normalité: pour toute valeur fixe de X, Y est distribué normalement.
MCO suppose-t-il la stationnarité ?
Concernant la non-stationnarité, elle n'est pas couverte par les hypothèses OLS, donc les estimations OLS ne seront plus BLEUES si vos données ne sont pas stationnaires. Bref, vous ne voulez pas ça. De plus, cela n'a pas de sens d'avoir une variable stationnaire expliquée par une marche aléatoire, ou vice versa.
