Séance de cours

Régression des prix des maisons: Exploration des hypothèses OLS

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

FIN-403: Econometrics

The course covers basic econometric models and methods that are routinely applied to obtain inference results in economic and financial applications. ...

Description

Cette séance de cours explore les aspects pratiques de l'utilisation des régressions des moindres carrés ordinaires (OLS) pour l'analyse des prix des maisons. Les sujets abordés comprennent linterprétation des modèles linéaires, la manipulation des valeurs aberrantes, lévaluation des observations influentes, la spécification des modèles et les stratégies de sélection des modèles. L'instructeur démontre ces concepts à travers une étude de cas sur les régressions des prix des maisons à l'aide de commandes Stata. Des tests de diagnostic tels que RESET, VIF, DFBETA et avplots sont appliqués pour évaluer les hypothèses et les performances du modèle. En outre, la séance de cours traite de l'importance de présenter efficacement les résultats de régression, y compris les tableaux de régression et les diagrammes de diagnostic.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Andreas Fuster

Andreas Fuster is an Associate Professor of Finance at Swiss Finance Institute @ EPFL and a Research Fellow at the CEPR. Previously, he worked at the Federal Reserve Bank of New York and the Swiss National Bank. Andreas's main research interests are in empirical finance, macroeconomics, and behavioral economics. His recent work has focused in particular on the effects of technological advances on household credit markets. Andreas’s research has been published in academic journals such as the Quarterly Journal of Economics, the Review of Economic Studies, the Journal of Finance, and the Review of Financial Studies. Andreas obtained his Ph.D. from Harvard University and also holds an M.Phil. from Oxford University and a B.A. from the University of Lausanne (Switzerland), all in economics.

Source officielle

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Concepts associés (32)

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Régression non linéaire

Une régression non linéaire consiste à ajuster un modèle, en général non linéaire, y = ƒa1, ..., am(x) pour un ensemble de valeurs (xi, yi)1 ≤ i ≤ n. Les variables xi et yi peuvent être des scalaires ou des vecteurs. Par « ajuster », il faut comprendre : déterminer les paramètres de la loi, (a1, ..., am), afin de minimiser S = ||ri||, avec : ri = yi - ƒa1, ..., am(xi). ||...|| est une norme. On utilise en général la norme euclidienne, ou norme l2 ; on parle alors de méthode des moindres carrés.

Robust regression

In robust statistics, robust regression seeks to overcome some limitations of traditional regression analysis. A regression analysis models the relationship between one or more independent variables and a dependent variable. Standard types of regression, such as ordinary least squares, have favourable properties if their underlying assumptions are true, but can give misleading results otherwise (i.e. are not robust to assumption violations).

Dependent and independent variables

Dependent and independent variables are variables in mathematical modeling, statistical modeling and experimental sciences. Dependent variables are studied under the supposition or demand that they depend, by some law or rule (e.g., by a mathematical function), on the values of other variables. Independent variables, in turn, are not seen as depending on any other variable in the scope of the experiment in question. In this sense, some common independent variables are time, space, density, mass, fluid flow rate, and previous values of some observed value of interest (e.

Modèle linéaire

vignette|Données aléatoires sous forme de points, et leur régression linéaire. Un modèle linéaire multivarié est un modèle statistique dans lequel on cherche à exprimer une variable aléatoire à expliquer en fonction de variables explicatives X sous forme d'un opérateur linéaire. Le modèle linéaire est donné selon la formule : où Y est une matrice d'observations multivariées, X est une matrice de variables explicatives, B est une matrice de paramètres inconnus à estimer et U est une matrice contenant des erreurs ou du bruit.

Afficher plus

Séances de cours associées (64)

Régression linéaire: Multicolinéarité, Outliers, Spécification du modèle

Couvre la multicolinéarité, les valeurs aberrantes, la spécification du modèle et les stratégies pratiques en régression linéaire.

Analyse bivariée des données : corrélation et régression

Explore l'analyse de données bivariées, la corrélation et les techniques de régression pour l'évaluation des modèles.

Régression Diagnostics

Couvre les diagnostics de régression pour les modèles linéaires, en soulignant limportance de vérifier les hypothèses et didentifier les valeurs aberrantes et les observations influentes.

Vérification du modèle et des résidus

Explore la vérification du modèle et les résidus dans lanalyse de régression, en soulignant limportance des diagnostics pour assurer la validité du modèle.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Afficher plus

Concepts associés (32)

Régression linéaire

Régression non linéaire

Robust regression

Dependent and independent variables

Modèle linéaire

Afficher plus