Aller au contenu principal
econometrie-1 · L2

L'hétéroscédasticité : quand la variance des erreurs n'est pas constante

L'hétéroscédasticité est la violation de l'hypothèse d'homoscédasticité en régression linéaire : la variance des erreurs Var(ε|X) n'est plus constante mais dépend des valeurs des régresseurs ou d'autres facteurs. En L2…

7 questions Corrections détaillées Niveau L2
16 min de cours ~5 min de QCM 8 sections Intermédiaire
1 Introduction 16 min restant
1

hétéroscédasticité

L'hétéroscédasticité est la violation de l'hypothèse d'homoscédasticité en régression linéaire : la variance des erreurs Var(ε|X) n'est plus constante mais dépend des valeurs des régresseurs ou d'autres facteurs. En L2 économétrie, c'est l'une des violations d'hypothèses MCO les plus fréquentes — typique des modèles…

2

Objectifs d'apprentissage

  • Définir homoscédasticité et hétéroscédasticité des erreurs
  • Analyser les conséquences sur les MCO (biais, efficience, écarts-types)
  • Détecter l'hétéroscédasticité via graphiques et tests (White, Breusch-Pagan)
  • Appliquer les corrections : erreurs-types robustes (White/HC) et MCO pondérés (WLS)
  • Distinguer hétéroscédasticité, autocorrélation et multicolinéarité
3

Concepts clés à maîtriser

Homoscédasticité vs hétéroscédasticité

Intermédiaire
Homoscédasticité : Var(εᵢ|X) = σ² constante pour tout i. Hétéroscédasticité : Var(εᵢ|X) = σ²ᵢ dépend de X ou de i.
Homo = même variance ; hétéro = variance différente selon les observations (entonnoir sur le graphique résidus/Ŷ).
Erreur fréquente : confondre avec E(ε|X) = 0 (exogénéité) ou avec l'autocorrélation.
Homoscédasticité : Var(ε|X) = σ² ; Hétéroscédasticité : Var(ε|X) = h(X)

Conséquences sur les MCO

Intermédiaire
Sous hétéroscédasticité, β̂ reste sans biais et convergent, mais n'est plus BLUE (inefficace) ; les SE(β̂) usuels sont faux.
Les coefficients sont corrects en moyenne, mais les tests et intervalles de confiance sont invalides.
QCM classique : « sans biais mais inefficients avec des écarts-types incorrects ».

Détection graphique

Intermédiaire
Graphique des résidus vs valeurs ajustées Ŷ ou vs X : un « entonnoir » (fan shape) suggère l'hétéroscédasticité.
Si la dispersion des résidus s'élargit ou se resserre selon Ŷ, la variance n'est pas constante.
Compléter le diagnostic graphique par un test formel (White ou Breusch-Pagan).

Tests de White et Breusch-Pagan

Intermédiaire
White : régresse ε̂² sur X, X² et interactions ; teste l'homoscédasticité sans forme paramétrique. Breusch-Pagan : régresse ε̂² sur X ; H₀ = homoscédasticité.
Si les régresseurs expliquent la variance des résidus, l'homoscédasticité est rejetée.
White détecte l'hétéroscédasticité ; Breusch-Pagan teste l'hétéroscédasticité (pas l'autocorrélation ni la normalité).
Breusch-Pagan : LM = n × R²_aux ~ χ²(k) sous H₀

Erreurs-types robustes (White/HC)

Intermédiaire
Estimateurs de la variance de β̂ robustes à l'hétéroscédasticité de forme inconnue (matrice « sandwich »).
Permettent des tests t et F valides asymptotiquement sans modifier β̂.
Utiliser quand on suspecte l'hétéroscédasticité ; ne corrige pas l'inefficience des β̂.

MCO pondérés (WLS) et forme log

Intermédiaire
WLS pondère chaque observation par l'inverse de la variance estimée. Le log de Y ou X peut stabiliser la variance.
Donner moins de poids aux observations très dispersées ; le log compresse les grandes valeurs.
Alternative aux SE robustes quand la forme de l'hétéroscédasticité est connue.
Quick check

Les écarts-types robustes de White sont utilisés quand :

4

Auteurs et références

Halbert White Test d'hétéroscédasticité et erreurs-types robustes (1980)
Trevor Breusch & Adrian Pagan Test LM d'hétéroscédasticité (1979)
James Wooldridge Diagnostic et correction en économétrie appliquée
Damodar Gujarati Hypothèses MCO et violations
  • White, H. (1980) — A Heteroskedasticity-Consistent Covariance Matrix Estimator, Econometrica
  • Breusch, T.; Pagan, A. (1979) — A Simple Test for Heteroscedasticity, Econometrica
  • Wooldridge, J. (2019) — Introductory Econometrics: A Modern Approach, Cengage
5

Pièges fréquents à éviter

Erreur Croire que l'hétéroscédasticité biaise les estimateurs MCO
Pourquoi Sous hétéroscédasticité, β̂ reste sans biais ; c'est l'efficience et les SE qui sont affectés.
Solution Retenir : sans biais mais inefficients, écarts-types incorrects.
Erreur Confondre test de White et test de Durbin-Watson
Pourquoi White teste l'hétéroscédasticité ; Durbin-Watson teste l'autocorrélation AR(1) des résidus.
Solution Associer White → variance ; DW → corrélation temporelle des erreurs.
Erreur Penser que les SE robustes corrigent l'inefficience des β̂
Pourquoi Les SE robustes corrigent l'inférence (tests, IC) mais ne rendent pas les MCO efficients.
Solution SE robustes = inférence valide ; WLS = efficience si forme de hétéroscédasticité connue.
Erreur Confondre hétéroscédasticité et multicolinéarité
Pourquoi L'hétéroscédasticité affecte Var(ε|X) ; la multicolinéarité gonfle les SE via la colinéarité entre X.
Solution Hétéroscédasticité → entonnoir sur résidus/Ŷ ; multicolinéarité → VIF élevé, coefficients instables.
Quick check

Les écarts-types robustes de White sont utilisés quand :

6

Questions types d'examen

  1. Quelles conséquences de l'hétéroscédasticité sur les estimateurs MCO ?
  2. Comment détecter graphiquement l'hétéroscédasticité ?
  3. Que teste le test de White ? Et le test de Breusch-Pagan ?
  4. Quand utiliser les erreurs-types robustes de White ?
  5. Quelle différence entre hétéroscédasticité et autocorrélation des résidus ?
7

À retenir

Hétéroscédasticité = Var(ε|X) non constante (violation de l'homoscédasticité). MCO : β̂ sans biais mais inefficients, SE usuels faux → tests invalides. Détection : graphique entonnoir (résidus vs Ŷ), tests White et Breusch-Pagan. Correction : SE robustes (White/HC) pour l'inférence, WLS ou forme log pour l'efficience. Ne pas confondre avec autocorrélation (DW) ni multicolinéarité (VIF). L'examinateur attend conséquences, tests et corrections.

8

Teste tes connaissances

7 questions disponibles

Choisis ton mode et entraîne-toi avec des corrections détaillées.

10

Questions fréquentes

Qu'est-ce que hétéroscédasticité en econometrie-1 ?

L'hétéroscédasticité est la violation de l'hypothèse d'homoscédasticité en régression linéaire : la variance des erreurs Var(ε|X) n'est plus constante mais dépend des valeurs des régresseurs ou d'autres facteurs. En L2 économétrie, c'est l'une des violations d'hypothèses MCO les plus fréquentes…

Combien de questions sont disponibles ?

CampusQCM propose 7 questions corrigées sur hétéroscédasticité avec explications pédagogiques détaillées.

Comment réviser hétéroscédasticité efficacement ?

Commencez par le mode Révision, lisez les corrections, refaites les erreurs après quelques jours, puis passez en mode Examen.

Ce QCM est-il adapté au programme de L2 ?

Oui, nos questions correspondent au programme officiel de L2 du cursus Economie.

Les QCM fonctionnent-ils sur mobile ?

Oui, CampusQCM est entièrement optimisé pour smartphones et tablettes. Révisez hétéroscédasticité où que vous soyez, vos scores se synchronisent entre vos appareils.

Les QCM sont-ils gratuits ?

Oui, tous nos QCM sont entièrement gratuits. Créer un compte vous permet de sauvegarder vos scores et suivre votre progression, mais ce n'est pas obligatoire.

← Notion précédente précision Notion suivante → test F

Continuer à réviser

🧠 Toutes les notions · Économétrie 1 📖 Hub Économétrie 1 📝 QCM · Residus 🔗 Hub global des notions 📘 Matières L2 📊 Parcours Économie ✍️ Conseils de révision Créer un compte gratuit Se connecter