Dans le domaine de l’\u00e9conom\u00e9trie appliqu\u00e9e et de la mod\u00e9lisation statistique des sciences du comportement, l’\u00e9valuation de la validit\u00e9 interne d’un mod\u00e8le de r\u00e9gression lin\u00e9aire repose fondamentalement sur le diagnostic rigoureux de ses r\u00e9sidus. Parmi les postulats classiques formul\u00e9s par le th\u00e9or\u00e8me de Gauss-Markov, l’hypoth\u00e8se selon laquelle les termes d’erreur ne pr\u00e9sentent aucune corr\u00e9lation mutuelle conditionnellement aux r\u00e9gresseurs constitue une pierre angulaire pour garantir que l’estimateur des moindres carr\u00e9s ordinaires (MCO) demeure le meilleur estimateur lin\u00e9aire non biais\u00e9 (BLUE). Lorsque cette condition d’orthogonalit\u00e9 temporelle ou s\u00e9rielle est rompue, l’ensemble de l’\u00e9difice inf\u00e9rentiel s’effondre : bien que les coefficients estim\u00e9s puissent conserver leur propri\u00e9t\u00e9 de convergence et de non-biais sous certaines conditions strictes d’exog\u00e9n\u00e9it\u00e9, leurs erreurs-types se trouvent lourdement sous-estim\u00e9es ou surestim\u00e9es, invalidant de fait les tests de Student, les analyses de variance et les intervalles de confiance associ\u00e9s.<\/p>\n
Face \u00e0 cette vuln\u00e9rabilit\u00e9 m\u00e9thodologique, les chercheurs ont longtemps recouru de mani\u00e8re quasi exclusive au test de Durbin-Watson. Cependant, ce dernier pr\u00e9sente des limitations math\u00e9matiques r\u00e9dhibitoires, notamment son incapacit\u00e9 structurelle \u00e0 d\u00e9tecter des autocorr\u00e9lations d’ordre sup\u00e9rieur \u00e0 un et son invalidation th\u00e9orique absolue d\u00e8s lors que le mod\u00e8le int\u00e8gre des retards de la variable d\u00e9pendante parmi les variables explicatives. Pour surmonter ces contraintes restrictives, Trevor S. Breusch et Leslie G. Godfrey ont d\u00e9velopp\u00e9 de fa\u00e7on ind\u00e9pendante \u00e0 la fin des ann\u00e9es 1970 une proc\u00e9dure diagnostique g\u00e9n\u00e9rale fond\u00e9e sur le principe du multiplicateur de Lagrange. Ce test, universellement d\u00e9sign\u00e9 sous le nom de test de Breusch-Godfrey<\/a>, s’est impos\u00e9 comme le standard d’excellence pour traquer les d\u00e9pendances s\u00e9rielles complexes dans les mod\u00e8les de r\u00e9gression contemporains.<\/p>\n Le pr\u00e9sent guide m\u00e9thodologique propose une exploration exhaustive, th\u00e9orique et op\u00e9rationnelle du test de Breusch-Godfrey au sein de l’environnement de programmation statistique R. Con\u00e7u \u00e0 l’intention des chercheurs, des biostatisticiens, des \u00e9conom\u00e8tres et des psychom\u00e9triciens confront\u00e9s \u00e0 des donn\u00e9es s\u00e9quentielles, longitudinales ou issues de protocoles d’\u00e9valuation \u00e9cologique momentan\u00e9e, cet article d\u00e9taille chaque \u00e9tape du processus analytique. Depuis la d\u00e9rivation math\u00e9matique des statistiques de test jusqu’\u00e0 la mise en \u0153uvre de solutions d’estimation robustes face aux violations empiriques, en passant par le calibrage fin du param\u00e8tre de retard et l’interpr\u00e9tation acad\u00e9mique des r\u00e9sultats, ce document fournit les cl\u00e9s n\u00e9cessaires pour garantir la parfaite rigueur de vos inf\u00e9rences statistiques.<\/p>\n Dans la formulation matricielle classique du mod\u00e8le de r\u00e9gression lin\u00e9aire g\u00e9n\u00e9rale, exprim\u00e9e sous la forme Y = X\u03b2 + \u03b5<\/em>, o\u00f9 Y<\/em> repr\u00e9sente le vecteur des observations de dimension (n \u00d7 1)<\/em>, X<\/em> la matrice des r\u00e9gresseurs de dimension (n \u00d7 k)<\/em>, \u03b2<\/em> le vecteur des param\u00e8tres inconnus de dimension (k \u00d7 1)<\/em> et \u03b5<\/em> le vecteur des perturbations stochastiques inobservables, la th\u00e9orie statistique impose un ensemble d’hypoth\u00e8ses sur le comportement probabiliste de \u03b5<\/em>. L’une des exigences fondamentales concerne la structure de la matrice de variance-covariance des erreurs conditionnelle \u00e0 X<\/em>. Math\u00e9matiquement, cette condition s’\u00e9nonce par l’\u00e9galit\u00e9 Var(\u03b5|X) = E(\u03b5\u03b5’|X) = \u03c3\u00b2I\u2099<\/em>, o\u00f9 \u03c3\u00b2<\/em> d\u00e9signe la variance scalaire constante du terme d’erreur et I\u2099<\/em> repr\u00e9sente la matrice identit\u00e9 d’ordre n<\/em>. Ce postulat condense deux propri\u00e9t\u00e9s indispensables : d’une part, l’homosc\u00e9dasticit\u00e9, qui requiert que la diagonale principale de la matrice soit constitu\u00e9e d’\u00e9l\u00e9ments identiques repr\u00e9sentant une dispersion constante, et d’autre part, la non-autocorr\u00e9lation ou ind\u00e9pendance conditionnelle s\u00e9rielle, imposant que tous les \u00e9l\u00e9ments situ\u00e9s hors de la diagonale principale soient rigoureusement nuls, soit Cov(\u03b5\u1d62, \u03b5\u2c7c | X) = 0<\/em> pour tout i \u2260 j<\/em>.<\/p>\n Lorsque cette hypoth\u00e8se d’ind\u00e9pendance conditionnelle est viol\u00e9e, c’est-\u00e0-dire lorsqu’il existe une corr\u00e9lation syst\u00e9matique entre les perturbations associ\u00e9es \u00e0 diff\u00e9rentes observations temporelles ou spatiales, le c\u00e9l\u00e8bre th\u00e9or\u00e8me de Gauss-Markov<\/a> cesse d’\u00eatre v\u00e9rifi\u00e9. D\u00e8s lors, bien que l’estimateur usuel des moindres carr\u00e9s ordinaires, donn\u00e9 par \u03b2\u0302 = (X’X)\u207b\u00b9X’Y<\/em>, demeure sans biais et convergent pourvu que l’hypoth\u00e8se d’exog\u00e9n\u00e9it\u00e9 stricte E(\u03b5|X) = 0<\/em> reste respect\u00e9e, il perd irr\u00e9vocablement sa propri\u00e9t\u00e9 d’efficacit\u00e9 statistique. En d’autres termes, \u03b2\u0302<\/em> n’est plus l’estimateur \u00e0 variance minimale au sein de la classe des estimateurs lin\u00e9aires sans biais (BLUE). Il existe des estimateurs alternatifs, tels que l’estimateur des moindres carr\u00e9s g\u00e9n\u00e9ralis\u00e9s (GLS), qui affichent une variance d’\u00e9chantillonnage substantiellement inf\u00e9rieure.<\/p>\n La cons\u00e9quence la plus d\u00e9l\u00e9t\u00e8re de l’autocorr\u00e9lation ne r\u00e9side toutefois pas uniquement dans cette perte d’efficacit\u00e9 intrins\u00e8que, mais plut\u00f4t dans la d\u00e9formation structurelle de l’estimateur conventionnel de la matrice de variance-covariance des param\u00e8tres. La formule classique calcul\u00e9e par les logiciels statistiques standards, Var\u0302(\u03b2\u0302) = s\u00b2(X’X)\u207b\u00b9<\/em>, repose implicitement sur l’int\u00e9grit\u00e9 de la matrice \u03c3\u00b2I\u2099<\/em>. En pr\u00e9sence de corr\u00e9lations non nulles entre r\u00e9sidus, la v\u00e9ritable matrice de variance-covariance asymptotique adopte la forme dite en sandwich : Var(\u03b2\u0302|X) = (X’X)\u207b\u00b9 X’ \u03a9 X (X’X)\u207b\u00b9<\/em>, o\u00f9 \u03a9 = E(\u03b5\u03b5’)<\/em> repr\u00e9sente la matrice de covariance r\u00e9elle des perturbations. Dans la quasi-totalit\u00e9 des configurations empiriques caract\u00e9ris\u00e9es par une autocorr\u00e9lation positive entre observations successives, la formule conventionnelle sous-\u00e9value drastiquement la v\u00e9ritable dispersion des estimateurs, comprimant artificiellement les erreurs-types de chaque coefficient.<\/p>\n Cet effondrement artificiel des erreurs-types a des r\u00e9percussions d\u00e9sastreuses sur l’ensemble de l’inf\u00e9rence statistique formelle. Les statistiques de test t<\/em> de Student associ\u00e9es \u00e0 chaque r\u00e9gresseur, calcul\u00e9es par le ratio entre le coefficient estim\u00e9 et son erreur-type, voient leurs valeurs gonfl\u00e9es de mani\u00e8re m\u00e9canique. Ce ph\u00e9nom\u00e8ne conduit le mod\u00e9lisateur \u00e0 rejeter l’hypoth\u00e8se nulle d’absence d’effet avec une fr\u00e9quence largement sup\u00e9rieure au seuil nominal fix\u00e9 \u03b1<\/em>. Le taux d’erreur de type I \u2014 consistant \u00e0 identifier une association statistiquement significative l\u00e0 o\u00f9 il n’existe en r\u00e9alit\u00e9 qu’une covariation fortuite induite par la m\u00e9moire s\u00e9rielle du bruit de fond \u2014 se trouve consid\u00e9rablement exacerb\u00e9, atteignant fr\u00e9quemment des proportions alarmantes de 30 % \u00e0 50 % au lieu des 5 % th\u00e9oriques attendus. Les intervalles de confiance se r\u00e9v\u00e8lent trompeusement \u00e9troits, conf\u00e9rant aux estimations une pr\u00e9cision illusoire qui compromet gravement la r\u00e9plicabilit\u00e9 des r\u00e9sultats.<\/p>\n L’\u00e9mergence d’une autocorr\u00e9lation r\u00e9siduelle au sein des mod\u00e9lisations statistiques appliqu\u00e9es n’est que rarement un ph\u00e9nom\u00e8ne purement al\u00e9atoire ; elle refl\u00e8te le plus souvent des propri\u00e9t\u00e9s intrins\u00e8ques du protocole de recueil des donn\u00e9es ou des d\u00e9fauts structurels dans la sp\u00e9cification du mod\u00e8le math\u00e9matique. Dans les sciences comportementales, cognitives et psychom\u00e9triques, l’adoption croissante de protocoles longitudinaux \u00e0 haute fr\u00e9quence, tels que l’\u00e9valuation \u00e9cologique momentan\u00e9e (Ecological Momentary Assessment<\/em> ou EMA) ou les m\u00e9thodes d’\u00e9chantillonnage de l’exp\u00e9rience (Experience Sampling Methods<\/em> ou ESM), expose directement les chercheurs \u00e0 ce d\u00e9fi. Lorsque les participants sont invit\u00e9s \u00e0 renseigner des \u00e9chelles psychologiques plusieurs fois par jour via leur ordiphone, les intervalles temporels s\u00e9parant les mesures deviennent si resserr\u00e9s que les \u00e9tats psychophysiologiques internes des sujets n’ont pas le temps de revenir \u00e0 leur niveau de base, g\u00e9n\u00e9rant une continuit\u00e9 stochastique r\u00e9siduelle d’une observation \u00e0 la suivante.<\/p>\n Une source majeure et r\u00e9currente de corr\u00e9lation s\u00e9rielle r\u00e9side dans l’omission de variables explicatives pertinentes qui manifestent elles-m\u00eames une inertie temporelle marqu\u00e9e. Les construits psychologiques tels que la fatigue cognitive, l’humeur d\u00e9pressive diffuse, l’\u00e9tat de stress per\u00e7u ou le niveau de vigilance ne fluctuent pas de mani\u00e8re discontinue ou erratique ; ils \u00e9voluent selon des trajectoires continues dot\u00e9es d’une forte d\u00e9pendance \u00e0 leur \u00e9tat pass\u00e9. Si un mod\u00e8le de r\u00e9gression tente de pr\u00e9dire la performance cognitive d’un individu en omettant d’int\u00e9grer une mesure explicite de son niveau d’\u00e9puisement accumul\u00e9 au fil des heures, cet \u00e9puisement non captur\u00e9 est rel\u00e9gu\u00e9 dans le terme d’erreur \u03b5<\/em>. Puisque la fatigue accumul\u00e9e \u00e0 l’instant t<\/em> d\u00e9pend \u00e9troitement de celle \u00e9prouv\u00e9e \u00e0 l’instant t-1<\/em>, le terme d’erreur h\u00e9rite math\u00e9matiquement de cette persistance dynamique, violant instantan\u00e9ment le postulat d’orthogonalit\u00e9 temporelle.<\/p>\n Au-del\u00e0 de l’omission de variables r\u00e9gulatrices, la mauvaise sp\u00e9cification de la forme fonctionnelle liant les pr\u00e9dicteurs au crit\u00e8re d’int\u00e9r\u00eat constitue un m\u00e9canisme g\u00e9n\u00e9rateur d’autocorr\u00e9lation tout aussi pr\u00e9gnant. Si la v\u00e9ritable relation sous-jacente entre une variable ind\u00e9pendante continue (comme le niveau d’anxi\u00e9t\u00e9 pr\u00e9-test) et une variable d\u00e9pendante (telle que l’efficience de la m\u00e9moire de travail) suit une courbe quadratique ou une loi en U invers\u00e9 de Yerkes-Dodson, mais que le chercheur impose arbitrairement une sp\u00e9cification strictement lin\u00e9aire, les r\u00e9sidus du mod\u00e8le pr\u00e9senteront une succession syst\u00e9matique d’\u00e9carts positifs et n\u00e9gatifs au fur et \u00e0 mesure que le r\u00e9gresseur progresse. Lorsque les donn\u00e9es sont tri\u00e9es chronologiquement ou collect\u00e9es selon un continuum temporel, cette courbure non mod\u00e9lis\u00e9e se traduit directement par des s\u00e9quences de r\u00e9sidus de m\u00eame signe, g\u00e9n\u00e9rant artificiellement un sch\u00e9ma d’autocorr\u00e9lation d’ordre un ou sup\u00e9rieur.<\/p>\n Enfin, les protocoles exp\u00e9rimentaux en psychologie cognitive impliquant des blocs d’essais r\u00e9p\u00e9t\u00e9s souffrent fr\u00e9quemment d’effets de report dynamique (carryover effects<\/em>) et de processus d’apprentissage s\u00e9quentiel. Dans une t\u00e2che de temps de r\u00e9action \u00e0 choix multiples comportant plusieurs centaines d’essais cons\u00e9cutifs, la r\u00e9ponse d’un participant \u00e0 l’essai t<\/em> est syst\u00e9matiquement conditionn\u00e9e par les \u00e9v\u00e9nements survenus lors des essais t-1<\/em>, t-2<\/em> ou t-3<\/em>, \u00e0 l’instar du ph\u00e9nom\u00e8ne bien document\u00e9 de ralentissement post-erreur (post-error slowing<\/em>) ou de la facilitation par amor\u00e7age inter-essais. M\u00eame apr\u00e8s avoir contr\u00f4l\u00e9 les conditions exp\u00e9rimentales contemporaines, les fluctuations r\u00e9siduelles de la vitesse de traitement manifestent une corr\u00e9lation s\u00e9rielle positive substantielle. Ignorer cette structure temporelle lors de la mod\u00e9lisation revient \u00e0 attribuer faussement \u00e0 des manipulations exp\u00e9rimentales une part de variance qui d\u00e9coule en r\u00e9alit\u00e9 de l’inertie propre du syst\u00e8me cognitif \u00e9tudi\u00e9.<\/p>\n L’objectif central du test de Breusch-Godfrey r\u00e9side dans sa capacit\u00e9 \u00e0 fournir une proc\u00e9dure de diagnostic statistique rigoureuse, formelle et hautement versatile, permettant de statuer sur la pr\u00e9sence \u00e9ventuelle de d\u00e9pendances s\u00e9rielles au sein des termes d’erreur d’une r\u00e9gression lin\u00e9aire, sans se restreindre aux cas de figure simplistes. Contrairement aux approches exploratoires purement visuelles fond\u00e9es sur l’examen des r\u00e9sidus, qui demeurent d\u00e9pendantes de la subjectivit\u00e9 de l’analyste et s’av\u00e8rent peu concluantes face \u00e0 des bruits stochastiques complexes, le test de Breusch-Godfrey d\u00e9rive un crit\u00e8re de d\u00e9cision quantitatif dot\u00e9 de propri\u00e9t\u00e9s asymptotiques parfaitement caract\u00e9ris\u00e9es. Il permet de tester simultan\u00e9ment ou s\u00e9quentiellement l’existence d’autocorr\u00e9lations s’\u00e9tendant jusqu’\u00e0 un ordre de retard arbitraire p<\/em>, couvrant ainsi l’ensemble des dynamiques autor\u00e9gressives ou de moyennes mobiles susceptibles de contaminer les donn\u00e9es.<\/p>\n La pertinence m\u00e9thodologique du test de Breusch-Godfrey devient \u00e9clatante d\u00e8s lors que l’on consid\u00e8re les architectures de mod\u00e9lisation dynamique modernes, en particulier les mod\u00e8les autor\u00e9gressifs qui incluent la variable d\u00e9pendante retard\u00e9e parmi les pr\u00e9dicteurs (par exemple, Y\u209c = \u03b2\u2080 + \u03b2\u2081X\u209c + \u03b3Y\u209c\u208b\u2081 + \u03b5\u209c<\/em>). Dans une telle configuration, les tests traditionnels s’av\u00e8rent totalement inop\u00e9rants : la pr\u00e9sence d’une variable d\u00e9pendante retard\u00e9e corr\u00e9l\u00e9e avec des r\u00e9sidus potentiellement autocorr\u00e9l\u00e9s biaise simultan\u00e9ment l’estimation des coefficients de r\u00e9gression et fausse la distribution d’\u00e9chantillonnage des statistiques de test classiques. Le test de Breusch-Godfrey, gr\u00e2ce \u00e0 sa formulation issue du principe du multiplicateur de Lagrange qui conditionne le test sur les r\u00e9gresseurs sous l’hypoth\u00e8se nulle, conserve son enti\u00e8re validit\u00e9 asymptotique en pr\u00e9sence de variables endog\u00e8nes retard\u00e9es, comblant ainsi une faille th\u00e9orique majeure de la bo\u00eete \u00e0 outils \u00e9conom\u00e9trique usuelle.<\/p>\n Dans le paradigme contemporain de la science ouverte et de la reproductibilit\u00e9 des analyses psychom\u00e9triques, le recours syst\u00e9matique au test de Breusch-Godfrey s’inscrit au c\u0153ur de la phase de validation des hypoth\u00e8ses avant toute tentative d’interpr\u00e9tation substantielle. La rigueur inf\u00e9rentielle exige que la structure stochastique du mod\u00e8le soit scrupuleusement purg\u00e9e de toute d\u00e9pendance s\u00e9rielle non th\u00e9oris\u00e9e avant de revendiquer la significativit\u00e9 statistique d’une intervention th\u00e9rapeutique, d’un effet d\u00e9veloppemental ou d’un pr\u00e9dicteur cognitif. Le test de Breusch-Godfrey ne constitue pas simplement un contr\u00f4le technique secondaire ; il repr\u00e9sente un rempart indispensable contre la prolif\u00e9ration de r\u00e9sultats faussement positifs dans la litt\u00e9rature empirique, fournissant une justification math\u00e9matique irr\u00e9futable pour le maintien du mod\u00e8le MCO ou, \u00e0 l’inverse, pour l’adoption imp\u00e9rative de corrections d’erreurs-types ou de r\u00e9estimations dynamiques adapt\u00e9es.<\/p>\n La d\u00e9rivation math\u00e9matique du test de Breusch-Godfrey repose sur l’hypoth\u00e8se que la perturbation stochastique \u03b5\u209c<\/em> du mod\u00e8le lin\u00e9aire standard peut suivre un processus autor\u00e9gressif d’ordre p<\/em>, not\u00e9 AR(p)<\/em>, ou de mani\u00e8re tout \u00e0 fait \u00e9quivalente sur le plan asymptotique, un processus de moyenne mobile d’ordre p<\/em>, not\u00e9 MA(p)<\/em>. Dans le cadre de la sp\u00e9cification autor\u00e9gressive, le comportement dynamique du terme d’erreur s’\u00e9crit formellement sous la forme :<\/p>\n \u03b5\u209c = \u03c1\u2081 \u03b5\u209c\u208b\u2081 + \u03c1\u2082 \u03b5\u209c\u208b\u2082 + … + \u03c1\u209a \u03b5\u209c\u208b\u209a + u\u209c<\/em><\/p>\n o\u00f9 \u03c1\u2081, \u03c1\u2082, …, \u03c1\u209a<\/em> repr\u00e9sentent les coefficients autor\u00e9gressifs capturant l’intensit\u00e9 et le sens de la m\u00e9moire temporelle r\u00e9siduelle pour chaque intervalle de retard allant de 1 jusqu’\u00e0 l’horizon p<\/em>, et o\u00f9 u\u209c<\/em> d\u00e9signe une perturbation stochastique id\u00e9ale, qualifi\u00e9e de bruit blanc, satisfaisant aux conditions E(u\u209c) = 0<\/em>, Var(u\u209c) = \u03c3\u00b2\u1d64<\/em> et Cov(u\u209c, u\u209b) = 0<\/em> pour tout t \u2260 s<\/em>. Dans ce cadre param\u00e9trique rigoureux, l’hypoth\u00e8se nulle de non-autocorr\u00e9lation des r\u00e9sidus jusqu’\u00e0 l’ordre p<\/em> s’\u00e9nonce par la nullit\u00e9 conjointe et absolue de l’ensemble des coefficients autor\u00e9gressifs du processus stochastique :<\/p>\n H\u2080 : \u03c1\u2081 = 0, \u03c1\u2082 = 0, …, \u03c1\u209a = 0<\/em><\/p>\n Sous cette hypoth\u00e8se nulle H\u2080<\/em>, le processus se contracte instantan\u00e9ment en \u03b5\u209c = u\u209c<\/em>, ce qui garantit que les perturbations du mod\u00e8le d’origine ne manifestent aucune m\u00e9moire s\u00e9rielle et que la condition de non-autocorr\u00e9lation requise par le th\u00e9or\u00e8me de Gauss-Markov est rigoureusement satisfaite. \u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative H\u2081<\/em> stipule l’existence d’une d\u00e9pendance temporelle active au sein du syst\u00e8me r\u00e9siduel, ce qui se traduit math\u00e9matiquement par la n\u00e9gation de la conjonction pr\u00e9c\u00e9dente :<\/p>\n H\u2081 : \u2203 j \u2208 {1, 2, …, p} tel que \u03c1\u2c7c \u2260 0<\/em><\/p>\n Il suffit donc qu’un seul des p<\/em> coefficients autor\u00e9gressifs pr\u00e9sente une divergence statistiquement significative par rapport \u00e0 z\u00e9ro pour que l’hypoth\u00e8se nulle soit formellement rejet\u00e9e, signalant la persistance d’une corr\u00e9lation s\u00e9rielle qui compromet la validit\u00e9 des inf\u00e9rences standards. Cette formulation multidimensionnelle conf\u00e8re au test une grande flexibilit\u00e9 d’investigation par rapport aux tests unidirectionnels focalis\u00e9s sur un retard unique.<\/p>\n L’\u00e9l\u00e9gance fondamentale de la proc\u00e9dure con\u00e7ue par Breusch et Godfrey d\u00e9coule de son ancrage dans le principe du multiplicateur de Lagrange<\/a> (souvent d\u00e9sign\u00e9 sous le terme de test du score de Rao). Dans la th\u00e9orie classique des tests d’hypoth\u00e8ses sur la fonction de vraisemblance, le test de Wald exige l’estimation non contrainte du mod\u00e8le sous l’hypoth\u00e8se alternative (ce qui impliquerait ici d’estimer conjointement les param\u00e8tres de r\u00e9gression et l’ensemble des p<\/em> coefficients autor\u00e9gressifs par des m\u00e9thodes non lin\u00e9aires complexes), tandis que le test du rapport de vraisemblance n\u00e9cessite d’estimer \u00e0 la fois le mod\u00e8le contraint et le mod\u00e8le non contraint. Le principe du multiplicateur de Lagrange pr\u00e9sente l’avantage analytique d\u00e9terminant de ne requ\u00e9rir que l’estimation du mod\u00e8le contraint par l’hypoth\u00e8se nulle \u2014 \u00e0 savoir la simple r\u00e9gression lin\u00e9aire ordinaire Y = X\u03b2 + \u03b5<\/em> estim\u00e9e par les MCO conventionnels.<\/p>\n La mise en \u0153uvre pratique de ce principe repose sur la construction d’une r\u00e9gression auxiliaire op\u00e9rant sur les r\u00e9sidus observ\u00e9s e\u209c = y\u209c – x’\u209c\u03b2\u0302<\/em>, qui constituent des approximations convergentes des termes d’erreur inobservables \u03b5\u209c<\/em>. Dans cette r\u00e9gression auxiliaire, le r\u00e9sidu contemporain e\u209c<\/em> est r\u00e9gress\u00e9 simultan\u00e9ment sur l’ensemble complet des r\u00e9gresseurs d’origine X<\/em> et sur les p<\/em> r\u00e9sidus retard\u00e9s e\u209c\u208b\u2081, e\u209c\u208b\u2082, …, e\u209c\u208b\u209a<\/em>. Pour les p<\/em> premi\u00e8res observations du jeu de donn\u00e9es o\u00f9 les retards des r\u00e9sidus ne sont pas d\u00e9finis, la pratique canonique consiste \u00e0 remplacer ces valeurs manquantes par le chiffre z\u00e9ro, ce qui correspond \u00e0 leur esp\u00e9rance math\u00e9matique sous l’hypoth\u00e8se nulle. La forme explicite de la r\u00e9gression auxiliaire s’\u00e9tablit ainsi :<\/p>\n e\u209c = x’\u209c\u03b3 + \u03b1\u2081 e\u209c\u208b\u2081 + \u03b1\u2082 e\u209c\u208b\u2082 + … + \u03b1\u209a e\u209c\u208b\u209a + v\u209c<\/em><\/p>\n L’inclusion des r\u00e9gresseurs originaux x’\u209c<\/em> au sein de cette \u00e9quation auxiliaire est d’une importance math\u00e9matique capitale : elle garantit l’orthogonalisation compl\u00e8te des r\u00e9sidus retard\u00e9s par rapport \u00e0 l’espace vectoriel engendr\u00e9 par X<\/em>. Cette projection assure que les coefficients \u03b1\u2081<\/em> \u00e0 \u03b1\u209a<\/em> capturent strictement l’autocorr\u00e9lation s\u00e9rielle pure, en purgeant les estimations de toute covariation potentielle avec les variables explicatives, ce qui pr\u00e9serve la validit\u00e9 du test m\u00eame si X<\/em> contient des retards de Y<\/em>. Une fois cette r\u00e9gression auxiliaire estim\u00e9e par les moindres carr\u00e9s ordinaires, on extrait son coefficient de d\u00e9termination non centr\u00e9 ou centr\u00e9 standard, d\u00e9sign\u00e9 par R\u00b2\u2091<\/em>. La statistique de test du multiplicateur de Lagrange, couramment not\u00e9e LM<\/em>, se d\u00e9finit alors comme le produit scalaire entre le nombre total d’observations n<\/em> et le coefficient de d\u00e9termination issu de la r\u00e9gression auxiliaire :<\/p>\n LM = n \u00d7 R\u00b2\u2091<\/em><\/p>\n Sous l’hypoth\u00e8se nulle H\u2080<\/em>, et en vertu du th\u00e9or\u00e8me central limite associ\u00e9 aux propri\u00e9t\u00e9s de convergence stochastique des estimateurs \u00e0 m\u00e9moire courte, la quantit\u00e9 LM<\/em> converge en loi lorsque la taille d’\u00e9chantillon n<\/em> tend vers l’infini vers une distribution asymptotique parfaitement tabul\u00e9e. Si les r\u00e9sidus ne manifestent aucune d\u00e9pendance s\u00e9rielle, le pouvoir pr\u00e9dictif des r\u00e9sidus retard\u00e9s sur le r\u00e9sidu contemporain est quasi nul, ce qui contraint R\u00b2\u2091<\/em> \u00e0 osciller au voisinage imm\u00e9diat de z\u00e9ro, maintenant ainsi la statistique LM<\/em> \u00e0 un niveau modeste. Inversement, si une autocorr\u00e9lation substantielle existe, les r\u00e9sidus retard\u00e9s expliqueront une proportion non n\u00e9gligeable de la variance de e\u209c<\/em>, augmentant R\u00b2\u2091<\/em> et propulsant la valeur de LM<\/em> au-del\u00e0 des valeurs critiques admissibles sous l’hypoth\u00e8se nulle.<\/p>\n Sous l’ensemble des conditions de r\u00e9gularit\u00e9 asymptotique requises pour les mod\u00e8les de s\u00e9ries temporelles stationnaires et ergodiques, la statistique du multiplicateur de Lagrange LM = n \u00d7 R\u00b2\u2091<\/em> suit asymptotiquement, sous l’hypoth\u00e8se nulle H\u2080<\/em>, une distribution du Chi-deux<\/a> dont le nombre de degr\u00e9s de libert\u00e9 est rigoureusement \u00e9gal \u00e0 l’ordre de retard maximal sp\u00e9cifi\u00e9 p<\/em> :<\/p>\n LM = n \u00d7 R\u00b2\u2091 ~\u1d43 Chi\u00b2(p)<\/em><\/p>\n Cette convergence vers une loi \u00e0 p<\/em> degr\u00e9s de libert\u00e9 d\u00e9coule directement du fait que la restriction sous H\u2080<\/em> impose la nullit\u00e9 conjointe de pr\u00e9cis\u00e9ment p<\/em> param\u00e8tres ind\u00e9pendants (les coefficients \u03b1\u2081<\/em> \u00e0 \u03b1\u209a<\/em> de la r\u00e9gression auxiliaire). En pratique, cette propri\u00e9t\u00e9 asymptotique fournit un crit\u00e8re de d\u00e9cision univoque en grand \u00e9chantillon : si la valeur empirique calcul\u00e9e de LM<\/em> exc\u00e8de la valeur critique th\u00e9orique Chi\u00b2_{1-\u03b1}(p)<\/em> pour un seuil de signification choisi \u03b1<\/em> (commun\u00e9ment fix\u00e9 \u00e0 0.05), ou si la probabilit\u00e9 critique asymptotique (p<\/em>-valeur) associ\u00e9e v\u00e9rifie P(Chi\u00b2(p) \u2265 LM) < \u03b1<\/em>, le chercheur se trouve contraint de rejeter formellement l’hypoth\u00e8se nulle H\u2080<\/em> au profit de l’hypoth\u00e8se alternative H\u2081<\/em>, concluant \u00e0 la pr\u00e9sence d’une autocorr\u00e9lation s\u00e9rielle significative au sein des erreurs de mod\u00e9lisation.<\/p>\n Cependant, dans le contexte d’\u00e9chantillons de taille mod\u00e9r\u00e9e ou r\u00e9duite (typiquement lorsque n<\/em> est inf\u00e9rieur \u00e0 une centaine d’observations), la statistique asymptotique du Chi-deux tend \u00e0 manifester une distorsion de taille non n\u00e9gligeable, conduisant \u00e0 une sur-rejection excessive de l’hypoth\u00e8se nulle. Pour pallier cette faiblesse d’approximation en petit \u00e9chantillon, Godfrey et Harvey ont propos\u00e9 une alternative robuste fond\u00e9e sur la statistique usuelle de Fisher F<\/em> de significativit\u00e9 globale des coefficients \u03b1\u2081<\/em> \u00e0 \u03b1\u209a<\/em> dans la r\u00e9gression auxiliaire. Cette variante empirique se calcule selon la formule standard :<\/p>\n F = [ R\u00b2\u2091 \/ p ] \/ [ (1 – R\u00b2\u2091) \/ (n – k – p) ]<\/em><\/p>\n1. Introduction \u00e0 l’autocorr\u00e9lation des r\u00e9sidus en mod\u00e9lisation statistique<\/h2>\n
1.1 Le postulat d’ind\u00e9pendance des erreurs dans le mod\u00e8le lin\u00e9aire<\/h3>\n
1.2 Origines de l’autocorr\u00e9lation dans les donn\u00e9es empiriques et psychom\u00e9triques<\/h3>\n
1.3 Objectif et pertinence du test de Breusch-Godfrey<\/h3>\n
2. Fondements th\u00e9oriques et formulation math\u00e9matique du test de Breusch-Godfrey<\/h2>\n
2.1 Formulation des hypoth\u00e8ses statistiques nulle et alternative<\/h3>\n
2.2 D\u00e9rivation du principe du multiplicateur de Lagrange (LM)<\/h3>\n
2.3 Distributions th\u00e9oriques et crit\u00e8res de d\u00e9cision<\/h3>\n