L’environnement logiciel Stata<\/strong> s’impose comme une r\u00e9f\u00e9rence incontournable pour la mise en \u0153uvre empirique de ces mod\u00e8les, gr\u00e2ce \u00e0 son architecture logicielle native et \u00e0 l’int\u00e9gration d’algorithmes de programmation lin\u00e9aire particuli\u00e8rement efficients. L’objectif de cet article est de proposer un guide exhaustif, exhaustif et hautement rigoureux pour la conduite d’analyses par r\u00e9gression quantile sous Stata. De la justification \u00e9pist\u00e9mologique et th\u00e9orique jusqu’\u00e0 la publication de visualisations graphiques avanc\u00e9es, chaque \u00e9tape du protocole analytique est d\u00e9taill\u00e9e, \u00e9tay\u00e9e par des syntaxes concr\u00e8tes et articul\u00e9e aux exigences de publication des revues scientifiques internationales \u00e0 comit\u00e9 de lecture.<\/p>\n La r\u00e9gression lin\u00e9aire par les Moindres Carr\u00e9s Ordinaires repose sur l’estimation de la fonction d’esp\u00e9rance conditionnelle, formellement exprim\u00e9e par l’\u00e9quation de l’esp\u00e9rance de la variable d\u00e9pendante sachant le vecteur de r\u00e9gresseurs. Cette formulation postule implicitement que le comportement moyen de la population r\u00e9sume de fa\u00e7on suffisante l’ensemble de la relation stochastique unissant les variables. Or, dans les distributions empiriques complexes, la moyenne constitue un indicateur de tendance centrale particuli\u00e8rement vuln\u00e9rable aux observations extr\u00eames et aux asym\u00e9tries s\u00e9v\u00e8res. En minimisant la somme du carr\u00e9 des r\u00e9sidus, les MCO accordent un poids quadratique disproportionn\u00e9 aux \u00e9carts marginaux, ce qui entra\u00eene une distorsion syst\u00e9matique des coefficients d\u00e8s lors que des queues de distribution \u00e9paisses caract\u00e9risent les donn\u00e9es.<\/p>\n Au-del\u00e0 de cette vuln\u00e9rabilit\u00e9 intrins\u00e8que, le mod\u00e8le lin\u00e9aire classique impose l’hypoth\u00e8se restrictive d’homosc\u00e9dasticit\u00e9, selon laquelle la variance des termes d’erreur conditionnels demeure rigoureusement constante sur l’ensemble de l’espace des covariables. Cette contrainte implique une invariance des effets marginaux \u00e0 travers toute la distribution : l’effet d’une variation marginale du pr\u00e9dicteur est postul\u00e9 comme identique, que le sujet se situe au 5e percentile, \u00e0 la m\u00e9diane ou au 95e percentile de la variable d\u00e9pendante. Une telle hypoth\u00e8se s’av\u00e8re particuli\u00e8rement irr\u00e9aliste dans les sciences sociales, m\u00e9dicales et comportementales, o\u00f9 les individus pr\u00e9sentant des caract\u00e9ristiques basales contrast\u00e9es r\u00e9agissent fr\u00e9quemment de fa\u00e7on h\u00e9t\u00e9rog\u00e8ne \u00e0 une m\u00eame impulsion ou intervention.<\/p>\n Cette simplification excessive engendre une perte dramatique d’informations critiques sur l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 non observ\u00e9e et la structure sous-jacente des sous-populations \u00e9tudi\u00e9es. En r\u00e9duisant la multiplicit\u00e9 des trajectoires individuelles \u00e0 une seule droite moyenne, les MCO masquent des ph\u00e9nom\u00e8nes de divergence distributionnelle majeurs. Par exemple, une politique \u00e9ducative peut n’exercer aucun effet moyen discernable tout en am\u00e9liorant significativement les scores des \u00e9l\u00e8ves les plus en difficult\u00e9 et en p\u00e9nalisant les \u00e9l\u00e8ves les plus performants. Les MCO concluraient fallacieusement \u00e0 l’inutilit\u00e9 de l’intervention, l\u00e0 o\u00f9 une perspective distributionnelle r\u00e9v\u00e9lerait des r\u00e9allocations substantielles au sein de la population cible.<\/p>\n Pour d\u00e9passer ces restrictions structurelles, la r\u00e9gression quantile reformule le probl\u00e8me d’optimisation en substituant \u00e0 la fonction de perte quadratique sym\u00e9trique des MCO une fonction de perte asym\u00e9trique par morceaux, d\u00e9sign\u00e9e dans la litt\u00e9rature sous le vocable de \u00ab check function \u00bb ou fonction de contr\u00f4le quantile, not\u00e9e rh\u00f4 d’indice tau. Formalis\u00e9e par Koenker et Bassett (1978)<\/a>, cette fonction applique une p\u00e9nalisation diff\u00e9rentielle aux r\u00e9sidus positifs et n\u00e9gatifs selon le quantile cible tau, o\u00f9 tau appartient \u00e0 l’intervalle ouvert ]0, 1[.<\/p>\n Math\u00e9matiquement, pour un quantile tau donn\u00e9, le r\u00e9sidu positif est pond\u00e9r\u00e9 par tau, tandis que le r\u00e9sidu n\u00e9gatif est pond\u00e9r\u00e9 en valeur absolue par le facteur compl\u00e9mentaire (1 – tau). D\u00e8s lors, l’estimateur de r\u00e9gression quantile s’obtient par la minimisation globale de la somme pond\u00e9r\u00e9e des \u00e9carts absolus entre les observations empiriques et la combinaison lin\u00e9aire des covariables. Dans le cas sp\u00e9cifique o\u00f9 tau est \u00e9gal \u00e0 0.50, correspondant \u00e0 la r\u00e9gression m\u00e9diane (ou m\u00e9thode des Moindres D\u00e9viations Absolues), les poids deviennent sym\u00e9triques et l’algorithme minimise simplement la somme des valeurs absolues des r\u00e9sidus, conf\u00e9rant \u00e0 l’estimateur une robustesse exceptionnelle face aux valeurs aberrantes.<\/p>\n La non-d\u00e9rivabilit\u00e9 de la fonction de perte absolue \u00e0 l’origine interdit le recours direct aux m\u00e9thodes de d\u00e9rivation analytique conventionnelles telles que les \u00e9quations normales de Gauss-Markov. La r\u00e9solution du probl\u00e8me d’optimisation n\u00e9cessite donc un passage vers les m\u00e9thodes de programmation lin\u00e9aire, plus pr\u00e9cis\u00e9ment par l’interm\u00e9diaire de l’algorithme du simplexe modifi\u00e9, optimis\u00e9 pour les m\u00e9triques de type L1 par Barrodale et Roberts, ou par des algorithmes de points int\u00e9rieurs adapt\u00e9s aux matrices volumineuses. L’estimateur quantile ainsi d\u00e9riv\u00e9 poss\u00e8de des propri\u00e9t\u00e9s de robustesse semi-param\u00e9trique remarquables, conservant sa convergence et son efficacit\u00e9 asymptotique m\u00eame en pr\u00e9sence d’erreurs non gaussiennes, tout en permettant d’interpr\u00e9ter chaque quantile conditionnel tau comme un seuil probabiliste param\u00e9trique pr\u00e9cis au sein de la distribution.<\/p>\n L’apport de la r\u00e9gression quantile s’av\u00e8re fondamental dans les disciplines confront\u00e9es \u00e0 des r\u00e9ponses comportementales ou cliniques hautement diff\u00e9renci\u00e9es. En psychom\u00e9trie, en neuropsychologie et en psychiatrie quantitative, les chercheurs s’int\u00e9ressent rarement au comportement de l’individu moyen th\u00e9orique ; la focale clinique se porte pr\u00e9f\u00e9rentiellement sur les sujets extr\u00eames, tels que les individus pr\u00e9sentant une symptomatologie anxieuse invalidante ou des \u00e9pisodes d\u00e9pressifs s\u00e9v\u00e8res. L’impact d’une psychoth\u00e9rapie ou d’un biomarqueur peut se r\u00e9v\u00e9ler marginal chez les sujets pr\u00e9sentant des niveaux de d\u00e9tresse mod\u00e9r\u00e9s, tout en d\u00e9ployant une amplitude th\u00e9rapeutique massive chez les patients ancr\u00e9s dans les percentiles sup\u00e9rieurs de gravit\u00e9.<\/p>\n Par ailleurs, les instruments d’\u00e9valuation psychom\u00e9triques et les \u00e9chelles de Likert cumulent fr\u00e9quemment des artefacts distributionnels sous forme d’effets de plafond ou d’effets de plancher. Ces distorsions surviennent lorsqu’une proportion importante de l’\u00e9chantillon atteint les bornes minimales ou maximales de l’instrument de mesure, violant de facto la normalit\u00e9 bivari\u00e9e requise par les approches param\u00e9triques traditionnelles. La r\u00e9gression quantile traite nativement ces configurations sans n\u00e9cessiter de censure artificielle ni de corrections ad hoc, en mod\u00e9lisant pr\u00e9cis\u00e9ment les segments de distribution pr\u00e9serv\u00e9s de ces saturations instrumentales.<\/p>\n Enfin, la mod\u00e9lisation quantile permet d’explorer des ph\u00e9nom\u00e8nes d’interaction complexes et des variations d’\u00e9lasticit\u00e9 qui \u00e9chappent int\u00e9gralement aux mod\u00e8les de moyenne conditionnelle. Les variations de pentes estim\u00e9es \u00e0 travers l’\u00e9ventail des quantiles permettent de d\u00e9celer des changements d’\u00e9chelle (scale shifts) ou des asym\u00e9tries de forme (shape shifts) de la distribution induits par les variables ind\u00e9pendantes. Cette capacit\u00e9 d’investigation en profondeur fait de la r\u00e9gression quantile un outil privil\u00e9gi\u00e9 pour tester des th\u00e9ories psychologiques postulant une vuln\u00e9rabilit\u00e9 diff\u00e9rentielle des individus selon leur profil cognitif ou \u00e9motionnel initial.<\/p>\n Le premier atout distinctif de la r\u00e9gression quantile sous Stata r\u00e9side dans son affranchissement total vis-\u00e0-vis de l’hypoth\u00e8se de normalit\u00e9 des r\u00e9sidus conditionnels. Contrairement aux estimateurs par MCO qui exigent une distribution d’erreur gaussienne pour garantir la validit\u00e9 exacte des tests de Student et de Fisher en \u00e9chantillons finis, l’estimateur quantile s’appuie sur la th\u00e9orie asymptotique de la distribution des rangs et des d\u00e9viations absolues. Cette caract\u00e9ristique lui conf\u00e8re une insensibilit\u00e9 structurelle face aux distributions leptokurtiques ou bimodales couramment rencontr\u00e9es dans l’analyse de donn\u00e9es d’enqu\u00eates ou de registres sanitaires.<\/p>\n En corollaire, la r\u00e9gression quantile neutralise l’impact d\u00e9l\u00e9t\u00e8re des valeurs aberrantes (outliers) situ\u00e9es sur la variable d\u00e9pendante. Dans un cadre MCO, un unique point distant peut exercer un effet de levier disproportionn\u00e9 et faire basculer la pente globale du mod\u00e8le. En revanche, dans le paradigme quantile, le d\u00e9placement arbitraire d’une observation vers l’infini positif ou n\u00e9gatif ne modifie en rien la position du quantile conditionnel, tant que le signe du r\u00e9sidu demeure inchang\u00e9. Cette propri\u00e9t\u00e9 d’invariance \u00e9limine l’arbitraire li\u00e9 \u00e0 l’\u00e9lagage manuel ou \u00e0 la winsorisation des \u00e9chantillons empiriques, garantissant l’int\u00e9grit\u00e9 de la collecte initiale.<\/p>\n De surcro\u00eet, la m\u00e9thode pr\u00e9serve la m\u00e9trique originale des grandeurs mesur\u00e9es, \u00e9vitant ainsi le recours syst\u00e9matique et probl\u00e9matique aux transformations non lin\u00e9aires, telles que la transformation logarithmique standard. Si la log-transformation permet fr\u00e9quemment de stabiliser la variance, elle complique singuli\u00e8rement la r\u00e9interpr\u00e9tation des r\u00e9sultats sur l’\u00e9chelle naturelle en raison du biais induit par l’in\u00e9galit\u00e9 de Jensen lors de la r\u00e9-exponentiation de l’esp\u00e9rance conditionnelle. La r\u00e9gression quantile, b\u00e9n\u00e9ficiant de la propri\u00e9t\u00e9 d’\u00e9quivariance aux transformations monotones croissantes, garantit que le quantile de la fonction transform\u00e9e co\u00efncide rigoureusement avec la transformation du quantile initial, simplifiant substantiellement l’inf\u00e9rence substantive.<\/p>\n L’estimation conjointe ou s\u00e9quentielle de multiples fractiles conditionnels transforme une r\u00e9gression conventionnelle univari\u00e9e en un v\u00e9ritable scan tomographique de la relation statistique. En param\u00e9trant simultan\u00e9ment des quantiles inf\u00e9rieurs (ex. tau = 0.10), m\u00e9dians (tau = 0.50) et sup\u00e9rieurs (tau = 0.90), le chercheur n’est plus cantonn\u00e9 \u00e0 une approximation unilat\u00e9rale de l’esp\u00e9rance, mais reconstitue la forme globale de la densit\u00e9 conditionnelle de la variable de r\u00e9ponse.<\/p>\n Cette d\u00e9composition multi-quantiles constitue un outil analytique d’une rare \u00e9l\u00e9gance pour diagnostiquer et caract\u00e9riser l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 empirique. Alors qu’un mod\u00e8le MCO diagnostique l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sous forme d’une nuisance statistique invalidant le calcul classique des erreurs-types \u2014 n\u00e9cessitant le recours aux correctifs de White ou de Huber-White \u2014, la r\u00e9gression quantile \u00e9rige l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 en objet d’\u00e9tude substantif. La divergence g\u00e9om\u00e9trique observ\u00e9e entre les pentes des quantiles inf\u00e9rieurs et sup\u00e9rieurs t\u00e9moigne directement d’une expansion ou d’une contraction de la dispersion conditionnelle sous l’effet du r\u00e9gresseur.<\/p>\n D’un point de vue clinique ou \u00e9conomique, cette caract\u00e9risation permet d’\u00e9valuer de mani\u00e8re tr\u00e8s fine comment l’amplitude de l’effet d’un traitement varie en fonction du niveau de base du sujet. En \u00e9pid\u00e9miologie sociale, par exemple, cela permet de v\u00e9rifier si un programme de r\u00e9insertion pr\u00e9sente des rendements marginaux d\u00e9croissants ou croissants le long de l’\u00e9chelle des revenus ou des comp\u00e9tences professionnelles, offrant ainsi aux d\u00e9cideurs institutionnels des donn\u00e9es probantes pour cibler optimalement l’allocation des ressources publiques.<\/p>\n En d\u00e9pit de sa flexibilit\u00e9, la r\u00e9gression quantile impose des exigences m\u00e9thodologiques rigoureuses qui conditionnent la validit\u00e9 de l’inf\u00e9rence, au premier rang desquelles figure la taille d’\u00e9chantillon. La pr\u00e9cision de l’estimateur quantile d\u00e9pend directement de la densit\u00e9 locale d’observations disponibles au voisinage imm\u00e9diat du quantile cibl\u00e9, formalis\u00e9e par la fonction de densit\u00e9 de probabilit\u00e9 au point d’\u00e9valuation. Plus le quantile recherch\u00e9 s’\u00e9loigne du centre de la distribution pour s’approcher des queues extr\u00eames (telles que tau = 0.01 ou tau = 0.99), plus la raret\u00e9 des points d’observation augmente, ce qui entra\u00eene une inflation de la variance d’\u00e9chantillonnage.<\/p>\n Il est commun\u00e9ment admis qu’un \u00e9chantillon consid\u00e9r\u00e9 comme suffisant pour ajuster une r\u00e9gression MCO moyenne (par exemple, 100 \u00e0 150 observations) peut s’av\u00e9rer d\u00e9ficitaire pour estimer un quantile 0.90 ou 0.95 avec un niveau d’erreur-type acceptable. L’estimation des quantiles extr\u00eames n\u00e9cessite des effectifs substantiels pour assurer la convergence asymptotique de l’algorithme et \u00e9viter des instabilit\u00e9s d’\u00e9chantillonnage majeures pouvant conduire \u00e0 des chevauchements paradoxaux de quantiles conditionnels (quantile crossing), o\u00f9 le quantile pr\u00e9dit sup\u00e9rieur deviendrait localement inf\u00e9rieur au quantile m\u00e9dian.<\/p>\n Un autre pr\u00e9requis statistique concerne la granularit\u00e9 de la variable d\u00e9pendante. La r\u00e9gression quantile repose th\u00e9oriquement sur l’hypoth\u00e8se d’une variable de r\u00e9ponse continue poss\u00e9dant une fonction de r\u00e9partition strictement croissante. L’application directe des algorithmes d’optimisation L1 sur des donn\u00e9es fortement discr\u00e9tis\u00e9es, des variables de comptage \u00e0 faible \u00e9tendue ou des \u00e9chelles ordinales courtes peut compromettre l’unicit\u00e9 de la solution de programmation lin\u00e9aire et induire des plateaux d’ind\u00e9termination dans le calcul des r\u00e9sidus, imposant alors l’utilisation de techniques d’adjonction de bruit continu contr\u00f4l\u00e9 (jittering) pour r\u00e9tablir la continuit\u00e9 distributionnelle.<\/p>\n La conduite d’une analyse \u00e9conom\u00e9trique rigoureuse sous Stata d\u00e9bute imp\u00e9rativement par la standardisation de l’espace de travail et la s\u00e9curisation des processus computationnels. Il convient d’initialiser syst\u00e9matiquement la session logicielle en nettoyant l’environnement de m\u00e9moire vive pr\u00e9existant et en param\u00e9trant les flux de sortie. L’ex\u00e9cution de la directive clear all<\/em> garantit la purge int\u00e9grale des matrices, macros et jeux de donn\u00e9es r\u00e9siduels, \u00e9vitant ainsi toute contamination crois\u00e9e entre projets analytiques.<\/p>\n Parall\u00e8lement, la tenue d’un fichier journal d’enregistrement constitue une obligation d\u00e9ontologique assurant la tra\u00e7abilit\u00e9 int\u00e9grale des calculs. L’instruction log using<\/em>, compl\u00e9t\u00e9e par l’option replace<\/em> ou append<\/em>, permet de capturer dans un document textuel horodat\u00e9 l’ensemble des syntaxes compil\u00e9es et les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par le moteur d’ex\u00e9cution de Stata. Cette rigueur documentaire facilite la v\u00e9rification par les pairs et garantit la r\u00e9plicabilit\u00e9 exacte des estimations lors de la soumission de manuscrits scientifiques.<\/p>\n Pour des fins didactiques et m\u00e9thodologiques, l’exploitation d’un jeu de donn\u00e9es standardis\u00e9 s’av\u00e8re particuli\u00e8rement pertinente. Dans le cadre de ce guide, nous utiliserons le jeu de donn\u00e9es d’archive automobile disponible nativement dans l’environnement logiciel, charg\u00e9 via la commande sysuse auto, clear<\/em>. Pour des travaux empiriques originaux, le chercheur importera ses microdonn\u00e9es primaires en exploitant soit la commande use<\/em> pour les formats propri\u00e9taires Stata (.dta), soit la directive import delimited<\/em> pour les structures tabulaires d\u00e9limit\u00e9es issues d’entrep\u00f4ts de donn\u00e9es ou de logiciels tiers.<\/p>\n Une fois le jeu de donn\u00e9es import\u00e9, l’\u00e9valuation pr\u00e9alable de l’int\u00e9grit\u00e9 des m\u00e9triques s’impose avant toute tentative de mod\u00e9lisation stochastique. L’attention analytique doit se concentrer sur les variables cl\u00e9s qui structureront l’\u00e9quation \u00e9conom\u00e9trique, notamment la variable d\u00e9pendante repr\u00e9sentant la consommation de carburant exprim\u00e9e en miles par gallon (variable mpg<\/em>) et le r\u00e9gresseur continu principal mat\u00e9rialis\u00e9 par la masse du v\u00e9hicule mesur\u00e9e en livres (variable weight<\/em>).<\/p>\n L’inspection des donn\u00e9es est r\u00e9alis\u00e9e via l’ex\u00e9cution conjointe des commandes describe<\/em>, codebook<\/em> et inspect<\/em>. Ces outils procurent un inventaire exhaustif des valeurs uniques, de la compl\u00e9tude du codage et de l’existence \u00e9ventuelle de codes sentinelles traduisant des valeurs manquantes non r\u00e9pertori\u00e9es (telles que des valeurs -99 ou 999 parfois inject\u00e9es lors de la saisie). La d\u00e9tection rigoureuse des donn\u00e9es manquantes et leur conversion formelle en valeurs de syst\u00e8me manquantes sont d\u00e9terminantes, la r\u00e9gression quantile sous Stata appliquant par d\u00e9faut la suppression par observation compl\u00e8te (listwise deletion) pour l’ajustement du mod\u00e8le.<\/p>\n Il est \u00e9galement indispensable de valider le typage des variables d’int\u00e9r\u00eat. La variable de r\u00e9ponse doit imp\u00e9rativement afficher un statut num\u00e9rique continu \u00e0 double pr\u00e9cision, tandis que les covariables cat\u00e9gorielles potentielles \u2014 comme l’origine \u00e9trang\u00e8re ou domestique du v\u00e9hicule (variable foreign<\/em>) \u2014 doivent faire l’objet d’un \u00e9tiquetage minutieux via les commandes label define<\/em> et label values<\/em>. Cette formalisation s\u00e9mantique garantira une exploitation limpide de l’op\u00e9rateur de variables indicatrices de Stata lors de l’int\u00e9gration ult\u00e9rieure des effets fixes ou d’interaction.<\/p>\n La reproductibilit\u00e9 computationnelle constitue la cl\u00e9 de vo\u00fbte de la recherche contemporaine. L’ensemble des proc\u00e9dures analytiques doit \u00eatre consign\u00e9 au sein d’un fichier script Stata structur\u00e9, couramment d\u00e9sign\u00e9 sous le terme de Do-file<\/em>. Ce document doit pr\u00e9senter une architecture modulaire, segment\u00e9e en sections logiques identifi\u00e9es par des banni\u00e8res de commentaires acad\u00e9miques. L’en-t\u00eate du script documente syst\u00e9matiquement le titre de l’\u00e9tude, l’identit\u00e9 des investigateurs, la date de compilation et la version logicielle cible via l’instruction version 17<\/em> (ou version ult\u00e9rieure selon l’environnement d\u00e9ploy\u00e9).<\/p>\n Une pr\u00e9caution m\u00e9thodologique capitale consiste \u00e0 fixer explicitement la graine du g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires \u00e0 l’aide de l’instruction set seed<\/em>, compl\u00e9t\u00e9e par une cha\u00eene num\u00e9rique arbitraire mais constante. Cette \u00e9tape rev\u00eat un caract\u00e8re imp\u00e9ratif d\u00e8s lors que l’analyse int\u00e8gre des estimations quantiles multivari\u00e9es conjointes ou des proc\u00e9dures de r\u00e9\u00e9chantillonnage par bootstrap. L’omission de cette directive entra\u00eenerait une instabilit\u00e9 des \u00e9carts-types d’une ex\u00e9cution \u00e0 l’autre, compromettant la r\u00e9plication exacte des intervalles de confiance et des niveaux de significativit\u00e9 statistique rapport\u00e9s dans les publications.<\/p>\n Enfin, le Do-file doit int\u00e9grer des commentaires m\u00e9thodologiques substantiels explicitant la justification de chaque choix de mod\u00e9lisation. Plut\u00f4t que de consigner de simples syntaxes m\u00e9caniques, le chercheur prendra soin de documenter les raisons th\u00e9oriques motivant la s\u00e9lection des quantiles sp\u00e9cifiques, la gestion des non-lin\u00e9arit\u00e9s et les crit\u00e8res de robustesse retenus. Ce niveau d’exigence \u00e9ditoriale au sein du script fluidifie consid\u00e9rablement la phase ult\u00e9rieure de r\u00e9daction du manuscrit acad\u00e9mique et r\u00e9pond aux standards de transparence scientifique les plus stricts.<\/p>\n Avant de proc\u00e9der \u00e0 l’estimation proprement dite, il est indispensable de poser un diagnostic distributionnel pr\u00e9cis sur la variable d\u00e9pendante. L’analyse exploratoire d\u00e9bute par une appr\u00e9ciation graphique de la densit\u00e9 de distribution \u00e0 l’aide d’histogrammes superpos\u00e9s d’une estimation de densit\u00e9 par noyau non param\u00e9trique. Sous Stata, la commande histogram mpg, normal kdensity<\/em> permet de confronter simultan\u00e9ment la distribution empirique des donn\u00e9es, le profil th\u00e9orique de la loi normale cal\u00e9 sur la moyenne et l’\u00e9cart-type de l’\u00e9chantillon, et le trac\u00e9 liss\u00e9 de la densit\u00e9 par la m\u00e9thode d’Epanechnikov.<\/p>\n Pour ausculter plus finement le comportement des queues de distribution, le trac\u00e9 de graphiques quantile-quantile constitue une \u00e9tape diagnostique primordiale. L’instruction qnorm mpg<\/em> projette les quantiles observ\u00e9s contre les quantiles th\u00e9oriques attendus d’une loi gaussienne de param\u00e8tres identiques. D\u00e8s lors que la courbe empirique s’\u00e9carte significativement de la diagonale de r\u00e9f\u00e9rence \u00e0 45 degr\u00e9s \u2014 particuli\u00e8rement au niveau des extr\u00e9mit\u00e9s sup\u00e9rieure et inf\u00e9rieure \u2014, l’infirmation de l’hypoth\u00e8se de normalit\u00e9 devient visuellement patente, signalant la pr\u00e9sence d’une asym\u00e9trie positive ou d’un aplatissement prononc\u00e9.<\/p>\n Enfin, l’examen de la distribution conjointe bivari\u00e9e via un diagramme de dispersion enrichi d’un ajustement non param\u00e9trique local de type lowess<\/em> fournit un aper\u00e7u pr\u00e9coce des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s structurelles. La commande twoway (scatter mpg weight) (lowess mpg weight)<\/em> met en \u00e9vidence d’\u00e9ventuelles courbures ou un \u00e9cartement progressif du nuage de points au fur et \u00e0 mesure que le r\u00e9gresseur cro\u00eet. Cette configuration visuelle annonce une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 sous-jacente et sugg\u00e8re que la pente moyenne calcul\u00e9e par les MCO ne saurait r\u00e9sumer fid\u00e8lement la diversit\u00e9 des comportements le long de l’axe des abscisses.<\/p>\n L’intuition visuelle issue des repr\u00e9sentations graphiques doit \u00eatre rigoureusement confort\u00e9e par des proc\u00e9dures d’inf\u00e9rence statistique formelles et le calcul des moments empiriques d’ordre sup\u00e9rieur. L’ex\u00e9cution de la commande summarize mpg, detail<\/em> g\u00e9n\u00e8re un tableau synth\u00e9tique complet int\u00e9grant la moyenne, la variance, ainsi que les coefficients d’asym\u00e9trie (skewness) et d’aplatissement (kurtosis). Une distribution gaussienne pure se caract\u00e9rise par une asym\u00e9trie nulle et un kurtosis standardis\u00e9 \u00e9gal \u00e0 3. Tout \u00e9cart substantiel \u2014 notamment une valeur d’asym\u00e9trie exc\u00e9dant l’unit\u00e9 en valeur absolue \u2014 mat\u00e9rialise une d\u00e9viation distributionnelle majeure n\u00e9cessitant un mod\u00e8le alternatif aux MCO.<\/p>\n Pour statuer formellement sur ces d\u00e9viations, Stata propose une gamme \u00e9tendue de tests param\u00e9triques de normalit\u00e9. Le test de Shapiro-Wilk, sollicit\u00e9 via l’instruction swilk mpg<\/em>, confronte l’hypoth\u00e8se nulle selon laquelle l’\u00e9chantillon est issu d’une population normalement distribu\u00e9e contre l’hypoth\u00e8se d’une loi g\u00e9n\u00e9rale quelconque. Sa puissance statistique remarquable sur des \u00e9chantillons de taille faible \u00e0 mod\u00e9r\u00e9e en fait un test de premier choix. Lorsque la valeur p r\u00e9sultante s’\u00e9tablit en de\u00e7\u00e0 du seuil conventionnel de 0.05, l’hypoth\u00e8se de normalit\u00e9 est cat\u00e9goriquement rejet\u00e9e.<\/p>\n En compl\u00e9ment, le test de D’Agostino-Pearson, activ\u00e9 sous Stata par la commande sktest mpg<\/em>, \u00e9value de mani\u00e8re s\u00e9par\u00e9e puis conjointe la conformit\u00e9 des coefficients d’asym\u00e9trie et de kurtosis aux attentes th\u00e9oriques de la loi normale. Ce test fournit des statistiques de test distinctes pour le tiers et le quatri\u00e8me moment, permettant au biostatisticien ou \u00e0 l’\u00e9conom\u00e8tre de d\u00e9terminer avec pr\u00e9cision si la non-normalit\u00e9 d\u00e9rive d’une queue de distribution unilat\u00e9rale prononc\u00e9e ou d’une accumulation excessive d’observations autour du mode associ\u00e9e \u00e0 des queues dilat\u00e9es.<\/p>\n L’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 repr\u00e9sente l’argument m\u00e9thodologique le plus d\u00e9cisif pour justifier la transition des Moindres Carr\u00e9s Ordinaires vers la r\u00e9gression quantile. Lorsque la variance du terme de perturbation varie syst\u00e9matiquement avec les r\u00e9gresseurs, les estimateurs MCO conservent leur sans-biais mais perdent leur efficacit\u00e9 au sens du th\u00e9or\u00e8me de Gauss-Markov, tandis que l’inf\u00e9rence fond\u00e9e sur les erreurs-types conventionnelles devient invalide. Pour d\u00e9pister formellement cette distorsion, il convient d’ajuster pr\u00e9alablement le mod\u00e8le de r\u00e9gression lin\u00e9aire de r\u00e9f\u00e9rence, puis de mobiliser les outils de diagnostic post-estimation de Stata.<\/p>\n Apr\u00e8s l’estimation du mod\u00e8le lin\u00e9aire via regress mpg weight<\/em>, l’instruction estat hettest<\/em> d\u00e9ploie le test de Breusch-Pagan \/ Cook-Weisberg pour l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9. Ce test analyse si la variance des r\u00e9sidus d\u00e9pend lin\u00e9airement des valeurs pr\u00e9dites ou de covariables explicites. Une statistique de score associ\u00e9e \u00e0 une valeur p inf\u00e9rieure au seuil critique de 5 % apporte une r\u00e9futation formelle de l’homosc\u00e9dasticit\u00e9, d\u00e9montrant que la dispersion de la consommation automobile fluctue structurellement en fonction de la masse du v\u00e9hicule.<\/p>\n Ce r\u00e9sultat quantitatif doit \u00eatre corrobor\u00e9 visuellement par l’examen du graphique des r\u00e9sidus en fonction des valeurs ajust\u00e9es, obtenu via l’instruction rvfplot, yline(0)<\/em>. La pr\u00e9sence d’un motif r\u00e9siduel en \u00e9ventail (funnel shape) \u2014 o\u00f9 l’\u00e9cartement vertical des r\u00e9sidus s’\u00e9largit ou se resserre contin\u00fbment le long de l’axe des valeurs pr\u00e9dites \u2014 illustre parfaitement l’inad\u00e9quation d’une mod\u00e9lisation \u00e0 variance constante. Cette configuration prouve empiriquement que la distribution conditionnelle de la variable de r\u00e9ponse subit une d\u00e9formation morphologique d’ampleur, \u00e9tablissant la n\u00e9cessit\u00e9 m\u00e9thodologique absolue de recourir \u00e0 l’architecture de la r\u00e9gression quantile pour d\u00e9crypter cette variabilit\u00e9 sous-jacente.<\/p>\n Afin de constituer une ligne de base comparative indispensable \u00e0 l’\u00e9valuation des gains d’information procur\u00e9s par l’approche quantile, il convient d’estimer en premier lieu le mod\u00e8le de r\u00e9gression lin\u00e9aire classique par les Moindres Carr\u00e9s Ordinaires. Sous Stata, cette mod\u00e9lisation s’ex\u00e9cute \u00e0 l’aide de la commande regress<\/em>, syntaxe centrale du r\u00e9pertoire \u00e9conom\u00e9trique du logiciel. La syntaxe canonique s’\u00e9nonce simplement : regress mpg weight<\/em>, assignant \u00e0 la variable mpg<\/em> le statut de variable d\u00e9pendante et \u00e0 weight<\/em> celui de variable ind\u00e9pendante continue unique.<\/p>\n L’ajustement du mod\u00e8le produit un tableau d’estimation standardis\u00e9 structur\u00e9 en trois volets distincts : la table d’analyse de la variance (d\u00e9composant la somme des carr\u00e9s totale en fractions expliqu\u00e9e et r\u00e9siduelle), les m\u00e9triques d’ajustement global (notamment le coefficient de d\u00e9termination R-deux, le R-deux ajust\u00e9, et la statistique globale de Fisher), et enfin la table des coefficients de r\u00e9gression. Ce tableau fournit pour chaque param\u00e8tre l’estimation ponctuelle, l’erreur-type classique calcul\u00e9e sous hypoth\u00e8se d’homosc\u00e9dasticit\u00e9, la statistique t de Student associ\u00e9e, la valeur p bilat\u00e9rale ainsi que l’intervalle de confiance \u00e0 95 %.<\/p>\n Le coefficient de d\u00e9termination R-deux g\u00e9n\u00e9r\u00e9 par ce mod\u00e8le de base quantifie la proportion de la variance totale de la consommation expliqu\u00e9e par la variation lin\u00e9aire de la masse du v\u00e9hicule. Bien que cette m\u00e9trique atteigne fr\u00e9quemment des valeurs substantielles dans des configurations m\u00e9caniques \u00e9l\u00e9mentaires (g\u00e9n\u00e9ralement comprises entre 0.60 et 0.70 dans le jeu de donn\u00e9es auto<\/em>), elle n’offre aucune garantie quant \u00e0 la stabilit\u00e9 structurelle du coefficient estim\u00e9 sur les diff\u00e9rents segments de la population analys\u00e9e.<\/p>\n L’interpr\u00e9tation substantive du coefficient MCO obtenu proc\u00e8de de la d\u00e9riv\u00e9e partielle de l’esp\u00e9rance conditionnelle par rapport au pr\u00e9dicteur continu. Dans le cadre de notre sp\u00e9cification liant mpg<\/em> \u00e0 weight<\/em>, le coefficient estim\u00e9 s’\u00e9tablit approximativement \u00e0 -0.0060087 (arrondi pour des fins discursives \u00e0 -0.006). Dans le formatage de r\u00e9daction acad\u00e9mique standard, ce param\u00e8tre stipule qu’une augmentation unitaire de la masse du v\u00e9hicule d’une livre est associ\u00e9e, en moyenne sur l’ensemble de l’\u00e9chantillon, \u00e0 une r\u00e9duction de la consommation d’environ 0.006 mile par gallon. Exprim\u00e9 \u00e0 une \u00e9chelle industrielle plus lisible, un alourdissement de 1 000 livres induit une d\u00e9t\u00e9rioration moyenne du rendement \u00e9nerg\u00e9tique d’approximativement 6 miles par gallon.<\/p>\n L’examen de l’intervalle de confiance \u00e0 95 %, d\u00e9limit\u00e9 par des bornes rigoureusement n\u00e9gatives, permet de rejeter l’hypoth\u00e8se nulle d’absence d’effet lin\u00e9aire avec un niveau de confiance \u00e9lev\u00e9. Cependant, cette restitution lin\u00e9aire moyenne \u00e9lude une interrogation substantielle critique : ce co\u00fbt \u00e9nerg\u00e9tique li\u00e9 au surpoids s’exerce-t-il avec la m\u00eame intensit\u00e9 destructrice chez les v\u00e9hicules \u00e0 faible efficacit\u00e9 \u00e9nerg\u00e9tique (ceux caract\u00e9ris\u00e9s par de faibles valeurs de mpg) et chez les v\u00e9hicules hautement efficients (ceux situ\u00e9s dans le haut de la distribution de mpg) ?<\/p>\n La rh\u00e9torique MCO se heurte ici \u00e0 sa limite \u00e9pist\u00e9mologique intrins\u00e8que. Elle est structurellement incapable d’indiquer si la p\u00e9nalit\u00e9 associ\u00e9e \u00e0 la masse est constante ou si elle s’att\u00e9nue chez les v\u00e9hicules d\u00e9j\u00e0 lourds et \u00e9nergivores. L’inf\u00e9rence issue des Moindres Carr\u00e9s Ordinaires impose une p\u00e9nalit\u00e9 identique \u00e0 tous les types de motorisations, nivelant arbitrairement des dynamiques physiques qui rel\u00e8vent potentiellement de r\u00e9gimes thermodynamiques ou a\u00e9rodynamiques distincts.<\/p>\n La confrontation de la droite de r\u00e9gression MCO aux donn\u00e9es met imm\u00e9diatement en relief sa vuln\u00e9rabilit\u00e9 empirique. En contraignant l’ajustement \u00e0 traverser le barycentre de l’\u00e9chantillon d\u00e9fini par les moyennes marginales des variables, la droite subit une distorsion syst\u00e9matique impos\u00e9e par les quelques v\u00e9hicules extr\u00eamement lourds ou exceptionnellement l\u00e9gers. Les valeurs aberrantes r\u00e9siduelles \u00e9tirent la droite, conduisant \u00e0 des pr\u00e9dictions erratiques aux bornes de l’espace \u00e9chantillonnal.<\/p>\n De plus, cette approche moyenne ignore la dispersion h\u00e9t\u00e9rog\u00e8ne de la variable d\u00e9pendante conditionnellement \u00e0 la variable explicite. Pour les v\u00e9hicules de faible poids, la variance observ\u00e9e du rendement \u00e9nerg\u00e9tique est consid\u00e9rable, certains constructeurs parvenant \u00e0 des prouesses techniques d’ing\u00e9nierie tandis que d’autres affichent des rendements m\u00e9diocres. \u00c0 l’inverse, pour les v\u00e9hicules tr\u00e8s lourds, la variance s’effondre : la masse imposante contraint in\u00e9vitablement la consommation dans une fourchette \u00e9troite de faibles valeurs de miles par gallon.<\/p>\n En n\u00e9gligeant cette asym\u00e9trie de dispersion, le mod\u00e8le MCO g\u00e9n\u00e8re des r\u00e9sidus dont la structure viole explicitement l’hypoth\u00e8se d’ind\u00e9pendance et d’identique distribution des termes d’erreur. D\u00e8s lors, le mod\u00e8le moyen ne peut en aucun cas pr\u00e9tendre \u00e0 une description fid\u00e8le de la dynamique \u00e9nerg\u00e9tique globale. Il constitue simplement une simplification approximative, utile comme jalon de comparaison, mais scientifiquement insuffisante pour quiconque souhaite explorer les v\u00e9ritables m\u00e9canismes sous-jacents de la variabilit\u00e9 technologique ou comportementale.<\/p>\n L’initialisation pratique de la mod\u00e9lisation quantile sous Stata s’op\u00e8re par le biais de la commande native qreg<\/em>. Lorsqu’elle est appel\u00e9e sans param\u00e8tre d’option sp\u00e9cifique, la commande calibre son algorithme d’optimisation sur le quantile tau = 0.50, correspondant rigoureusement \u00e0 la r\u00e9gression m\u00e9diane (\u00e9galement d\u00e9nomm\u00e9e r\u00e9gression L1 ou m\u00e9thode des Moindres D\u00e9viations Absolues). La syntaxe canonique prend la forme suivante : qreg mpg weight<\/em>.<\/p>\n L’ex\u00e9cution de cette commande d\u00e9clenche imm\u00e9diatement l’affichage dans la fen\u00eatre de r\u00e9sultats de Stata des \u00e9tapes it\u00e9ratives de calcul. Contrairement \u00e0 la r\u00e9solution matricielle directe et ferm\u00e9e des MCO, l’estimation quantile proc\u00e8de d’une r\u00e9solution par programmation lin\u00e9aire. Stata utilise une version optimis\u00e9e de l’algorithme du simplexe introduite par Barrodale et Roberts (1974)<\/a>, sp\u00e9cialement con\u00e7ue pour les probl\u00e8mes de minimisation de normes absolues L1. Cet algorithme parcourt m\u00e9thodiquement les sommets du poly\u00e8dre convexe des contraintes pour identifier la combinaison optimale de param\u00e8tres minimisant la somme pond\u00e9r\u00e9e des r\u00e9sidus.<\/p>\n L’interface consigne le suivi des it\u00e9rations successives sous l’intitul\u00e9 Iteration 1: WLS sum of weighted deviations = …<\/em>, illustrant la phase d’initialisation par Moindres Carr\u00e9s Pond\u00e9r\u00e9s, suivie des it\u00e9rations d’ajustement du simplexe. D\u00e8s que l’amplitude de modification des coefficients entre deux passages successifs passe en de\u00e7\u00e0 du seuil de tol\u00e9rance de convergence, le moteur de calcul interrompt la boucle et restitue le tableau de r\u00e9sultats finalis\u00e9. Ce processus it\u00e9ratif garantit l’identification d’une solution globale robuste, exempte des \u00e9cueils de divergence num\u00e9rique propres aux approches fond\u00e9es sur le gradient classique.<\/p>\n Le tableau de sortie g\u00e9n\u00e9r\u00e9 par la commande qreg<\/em> se distingue nettement de la sortie MCO traditionnelle, refl\u00e9tant la nature sp\u00e9cifique de l’approche distributionnelle. Dans l’en-t\u00eate sup\u00e9rieur droit, la statistique descriptive centrale n’est plus la somme des carr\u00e9s des r\u00e9sidus, mais la somme minimale des d\u00e9viations absolues, d\u00e9sign\u00e9e sous l’\u00e9tiquette Min sum of deviations<\/em>. Cette valeur correspond \u00e0 la fonction objectif minimale atteinte par l’algorithme \u00e0 convergence.<\/p>\n Imm\u00e9diatement en dessous figure le pseudo R-deux (Pseudo R2<\/em>), calcul\u00e9 selon la formulation d’in\u00e9galit\u00e9 de dispersion propos\u00e9e par Koenker et Machado (1999). Cette m\u00e9trique compare la somme des d\u00e9viations absolues du mod\u00e8le complet incluant les r\u00e9gresseurs \u00e0 celle d’un mod\u00e8le contraint ne comportant que la seule constante quantile. Bien que formellement analogue au R-deux de McFadden utilis\u00e9 dans les mod\u00e8les \u00e0 choix discrets, ce pseudo R-deux ne mesure pas une proportion de variance expliqu\u00e9e au sens quadratique, mais une r\u00e9duction relative de la d\u00e9viance absolue pond\u00e9r\u00e9e \u00e0 travers le quantile \u00e9valu\u00e9.<\/p>\n Dans le corps du tableau, les coefficients rapportent l’effet marginal de chaque r\u00e9gresseur sur la m\u00e9diane conditionnelle de la variable d\u00e9pendante. L’estimation ponctuelle obtenue pour la variable weight<\/em> dans le mod\u00e8le m\u00e9dian s’\u00e9tablit g\u00e9n\u00e9ralement \u00e0 une valeur distincte de celle observ\u00e9e sous MCO (par exemple, un coefficient de -0.00539 au lieu de -0.00600). Cette diff\u00e9rence statistique traduit l’incidence du nettoyage implicite des asym\u00e9tries : la m\u00e9diane conditionnelle, insensible \u00e0 la traction disproportionn\u00e9e des valeurs extr\u00eames situ\u00e9es dans la queue sup\u00e9rieure de consommation, fournit une appr\u00e9ciation plus conservative et robuste de l’effet central du poids automobile.<\/p>\n L’inf\u00e9rence statistique sur les coefficients quantiles n\u00e9cessite une estimation rigoureuse de la matrice de variance-covariance asymptotique des estimateurs. Par d\u00e9faut, la commande qreg<\/em> de Stata impl\u00e9mente la m\u00e9thode analytique asymptotique formul\u00e9e par Koenker et Bassett (1982). Cette m\u00e9thodologie repose sur le calcul de la fonction de parcimonie (sparsity function), qui correspond \u00e0 l’inverse de la fonction de densit\u00e9 de probabilit\u00e9 des erreurs conditionnelles \u00e9valu\u00e9e au quantile consid\u00e9r\u00e9.<\/p>\n Pour estimer cette densit\u00e9 r\u00e9siduelle inobserv\u00e9e, Stata fait appel \u00e0 une m\u00e9thode d’estimation par noyau ou par fen\u00eatrage de type diff\u00e9rence finie, ajust\u00e9e selon la largeur de bande optimale d\u00e9riv\u00e9e des travaux de Bofinger ou de Hall et Sheather. La qualit\u00e9 de l’approximation analytique de la variance d\u00e9pend ainsi de la r\u00e9gularit\u00e9 locale de la distribution des r\u00e9sidus autour de la coupure quantile tau = 0.50. L’erreur-type rapport\u00e9e dans la colonne Std. Err.<\/em> int\u00e8gre directement cette densit\u00e9 de parcimonie, permettant le calcul des statistiques de test de Student (t<\/em>) et des valeurs p aff\u00e9rentes.<\/p>\n Toutefois, cette m\u00e9thode analytique asymptotique requiert une prudence m\u00e9thodologique particuli\u00e8re en pr\u00e9sence d’\u00e9chantillons de taille modeste ou lorsque l’hypoth\u00e8se selon laquelle la densit\u00e9 des erreurs est ind\u00e9pendante des covariables se trouve viol\u00e9e. Si la structure de l’erreur conditionnelle est intrins\u00e8quement li\u00e9e aux pr\u00e9dicteurs (pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 complexe non param\u00e9trique), l’erreur-type asymptotique standard calcul\u00e9e par qreg<\/em> peut sous-estimer la variance d’\u00e9chantillonnage r\u00e9elle, justifiant pleinement le recours aux approches d’inf\u00e9rence par r\u00e9\u00e9chantillonnage bootstrap que nous explorerons dans les sections subs\u00e9quentes.<\/p>\n La v\u00e9ritable puissance de la r\u00e9gression quantile r\u00e9side dans sa capacit\u00e9 \u00e0 explorer n’importe quel segment arbitraire de la distribution conditionnelle. L’impl\u00e9mentation de cette flexibilit\u00e9 s’effectue sous Stata par l’adjonction de l’option explicite quantile(#)<\/em> \u2014 ou sous sa forme abr\u00e9g\u00e9e q(#)<\/em> \u2014 \u00e0 la suite de la commande qreg<\/em>. Le param\u00e8tre num\u00e9rique argument\u00e9 doit imp\u00e9rativement s’inscrire dans l’intervalle ouvert entre 0 et 1, d\u00e9signant la fraction cumulative de la distribution cibl\u00e9e.<\/p>\n Ainsi, pour estimer l’impact de la masse sur le premier quartile de la consommation \u00e9nerg\u00e9tique, correspondant aux v\u00e9hicules les moins performants ou les plus gourmands en carburant (tau = 0.25), la syntaxe s’\u00e9nonce : qreg mpg weight, quantile(0.25)<\/em>. De fa\u00e7on sym\u00e9trique, la mod\u00e9lisation du troisi\u00e8me quartile (tau = 0.75) ou du neuvi\u00e8me d\u00e9cile (tau = 0.90), incarnant le segment des v\u00e9hicules particuli\u00e8rement sobres et efficients, est obtenue par la sp\u00e9cification : qreg mpg weight, quantile(0.75)<\/em> et qreg mpg weight, quantile(0.90)<\/em>.<\/p>\n Stata autorise \u00e9galement l’investigation de quantiles hautement sp\u00e9cifiques aux franges distributionnelles, tels que le cinqui\u00e8me percentile (q(0.05)<\/em>) ou le quatre-vingt-quinzi\u00e8me percentile (q(0.95)<\/em>). N\u00e9anmoins, la syntaxe exige une vigilance math\u00e9matique proportionnelle : plus le seuil param\u00e9tr\u00e9 s’approche des bornes asymptotiques 0 ou 1, plus la densit\u00e9 locale d’observations s’amenuise, ce qui peut accro\u00eetre le nombre d’it\u00e9rations du simplexe n\u00e9cessaires pour atteindre la convergence et g\u00e9n\u00e9rer des intervalles d’estimation plus larges.<\/p>\n L’exploitation des r\u00e9sultats issus des diff\u00e9rentes strates quantiles enrichit consid\u00e9rablement l’analyse substantive des dynamiques sous-jacentes. Consid\u00e9rons la confrontation entre le coefficient associ\u00e9 \u00e0 la variable weight<\/em> estim\u00e9 pour le quantile inf\u00e9rieur tau = 0.10 et celui d\u00e9riv\u00e9 pour le quantile sup\u00e9rieur tau = 0.90. Les r\u00e9sultats empiriques r\u00e9v\u00e8lent fr\u00e9quemment une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 marqu\u00e9e de la magnitude des pentes : le coefficient peut afficher une valeur de -0.0035 au quantile 0.10, tandis qu’il atteint -0.0085 au quantile 0.90.<\/p>\n D’un point de vue technologique et \u00e9conomique, cette divergence d’amplitude comporte une signification fondamentale. Un coefficient de -0.0085 sur le 90e percentile de mpg<\/em> indique que chez les v\u00e9hicules les plus efficients du march\u00e9, l’adjonction d’une livre de poids d\u00e9grade fortement le rendement \u00e9nerg\u00e9tique. Dans cette classe de v\u00e9hicules hautement optimis\u00e9s, la l\u00e9g\u00e8ret\u00e9 constitue le d\u00e9terminant critique de la performance : chaque surcharge p\u00e9nalise s\u00e9v\u00e8rement l’efficacit\u00e9 \u00e9nerg\u00e9tique globale.<\/p>\n \u00c0 l’oppos\u00e9, au 10e percentile de la distribution conditionnelle, o\u00f9 se concentrent les v\u00e9hicules structurellement \u00e9nergivores (gros camions, v\u00e9hicules dot\u00e9s de motorisations lourdes \u00e0 forte cylindr\u00e9e), l’impact marginal d’une augmentation unitaire du poids est consid\u00e9rablement plus att\u00e9nu\u00e9 (-0.0035). Ces v\u00e9hicules pr\u00e9sentent d\u00e9j\u00e0 une telle inefficacit\u00e9 intrins\u00e8que que l’adjonction marginale de masse ne d\u00e9grade que faiblement une consommation de carburant qui s’av\u00e8re d’ores et d\u00e9j\u00e0 m\u00e9diocre. L’approche quantile d\u00e9masque ainsi une asym\u00e9trie comportementale que l’estimation MCO moyenne nivelle de mani\u00e8re artificielle.<\/p>\n La r\u00e9gression quantile s’\u00e9tend ais\u00e9ment \u00e0 des sp\u00e9cifications multivari\u00e9es int\u00e9grant simultan\u00e9ment des vecteurs de covariables continues, cat\u00e9gorielles et des termes d’interaction structurels. L’environnement Stata d\u00e9ploie toute son efficacit\u00e9 gr\u00e2ce \u00e0 la prise en charge native de la notation factorielle (factor variables). L’inclusion d’une variable binaire ou polytomique s’effectue simplement via le pr\u00e9fixe i.<\/em>, permettant au compilateur d’assigner automatiquement une modalit\u00e9 de r\u00e9f\u00e9rence et de cr\u00e9er les indicatrices requises.<\/p>\n Dans notre application empirique, l’int\u00e9gration du statut d’origine du v\u00e9hicule s’op\u00e8re par la commande : qreg mpg weight i.foreign, quantile(0.75)<\/em>. Le coefficient attribu\u00e9 \u00e0 la modalit\u00e9 1.foreign<\/em> quantifie l’\u00e9cart d’efficacit\u00e9 \u00e9nerg\u00e9tique imputable aux v\u00e9hicules \u00e9trangers par rapport aux v\u00e9hicules domestiques pr\u00e9cis\u00e9ment au 75e percentile conditionnel de consommation, une fois contr\u00f4l\u00e9 l’effet de la masse corporelle globale de l’automobile.<\/p>\n De plus, l’analyste peut mod\u00e9liser des modulations de pentes en sp\u00e9cifiant des termes d’interaction crois\u00e9s via les op\u00e9rateurs de factor variables. L’instruction qreg mpg c.weight##i.foreign, quantile(0.75)<\/em> calcule simultan\u00e9ment les effets principaux et le coefficient d’interaction entre la variable continue weight<\/em> (d\u00e9not\u00e9e par l’op\u00e9rateur c.<\/em>) et la variable dichotomique foreign<\/em>. L’interpr\u00e9tation conjointe de ces termes permet d’\u00e9valuer si la p\u00e9nalit\u00e9 marginale induite par le surpoids varie de fa\u00e7on diff\u00e9rentielle entre constructeurs nationaux et \u00e9trangers sur le segment sp\u00e9cifique des v\u00e9hicules \u00e0 haut rendement \u00e9nerg\u00e9tique.<\/p>\n L’estimation s\u00e9quentielle de plusieurs mod\u00e8les quantiles via des commandes qreg<\/em> isol\u00e9es pr\u00e9sente une lacune inf\u00e9rentielle majeure. Bien qu’elle fournisse des estimations ponctuelles rigoureusement exactes pour chaque quantile pris individuellement, elle traite chaque \u00e9quation de mani\u00e8re totalement \u00e9tanche, comme si les distributions sous-jacentes proc\u00e9daient d’\u00e9chantillons ind\u00e9pendants. En cons\u00e9quence, l’ex\u00e9cution r\u00e9p\u00e9t\u00e9e de qreg<\/em> est incapable de fournir la covariance d’\u00e9chantillonnage existant entre les diff\u00e9rents estimateurs de pentes calcul\u00e9s sur des quantiles distincts d’une m\u00eame population.<\/p>\n Or, cette covariance inter-quantiles constitue la brique math\u00e9matique \u00e9l\u00e9mentaire requise pour ex\u00e9cuter des tests d’hypoth\u00e8ses formels comparant l’ampleur des coefficients \u00e0 travers la distribution. Si un chercheur souhaite d\u00e9montrer formellement que l’effet marginal exerc\u00e9 par un facteur au 25e percentile est statistiquement distinct de celui exerc\u00e9 au 75e percentile, il doit n\u00e9cessairement calculer l’erreur-type de la diff\u00e9rence de ces deux coefficients. Cette erreur-type requiert imp\u00e9rativement le terme de covariance crois\u00e9e, sous peine de biaiser lourdement l’estimation de la statistique de test.<\/p>\n Pour r\u00e9soudre cette exigence th\u00e9orique, Stata a d\u00e9velopp\u00e9 la commande native sqreg<\/em> (pour simultaneous quantile regression). Cette proc\u00e9dure ajuste de mani\u00e8re group\u00e9e et simultan\u00e9e un syst\u00e8me complet d’\u00e9quations quantiles, tout en reconstruisant la matrice compl\u00e8te de variance-covariance des coefficients par une proc\u00e9dure de r\u00e9\u00e9chantillonnage bootstrap non param\u00e9trique appliqu\u00e9e uniform\u00e9ment \u00e0 l’ensemble du syst\u00e8me.<\/p>\n La commande sqreg<\/em> requiert la d\u00e9claration explicite de l’ensemble des seuils quantiles cibl\u00e9s dans l’option principale quantiles()<\/em> (qui peut \u00eatre abr\u00e9g\u00e9e en q()<\/em>). Contrairement \u00e0 qreg<\/em> qui n’accepte qu’un unique scalaire, sqreg<\/em> attend une s\u00e9rie de fractions s\u00e9par\u00e9es par des espaces. Par exemple, pour mod\u00e9liser une grille analytique couvrant l’ensemble du spectre distributionnel (10e, 25e, 50e, 75e et 90e percentiles), la syntaxe s’articule comme suit : sqreg mpg weight foreign, quantiles(0.10 0.25 0.50 0.75 0.90) reps(500)<\/em>.<\/p>\n L’option reps(#)<\/em> gouverne le nombre d’it\u00e9rations bootstrap ex\u00e9cut\u00e9es par le moteur de calcul pour estimer la distribution conjointe des param\u00e8tres. La valeur par d\u00e9faut de 20 r\u00e9plications int\u00e9gr\u00e9e dans certaines versions de Stata est strictement illustrative et totalement insuffisante pour une inf\u00e9rence acad\u00e9mique fiable. Les standards contemporains de la recherche exigent la sp\u00e9cification d’au moins 400 \u00e0 1 000 r\u00e9plications pour garantir la convergence et la stabilit\u00e9 des erreurs-types asymptotiques, particuli\u00e8rement pour les percentiles d’extr\u00e9mit\u00e9.<\/p>\n Il est imp\u00e9ratif de souligner \u00e0 nouveau l’obligation de fixer pr\u00e9alablement la graine al\u00e9atoire via l’instruction set seed<\/em> imm\u00e9diatement avant l’ex\u00e9cution de sqreg<\/em>. Le bootstrap proc\u00e9dant par tirages al\u00e9atoires avec remise au sein des observations de l’\u00e9chantillon, deux ex\u00e9cutions cons\u00e9cutives d\u00e9pourvues de graine fig\u00e9e produiraient des erreurs-types l\u00e9g\u00e8rement fluctuantes, compromettant la stricte reproductibilit\u00e9 des r\u00e9sultats lors des processus d’audit scientifique ou de r\u00e9vision par les pairs.<\/p>\n \u00c0 l’issue de la compilation de la commande sqreg<\/em>, Stata restitue un tableau articul\u00e9 en blocs successifs identifi\u00e9s par des \u00e9tiquettes d’\u00e9quations sp\u00e9cifiques : [q10]<\/em>, [q25]<\/em>, [q50]<\/em>, etc. Chaque sous-mod\u00e8le pr\u00e9sente ses coefficients propres, accompagn\u00e9s des erreurs-types d\u00e9riv\u00e9es de la distribution empirique des r\u00e9\u00e9chantillons bootstrap. La structure sous-jacente des interd\u00e9pendances peut \u00eatre inspect\u00e9e via l’instruction post-estimation estat vce<\/em>.<\/p>\n L’affichage de cette macro-matrice r\u00e9v\u00e8le non seulement les variances individuelles associ\u00e9es \u00e0 chaque estimateur sur sa diagonale principale, mais \u00e9galement l’ensemble des blocs de covariances crois\u00e9es hors-diagonale liant, par exemple, le param\u00e8tre de la variable weight<\/em> dans l’\u00e9quation [q25]<\/em> \u00e0 son homologue dans l’\u00e9quation [q75]<\/em>. La corr\u00e9lation d’\u00e9chantillonnage entre estimateurs de quantiles contigus s’av\u00e8re g\u00e9n\u00e9ralement positive et substantielle, mat\u00e9rialisant le fait que les observations participant \u00e0 la d\u00e9finition du 25e percentile influencent \u00e9galement le positionnement de la m\u00e9diane conditionnelle.<\/p>\n La disponibilit\u00e9 computationnelle de cette matrice compl\u00e8te constitue le socle indispensable pour formuler une batterie de tests d’hypoth\u00e8ses lin\u00e9aires et non lin\u00e9aires. Elle autorise la formulation d’\u00e9quations de contraste rigoureuses permettant d’arbitrer scientifiquement entre une simple translation g\u00e9n\u00e9rale de la variable d\u00e9pendante ou une alt\u00e9ration structurelle de l’\u00e9chelle et de la forme de sa distribution conditionnelle.<\/p>\n L’application inf\u00e9rentielle la plus f\u00e9conde autoris\u00e9e par l’architecture sqreg<\/em> r\u00e9side dans le test formel d’\u00e9galit\u00e9 des pentes \u00e0 travers la distribution conditionnelle. L’objectif consiste \u00e0 v\u00e9rifier empiriquement si le coefficient d’une variable ind\u00e9pendante demeure invariant entre deux ou plusieurs fractiles cibl\u00e9s, ce qui reviendrait \u00e0 valider la pertinence du mod\u00e8le MCO classique. L’impl\u00e9mentation de cette confrontation s’effectue sous Stata via la commande post-estimation test<\/em>.<\/p>\n Pour tester l’hypoth\u00e8se nulle stipulant que l’effet de la masse automobile est strictement identique au premier quartile (q25) et au troisi\u00e8me quartile (q75), la syntaxe s’\u00e9nonce pr\u00e9cis\u00e9ment : test [q25]weight = [q75]weight<\/em>. Cette instruction soumet les estimations \u00e0 un test de Wald fond\u00e9 sur la distance quadratique normalis\u00e9e par la matrice de variance-covariance bootstrap conjointe calcul\u00e9e lors de l’estimation pr\u00e9alable.<\/p>\n Cette approche peut \u00eatre \u00e9tendue \u00e0 un test global d’invariance sur l’ensemble du profil distributionnel afin d’\u00e9valuer l’hypoth\u00e8se g\u00e9n\u00e9rale d’homosc\u00e9dasticit\u00e9 structurelle. La commande prendra alors la forme : test [q10]weight = [q25]weight = [q50]weight = [q75]weight = [q90]weight<\/em>. Stata produit en sortie la valeur calcul\u00e9e de la statistique du Chi-deux de Wald associ\u00e9e aux degr\u00e9s de libert\u00e9 appropri\u00e9s, ainsi que la valeur p correspondante. Un rejet franc de l’hypoth\u00e8se nulle (par exemple, p < 0.001) apporte une confirmation empirique d\u00e9cisive : l’impact du r\u00e9gresseur se modifie significativement le long de la distribution, r\u00e9futant formellement l’hypoth\u00e8se d’une pente unique v\u00e9hicul\u00e9e par les MCO.<\/p>\n Au-del\u00e0 du simple rejet de l’\u00e9galit\u00e9 globale des pentes, l’analyse fine des contrastes inter-quantiles permet de caract\u00e9riser la g\u00e9om\u00e9trie exacte de la non-lin\u00e9arit\u00e9 des effets marginaux. Les chercheurs peuvent tester des hypoth\u00e8ses de monotonicit\u00e9 ordonn\u00e9e, cherchant \u00e0 d\u00e9terminer si l’amplitude de l’effet s’accro\u00eet ou s’att\u00e9nue de fa\u00e7on continue \u00e0 mesure que l’on progresse vers les quantiles sup\u00e9rieurs, traduisant un ph\u00e9nom\u00e8ne d’acc\u00e9l\u00e9ration ou d’\u00e9puisement de l’impact du pr\u00e9dicteur.<\/p>\n Cette distinction conceptuelle s’inscrit au c\u0153ur de la diff\u00e9renciation th\u00e9orique entre un simple d\u00e9calage de localisation (location shift) et un effet d’\u00e9chelle (scale shift). Un d\u00e9calage de localisation se produit lorsque l’introduction d’un traitement translate uniform\u00e9ment l’ensemble de la distribution conditionnelle vers la droite ou vers la gauche sans en modifier la variabilit\u00e9 interne : dans ce cadre, les pentes quantiles sont toutes \u00e9gales entre elles et co\u00efncident avec la pente MCO. En revanche, la pr\u00e9sence de pentes divergentes caract\u00e9rise un effet d’\u00e9chelle, indiquant que le r\u00e9gresseur modifie simultan\u00e9ment la tendance centrale et la dispersion intrins\u00e8que de la sous-population.<\/p>\n Lorsque le test de Wald conduit au rejet de l’\u00e9galit\u00e9 des pentes, l’analyste dispose d’une preuve robuste attestant de l’insuffisance descriptive du mod\u00e8le de r\u00e9gression lin\u00e9aire classique. L’inf\u00e9rence MCO ne peut plus \u00eatre consid\u00e9r\u00e9e comme un r\u00e9sum\u00e9 suffisant des donn\u00e9es : elle est formellement d\u00e9pass\u00e9e par la richesse explicative du mod\u00e8le quantile, qui met au jour des d\u00e9formations morphologiques complexes que l’\u00e9conom\u00e9trie moyenne \u00e9tait structurellement incapable d’appr\u00e9hender.<\/p>\n L’\u00e9ventail des capacit\u00e9s inf\u00e9rentielles de Stata permet de formuler des tests de restrictions lin\u00e9aires complexes impliquant simultan\u00e9ment plusieurs pr\u00e9dicteurs au sein de multiples \u00e9quations quantiles. Cette flexibilit\u00e9 s’av\u00e8re pr\u00e9cieuse lors de l’estimation de mod\u00e8les comportant des variables indicatrices d\u00e9riv\u00e9es d’un m\u00eame facteur cat\u00e9goriel ou des interactions polyadiques. Par exemple, il est possible de tester si l’effet combin\u00e9 de la masse et de la provenance g\u00e9ographique au 10e percentile est statistiquement \u00e9quivalent \u00e0 leur impact combin\u00e9 au 90e percentile.<\/p>\n La formulation syntaxique mobilise la commande test<\/em> en sp\u00e9cifiant des combinaisons lin\u00e9aires d’\u00e9quations : test ([q10]weight = [q90]weight) ([q10]foreign = [q90]foreign)<\/em>. Stata \u00e9value alors une hypoth\u00e8se nulle conjointe via une statistique de Wald globale, garantissant un contr\u00f4le rigoureux du taux d’erreur de premi\u00e8re esp\u00e8ce face \u00e0 la multiplicit\u00e9 des contraintes postul\u00e9es.<\/p>\n Pour les hypoth\u00e8ses formul\u00e9es sous une g\u00e9om\u00e9trie non lin\u00e9aire (comme des ratios d’\u00e9lasticit\u00e9s ou des combinaisons multiplicatives de param\u00e8tres entre fractiles), l’analyste peut mobiliser la commande testnl<\/em>, qui impl\u00e9mente la m\u00e9thode delta multivari\u00e9e pour lin\u00e9ariser les restrictions locales. D\u00e8s lors que l’on proc\u00e8de \u00e0 des s\u00e9ries exploratoires \u00e9tendues de tests de contrastes bilat\u00e9raux par paires de quantiles, il demeure imp\u00e9ratif d’int\u00e9grer des proc\u00e9dures de correction pour comparaisons multiples (telles que les ajustements de Bonferroni, Holm ou Benjamini-Hochberg) afin de pr\u00e9server la validit\u00e9 de l’inf\u00e9rence contre l’inflation statistique du risque alpha.<\/p>\n Lorsqu’un mod\u00e8le ne n\u00e9cessite l’investigation que d’un unique quantile conditionnel \u00e0 la fois, mais que les conditions de r\u00e9gularit\u00e9 requises pour le calcul de l’erreur-type analytique asymptotique par qreg<\/em> sont suspect\u00e9es de d\u00e9faillance, la commande bsqreg<\/em> (bootstrap quantile regression) constitue l’alternative m\u00e9thodologique privil\u00e9gi\u00e9e. Cette commande ex\u00e9cute l’ajustement du quantile cibl\u00e9 en d\u00e9rivant sa matrice de variance-covariance non pas \u00e0 partir d’approximations de densit\u00e9 par noyau, mais par une proc\u00e9dure de r\u00e9\u00e9chantillonnage bootstrap non param\u00e9trique interne.<\/p>\n La syntaxe de base s’aligne rigoureusement sur celle de la commande m\u00e8re : bsqreg mpg weight, quantile(0.75) reps(1000)<\/em>. L’algorithme op\u00e8re par tirages r\u00e9p\u00e9t\u00e9s avec remplacement de n observations au sein de l’\u00e9chantillon empirique initial, ajustant le mod\u00e8le L1 sur chaque pseudo-\u00e9chantillon g\u00e9n\u00e9r\u00e9, puis calculant la d\u00e9viation standard de la distribution empirique des coefficients obtenus sur les 1 000 r\u00e9plications pour d\u00e9terminer l’erreur-type finale.<\/p>\n L’avantage fondamental de bsqreg<\/em> r\u00e9side dans sa robustesse exceptionnelle face \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 non sp\u00e9cifi\u00e9e et aux formes arbitraires de la distribution des perturbations. La comparaison syst\u00e9matique des erreurs-types g\u00e9n\u00e9r\u00e9es par qreg<\/em> et bsqreg<\/em> r\u00e9v\u00e8le fr\u00e9quemment des \u00e9carts instructifs : en pr\u00e9sence de poches de faible densit\u00e9 locale, l’erreur-type asymptotique conventionnelle tend \u00e0 sous-estimer l’incertitude d’\u00e9chantillonnage r\u00e9elle, un biais que le bootstrap corrige efficacement en restituant des intervalles de confiance plus r\u00e9alistes et mieux calibr\u00e9s.<\/p>\n Dans de nombreuses applications d’\u00e9conomie sociale ou d’analyse des in\u00e9galit\u00e9s, l’interrogation scientifique ne porte pas tant sur la localisation absolue d’un quantile individuel que sur la mesure directe de la dispersion ou de l’in\u00e9galit\u00e9 interne de la distribution conditionnelle. La commande iqreg<\/em> (interquantile range regression) a \u00e9t\u00e9 d\u00e9velopp\u00e9e pr\u00e9cis\u00e9ment pour r\u00e9pondre \u00e0 cet objectif th\u00e9orique en mod\u00e9lisant formellement l’\u00e9cart s\u00e9parant deux quantiles distincts.<\/p>\n Par d\u00e9faut, la commande ajuste une r\u00e9gression sur l’intervalle interquartile classique, correspondant \u00e0 la diff\u00e9rence alg\u00e9brique entre le 75e percentile et le 25e percentile de la variable de r\u00e9ponse : iqreg mpg weight<\/em>. L’estimation s’effectue de fa\u00e7on conjointe, et le tableau de r\u00e9sultats rapporte directement l’effet marginal du r\u00e9gresseur sur l’amplitude de cet \u00e9cart distributionnel. Un coefficient n\u00e9gatif et statistiquement significatif pour la variable weight<\/em> indique qu’une augmentation du poids compresse l’espace interquartile de la consommation automobile, r\u00e9duisant de facto la variabilit\u00e9 conditionnelle du rendement \u00e9nerg\u00e9tique chez les v\u00e9hicules lourds.<\/p>\n La commande d\u00e9ploie une grande flexibilit\u00e9 gr\u00e2ce \u00e0 ses options q1(#)<\/em> et q2(#)<\/em>, autorisant la param\u00e9trisation de n’importe quel \u00e9cart inter-fractile arbitraire. Ainsi, l’instruction iqreg mpg weight, q1(0.10) q2(0.90) reps(500)<\/em> fournit une mesure directe de l’impact du r\u00e9gresseur sur l’in\u00e9galit\u00e9 globale r\u00e9gnant entre les queues de distribution (l’\u00e9cart inter-d\u00e9cile 90-10). Cette approche offre une interpr\u00e9tation substantielle imm\u00e9diate pour \u00e9valuer l’impact d’une variable sur la dispersion d’une distribution sans devoir passer par le calcul manuel de contrastes post-estimation.<\/p>\n La recherche contemporaine est fr\u00e9quemment confront\u00e9e \u00e0 des structures d’\u00e9chantillonnage hi\u00e9rarchis\u00e9es ou longitudinales qui violent l’hypoth\u00e8se fondamentale d’ind\u00e9pendance statistique des termes d’erreur entre observations. En pr\u00e9sence de donn\u00e9es group\u00e9es par grappes (clusters) \u2014 telles que des \u00e9l\u00e8ves regroup\u00e9s au sein d’\u00e9tablissements scolaires ou des mesures r\u00e9p\u00e9t\u00e9es sur des patients \u2014, les commandes standards qreg<\/em> ou sqreg<\/em> g\u00e9n\u00e8rent des erreurs-types artificiellement comprim\u00e9es, conduisant \u00e0 une sur-rejet massif de l’hypoth\u00e8se nulle.<\/p>\n Pour rem\u00e9dier \u00e0 cette contrainte, la communaut\u00e9 des utilisateurs \u00e9conom\u00e8tres a d\u00e9velopp\u00e9 des extensions sp\u00e9cialis\u00e9es accessibles sur les d\u00e9p\u00f4ts officiels du SSC. Le module qreg2<\/em>, con\u00e7u par Parente et Santos Silva (2016)<\/a>, constitue une avanc\u00e9e m\u00e9thodologique majeure en offrant une estimation quantile robuste \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 et autorisant la d\u00e9claration explicite d’effets de grappes via l’option cluster(varname)<\/em>. Cette commande impl\u00e9mente une formule analytique en sandwich adapt\u00e9e \u00e0 l’espace non param\u00e9trique des quantiles conditionnels, alignant la rigueur inf\u00e9rentielle de la r\u00e9gression quantile sur les standards de correction de grappes d\u00e9sormais obligatoires en micro-\u00e9conom\u00e9trie.<\/p>\n Pour le traitement des donn\u00e9es de panel pur caract\u00e9ris\u00e9es par une dimension longitudinale temporelle, l’analyste peut se tourner vers la commande xtqreg<\/em>, impl\u00e9mentant la m\u00e9thode d’estimation par variables instrumentales de moments quantiles formul\u00e9e par Machado et Santos Silva (2019). Cette proc\u00e9dure r\u00e9sout le redoutable probl\u00e8me des param\u00e8tres incidents inh\u00e9rent \u00e0 l’introduction d’effets fixes individuels au sein de fonctions de perte non lin\u00e9aires, permettant d’isoler rigoureusement les effets quantiles structurels tout en contr\u00f4lant l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 individuelle invariante dans le temps non observ\u00e9e.<\/p>\n La communication scientifique des r\u00e9sultats d’une r\u00e9gression quantile requiert imp\u00e9rativement un support visuel performant. L’interpr\u00e9tation d’une s\u00e9rie continue de coefficients tabul\u00e9s \u00e0 travers cinq, dix ou vingt quantiles devient rapidement indigeste sous forme de texte brut ou de matrices num\u00e9riques denses. Pour pallier cette difficult\u00e9, le module compl\u00e9mentaire grqreg<\/em> d\u00e9velopp\u00e9 par Jo\u00e3o Pedro Azevedo s’impose comme le standard graphique dans l’\u00e9cosyst\u00e8me Stata.<\/p>\n Ce module n’\u00e9tant pas syst\u00e9matiquement int\u00e9gr\u00e9 dans la biblioth\u00e8que native de base du logiciel, son acquisition s’op\u00e8re par le protocole de t\u00e9l\u00e9chargement de paquets communautaires de Stata via la commande standard : ssc install grqreg, replace<\/em>. Cette instruction rapatrie le script de compilation principal ainsi que l’ensemble des fichiers d’aide et de documentation associ\u00e9s (.hlp<\/em> ou .sthlp<\/em>).<\/p>\n Sur le plan op\u00e9rationnel, grqreg<\/em> fonctionne rigoureusement comme une routine post-estimation. Il est donc indispensable d’ex\u00e9cuter pr\u00e9alablement un mod\u00e8le quantile unique via qreg<\/em> ou, de fa\u00e7on bien plus recommand\u00e9e, une r\u00e9gression multi-quantiles simultan\u00e9e via sqreg<\/em> avant de lancer la commande graphique. Cette articulation garantit la transmission imm\u00e9diate de la matrice compl\u00e8te des estimations et de leurs variances respectives au processeur graphique.<\/p>\n La syntaxe fondamentale d’ex\u00e9cution s’articule autour de la directive : grqreg, ci ols olsci<\/em>. Cette commande ordonne au moteur de calcul de tracer la trajectoire continue des coefficients quantiles estim\u00e9s sur l’ensemble du domaine distributionnel, d’envelopper cette courbe de son intervalle de confiance \u00e0 95 % sous forme d’une bande gris\u00e9e (option ci<\/em>), et de superposer \u00e0 des fins de comparaison imm\u00e9diate la droite horizontale repr\u00e9sentant l’effet marginal moyen estim\u00e9 par les MCO (option ols<\/em>) encadr\u00e9e par ses propres limites de confiance (option olsci<\/em>).<\/p>\n L’instruction autorise une personnalisation esth\u00e9tique int\u00e9grale pour satisfaire aux exigences typographiques des revues internationales de premier rang. Le chercheur peut sp\u00e9cifier les teintes de remplissage des zones d’incertitude via les options de palettes de couleurs de Stata, moduler l’\u00e9paisseur et le type de trait de la trajectoire quantile \u00e0 l’aide de l’argument clpattern()<\/em>, et int\u00e9grer des titres d’axes rigoureusement calibr\u00e9s refl\u00e9tant la m\u00e9trique des variables. Par exemple, l’adjonction de l’option title(\u00ab\u00a0Trajectoire de l’effet marginal de la masse sur le rendement \u00e9nerg\u00e9tique\u00a0\u00bb)<\/em> et xtitle(\u00ab\u00a0Quantiles conditionnels de mpg\u00a0\u00bb)<\/em> assure un habillage \u00e9ditorial irr\u00e9prochable.<\/p>\n En pr\u00e9sence d’une sp\u00e9cification multivari\u00e9e comportant plusieurs pr\u00e9dicteurs, grqreg<\/em> g\u00e9n\u00e8re par d\u00e9faut un graphique multipanneau int\u00e9grant les sous-diagrammes d’effets pour chaque variable ind\u00e9pendante incluse dans le mod\u00e8le. L’analyste peut cependant contraindre la g\u00e9n\u00e9ration \u00e0 un sous-ensemble d\u00e9termin\u00e9 \u00e0 l’aide de l’option cons<\/em> ou en ciblant nomm\u00e9ment les variables s\u00e9lectionn\u00e9es, optimisant ainsi l’espace visuel en vue de son int\u00e9gration dans le corps d’un article de recherche.<\/p>\n L’exploitation analytique du diagramme de coefficients produit par grqreg<\/em> procure une synth\u00e8se visuelle instantan\u00e9e des dynamiques distributionnelles \u00e0 l’\u0153uvre. Le premier crit\u00e8re diagnostique consiste \u00e0 examiner la relation spatiale unissant la courbe des coefficients quantiles (courbe sombre continue) et la bande de confiance horizontale issue des Moindres Carr\u00e9s Ordinaires (d\u00e9limit\u00e9e par deux droites horizontales pointill\u00e9es).<\/p>\n Lorsque la trajectoire quantile et sa zone de confiance s’inscrivent int\u00e9gralement \u00e0 l’int\u00e9rieur de l’intervalle MCO moyen, l’hypoth\u00e8se d’invariance des pentes ne peut \u00eatre rejet\u00e9e visuellement : le mod\u00e8le lin\u00e9aire classique fournit un r\u00e9sum\u00e9 acceptable de la r\u00e9alit\u00e9 empirique. En revanche, d\u00e8s lors que la courbe quantile s’\u00e9chappe de mani\u00e8re franche hors du corridor MCO \u2014 par exemple, en plongeant vers des valeurs nettement plus n\u00e9gatives dans les fractiles sup\u00e9rieurs tout en s’\u00e9levant vers z\u00e9ro dans les quantiles inf\u00e9rieurs \u2014, le chercheur dispose de l’illustration graphique indubitable d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle des pentes.<\/p>\n De plus, l’observation des points d’inflexion ou des ruptures de pente le long de la courbe permet de rep\u00e9rer des seuils critiques distributionnels \u00e0 partir desquels le comportement de la variable d\u00e9pendante subit une mutation qualitative. L’exportation finale de la composition graphique s’op\u00e8re dans des formats vectoriels haute r\u00e9solution pr\u00e9servant la nettet\u00e9 des trac\u00e9s, via la commande standard graph export \u00ab\u00a0figure_quantiles.eps\u00a0\u00bb, as(eps) replace<\/em> ou vers les formats PDF<\/em> et TIFF<\/em> \u00e0 300 ou 600 DPI, garantissant une int\u00e9gration optimale dans les flux \u00e9ditoriaux scientifiques.<\/p>\n La transcription manuelle des sorties num\u00e9riques de Stata vers un traitement de texte constitue une source majeure d’erreurs mat\u00e9rielles de transcription et s’oppose aux principes contemporains de reproductibilit\u00e9. Dans le cadre d’estimations multi-quantiles o\u00f9 le nombre de param\u00e8tres estim\u00e9s est multipli\u00e9 par le nombre de seuils \u00e9valu\u00e9s, l’automatisation de la tabulation s’impose comme une n\u00e9cessit\u00e9 absolue. Les paquets communautaires estout<\/em> (int\u00e9grant esttab<\/em>) et outreg2<\/em> fournissent des architectures d’exportation remarquablement flexibles vers les environnements LaTeX, Microsoft Word ou HTML.<\/p>\n Pour exporter les estimations conjointes issues de la commande sqreg<\/em> via l’outil esttab<\/em>, l’analyste stocke pr\u00e9alablement le mod\u00e8le en m\u00e9moire vive \u00e0 l’aide de l’instruction estimates store ModeleQuantile<\/em>. La syntaxe de restitution mobilise ensuite la directive de mise en forme suivante :<\/p>\n esttab ModeleQuantile using \u00ab\u00a0resultats_quantiles.rtf\u00a0\u00bb, replace cells(b(star fmt(4)) se(par fmt(4))) stats(N, labels(\u00ab\u00a0Observations\u00a0\u00bb)) unstack<\/em><\/p>\n L’argument crucial unstack<\/em> ordonne au compilateur d’\u00e9clater les diff\u00e9rentes \u00e9quations quantiles ([q10]<\/em>, [q50]<\/em>, [q90]<\/em>, etc.) en colonnes parall\u00e8les contigu\u00ebs, alignant verticalement les coefficients de chaque variable explicative sur des lignes communes.<\/p>\n Cette harmonisation de la pr\u00e9sentation garantit l’inclusion syst\u00e9matique des niveaux de significativit\u00e9 statistique mat\u00e9rialis\u00e9s par le conventionnel code d’ast\u00e9risques (* p < 0.05, ** p < 0.01, *** p < 0.001), des erreurs-types convenablement parenth\u00e9s\u00e9es sous chaque coefficient, du nombre d’observations total et des pseudo R-deux calcul\u00e9s pour chaque quantile, fournissant une maquette tabulaire imm\u00e9diatement exploitable pour l’\u00e9valuation par les comit\u00e9s de lecture.<\/p>\n La formulation narrative des r\u00e9sultats dans les sections statistiques d’un manuscrit scientifique doit ob\u00e9ir \u00e0 des r\u00e8gles de transparence rigoureuses, particuli\u00e8rement dans les disciplines comportementales et m\u00e9dicales appliquant les directives m\u00e9thodologiques de l’American Psychological Association (APA 7e \u00e9dition<\/a>). L’analyste doit formellement expliciter les motifs th\u00e9oriques et statistiques qui ont guid\u00e9 le choix d’une approche quantile au d\u00e9triment des m\u00e9thodes lin\u00e9aires param\u00e9triques traditionnelles (mise en \u00e9vidence d’une asym\u00e9trie de distribution, pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 confirm\u00e9e par le test de Breusch-Pagan, ou volont\u00e9 d’ausculter des sous-groupes cliniques extr\u00eames).<\/p>\n Le protocole de calcul des erreurs-types doit faire l’objet d’une description m\u00e9thodique transparente au sein du paragraphe d\u00e9di\u00e9 aux analyses statistiques. Il est indispensable d’indiquer si l’inf\u00e9rence repose sur des approximations analytiques asymptotiques sous hypoth\u00e8se de parcimonie (m\u00e9thode de Koenker-Bassett) ou sur des proc\u00e9dures de r\u00e9\u00e9chantillonnage bootstrap non param\u00e9trique. Dans cette derni\u00e8re configuration, le manuscrit doit imp\u00e9rativement pr\u00e9ciser le volume de r\u00e9plications ex\u00e9cut\u00e9es (ex. \u00ab 1 000 r\u00e9\u00e9chantillonnages bootstrap \u00bb) et attester de la fixation d’une graine pseudo-al\u00e9atoire pour garantir la r\u00e9plicabilit\u00e9 int\u00e9grale de l’exp\u00e9rience num\u00e9rique.<\/p>\n Lors de la restitution descriptive des coefficients, le texte doit \u00e9noncer avec pr\u00e9cision le quantile \u00e9valu\u00e9, la magnitude de l’effet marginal, l’erreur-type associ\u00e9e, la valeur exacte de la statistique de test et la valeur p correspondante. Une formulation standardis\u00e9e recommand\u00e9e prend la forme suivante : \u00ab L’analyse par r\u00e9gression quantile r\u00e9v\u00e8le que si l’effet de la masse sur le rendement \u00e9nerg\u00e9tique demeure mod\u00e9r\u00e9 au 10e percentile (b\u00eata = -0.0035, SE = 0.0011, t = -3.18, p = 0.002), son intensit\u00e9 p\u00e9nalisante s’accro\u00eet consid\u00e9rablement au 90e percentile (b\u00eata = -0.0085, SE = 0.0014, t = -6.07, p < 0.001). Le test de Wald inter-quantiles confirme que cette divergence de pente est hautement significative (Chi2(1) = 14.82, p < 0.001), attestant d’une alt\u00e9ration structurelle de l’\u00e9chelle conditionnelle de la consommation automobile. \u00bb<\/p>\n Pour accompagner le praticien dans l’arbitrage m\u00e9thodologique au sein de l’environnement Stata, la mise en place d’un arbre d\u00e9cisionnel synth\u00e9tique permet d’optimiser l’ad\u00e9quation entre la structure empirique des donn\u00e9es et la sp\u00e9cification \u00e9conom\u00e9trique retenue. La premi\u00e8re bifurcation repose sur le diagnostic des r\u00e9sidus MCO classiques : en pr\u00e9sence de r\u00e9sidus gaussiens et d’une homosc\u00e9dasticit\u00e9 valid\u00e9e par le test de Breusch-Pagan, l’estimation conventionnelle via la commande regress<\/em> conserve sa sup\u00e9riorit\u00e9 en termes d’efficacit\u00e9 th\u00e9orique.<\/p>\n D\u00e8s lors que l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 est av\u00e9r\u00e9e, que la variable de r\u00e9ponse affiche une asym\u00e9trie marqu\u00e9e ou que des valeurs atypiques exercent un effet de levier sur la moyenne, la transition vers le paradigme quantile s’impose. Si l’interrogation scientifique cible uniquement une mesure centrale de tendance non distordue par les extr\u00eames, la commande qreg<\/em> appliqu\u00e9e \u00e0 la m\u00e9diane (tau = 0.50) ou la commande robuste bsqreg<\/em> constituent le choix optimal. Si les hypoth\u00e8ses de recherche impliquent l’\u00e9valuation formelle de disparit\u00e9s de traitement le long de la distribution, la mobilisation de sqreg<\/em> s’av\u00e8re incontournable pour autoriser les tests de contrastes inter-quantiles via la commande test<\/em>.<\/p>\n Enfin, deux \u00e9cueils m\u00e9thodologiques majeurs doivent \u00eatre rigoureusement contourn\u00e9s avant toute soumission scientifique : la surinterpr\u00e9tation des quantiles extr\u00eames situ\u00e9s au-del\u00e0 des percentiles 0.05 ou 0.95 en pr\u00e9sence d’\u00e9chantillons de taille modeste, et l’omission de la correction pour corr\u00e9lations intra-grappes. L’analyste averti v\u00e9rifiera syst\u00e9matiquement la densit\u00e9 locale d’observations \u00e0 chaque seuil et basculera vers le module qreg2<\/em> ou des mod\u00e8les \u00e0 effets de panel (xtqreg<\/em>) d\u00e8s que la structure d’\u00e9chantillonnage s’\u00e9carte de l’ind\u00e9pendance pure, assurant ainsi une rigueur analytique irr\u00e9prochable et conforme aux exigences m\u00e9thodologiques de la recherche quantitative contemporaine.<\/p>\n1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques de la r\u00e9gression quantile<\/h2>\n
1.1 Limites de la r\u00e9gression lin\u00e9aire classique par les Moindres Carr\u00e9s Ordinaires (MCO)<\/h3>\n
1.2 Principe math\u00e9matique de la minimisation des \u00e9carts absolus pond\u00e9r\u00e9s<\/h3>\n
1.3 Pertinence m\u00e9thodologique en sciences quantitatives et psychom\u00e9trie<\/h3>\n
2. Avantages comparatifs et conditions d’application sous Stata<\/h2>\n
2.1 Robustesse aux violations des postulats gaussiens<\/h3>\n
2.2 Caract\u00e9risation exhaustive de la distribution conditionnelle<\/h3>\n
2.3 Pr\u00e9requis statistiques et consid\u00e9rations relatives \u00e0 la taille d’\u00e9chantillon<\/h3>\n
3. Pr\u00e9paration des donn\u00e9es et environnement de travail dans Stata<\/h2>\n
3.1 Initialisation de la session et chargement des jeux de donn\u00e9es<\/h3>\n
![\"Summary](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quantileRegressionStata1.png\")
3.2 Inspection pr\u00e9liminaire et nettoyage des variables d’int\u00e9r\u00eat<\/h3>\n
3.3 Structuration et documentation du script de r\u00e9plication (Do-file)<\/h3>\n
4. Diagnostic distributionnel pr\u00e9alable de la variable d\u00e9pendante<\/h2>\n
4.1 \u00c9valuation visuelle de la non-normalit\u00e9 et de l’asym\u00e9trie<\/h3>\n
4.2 Tests formels de normalit\u00e9 et calcul des moments statistiques<\/h3>\n
4.3 Identification formelle de la structure d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/h3>\n
5. Estimation du mod\u00e8le lin\u00e9aire de r\u00e9f\u00e9rence par les MCO<\/h2>\n
5.1 Sp\u00e9cification et syntaxe du mod\u00e8le MCO standard<\/h3>\n
![\"Interpreting](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/simpleRegressionStata3-1.png\")
5.2 Interpr\u00e9tation acad\u00e9mique des coefficients moyens<\/h3>\n
5.3 Mise en \u00e9vidence des limites inf\u00e9rentielles du mod\u00e8le de base<\/h3>\n
6. Syntaxe fondamentale de la r\u00e9gression m\u00e9diane sous Stata<\/h2>\n
6.1 Mise en \u0153uvre de la commande qreg pour la m\u00e9diane (tau = 0.50)<\/h3>\n
![\"Quantile](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quantileRegressionStata2.png\")
6.2 D\u00e9composition et lecture du tableau de r\u00e9sultats qreg<\/h3>\n
6.3 Calcul de l’erreur-type et m\u00e9thodes d’inf\u00e9rence analytique<\/h3>\n
7. Mod\u00e9lisation des quantiles sp\u00e9cifiques et analyse des queues de distribution<\/h2>\n
7.1 Syntaxe de l’option quantile() pour cibler des seuils arbitraires<\/h3>\n
7.2 Interpr\u00e9tation substantive des coefficients conditionnels sp\u00e9cifiques<\/h3>\n
7.3 Gestion des covariables multiples et contr\u00f4les statistiques<\/h3>\n
8. Estimation simultan\u00e9e de quantiles multiples avec sqreg<\/h2>\n
8.1 Motivation m\u00e9thodologique de l’estimation conjointe<\/h3>\n
![\"Multiple](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/quantileRegressionStata3.png\")
8.2 Syntaxe et ex\u00e9cution de la commande sqreg<\/h3>\n
8.3 Exploitation de la matrice de variance-covariance inter-quantiles<\/h3>\n
9. Inf\u00e9rence statistique et tests d’hypoth\u00e8ses inter-quantiles<\/h2>\n
9.1 Test d’\u00e9galit\u00e9 des pentes entre diff\u00e9rents quantiles<\/h3>\n
9.2 \u00c9valuation empirique de la non-lin\u00e9arit\u00e9 des effets<\/h3>\n
9.3 Tests de restrictions lin\u00e9aires complexes sur plusieurs r\u00e9gresseurs<\/h3>\n
10. Approches alternatives et robustesse de l’inf\u00e9rence : bsqreg et iqreg<\/h2>\n
10.1 Estimation robuste par r\u00e9\u00e9chantillonnage bootstrap avec bsqreg<\/h3>\n
10.2 R\u00e9gression sur l’intervalle interquartile avec iqreg<\/h3>\n
10.3 Extensions pour donn\u00e9es complexes et d\u00e9pendances r\u00e9siduelles<\/h3>\n
11. Visualisation graphique avanc\u00e9e des r\u00e9sultats avec grqreg<\/h2>\n
11.1 Installation et configuration du module compl\u00e9mentaire grqreg<\/h3>\n
11.2 G\u00e9n\u00e9ration et personnalisation des graphiques d’effets quantiles<\/h3>\n
11.3 Interpr\u00e9tation visuelle des diagrammes de coefficients<\/h3>\n
12. Restitution acad\u00e9mique, bonnes pratiques et synth\u00e8se m\u00e9thodologique<\/h2>\n
12.1 Tabulation automatis\u00e9e des r\u00e9sultats selon les normes acad\u00e9miques<\/h3>\n
12.2 Standards de r\u00e9daction des r\u00e9sultats en psychologie et sciences comportementales<\/h3>\n
12.3 Arbre d\u00e9cisionnel pour le choix du mod\u00e8le optimal sous Stata<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n