Dans ce cours, vous apprendrez pourquoi il est rationnel d'utiliser les paramètres récupérés dans le cadre du modèle de régression linéaire classique pour les tests d'hypothèse dans des contextes incertains. Vous allez : - Développer votre connaissance des propriétés statistiques de l'estimateur des MCO en vérifiant si les hypothèses clés fonctionnent.

- Vous apprendrez que l'estimateur des MCO possède certaines propriétés statistiques souhaitables, qui sont à la base d'une approche des tests d'hypothèse visant à faciliter la prise de décision rationnelle. - Examinez le concept d'hypothèse nulle et d'hypothèse alternative, avant d'étudier une statistique et une distribution sous l'hypothèse nulle, ainsi qu'une règle permettant de décider quelle hypothèse est la plus probable. - Découvrez ce qu'il advient du cadre décisionnel si certaines hypothèses du CLRM ne sont pas respectées, en explorant les tests de diagnostic. - Apprenez les étapes nécessaires pour détecter les violations, les conséquences sur l'estimateur des MCO et les techniques qui doivent être adoptées pour résoudre ces problèmes. Avant de commencer ce cours, vous devez avoir une certaine connaissance des statistiques de base, y compris la moyenne, la variance, l'asymétrie et l'aplatissement. Il est également recommandé que vous ayez suivi et compris le cours précédent de cette spécialisation : Le modèle de régression linéaire classique. A la fin de ce cours, vous serez capable de : - Expliquer ce qu'est un test d'hypothèse - Expliquer pourquoi les MCO sont une approche rationnelle des tests d'hypothèse - Effectuer des tests d'hypothèse pour des hypothèses simples et multiples - Expliquer l'idée de test de diagnostic - Effectuer des tests d'hypothèse pour des hypothèses simples et multiples avec R - Identifier et résoudre les problèmes soulevés par l'identification des paramètres.