« Hétéroscédasticité » : différence entre les versions


Aucun résumé des modifications
m (Remplacement de texte : « ↵<small> » par «  ==Sources== »)
 
(2 versions intermédiaires par un autre utilisateur non affichées)
Ligne 1 : Ligne 1 :
== Définition ==
== Définition ==
En statistique, on parle d'hétéroscédasticité lorsque la variance des termes d'erreur (résidus) n'est pas constante.  
En statistique, on parle d'hétéroscédasticité lorsque la variance des termes d'erreur (résidus) n'est pas constante.  
Autrement dit, la dispersion (variance) des erreurs change quand on s'intéresse aux différentes valeurs de la variable indépendante.


== Compléments ==  
== Compléments ==  
Ligne 7 : Ligne 9 :
Voir [[homoscédasticité]]
Voir [[homoscédasticité]]
<hr/>
<hr/>
L'hétéroscédasticité est particulièrement utilisée dans les modèles de régression.  
L'hétéroscédasticité est particulièrement utilisée dans les modèles de [[régression]].  


== Français ==
== Français ==
Ligne 17 : Ligne 19 :
''' heteroscedasticity'''
''' heteroscedasticity'''


<small>
 
==Sources==


[https://fr.wikipedia.org/wiki/H%C3%A9t%C3%A9rosc%C3%A9dasticit%C3%A9  Source : Wikipedia]
[https://fr.wikipedia.org/wiki/H%C3%A9t%C3%A9rosc%C3%A9dasticit%C3%A9  Source : Wikipedia]

Dernière version du 27 janvier 2024 à 23:39

Définition

En statistique, on parle d'hétéroscédasticité lorsque la variance des termes d'erreur (résidus) n'est pas constante.

Autrement dit, la dispersion (variance) des erreurs change quand on s'intéresse aux différentes valeurs de la variable indépendante.

Compléments

Cette notion provient du grec et est composée du préfixe hétéro- (autre), et de skedasê (dissipation). Une collection de variables aléatoires est hétéroscédastique s'il y a des sous-populations qui ont des variabilités différentes des autres.


Voir homoscédasticité


L'hétéroscédasticité est particulièrement utilisée dans les modèles de régression.

Français

hétéroscédasticité

hétéroscédastique (adjectif)

Anglais

heteroscedasticity


Sources

Source : Wikipedia

Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 page 200.

Source : OQLF

Source: WallStreetMojo