Selecting the best linear regression model. A classical approach (Q1094044)

Parmi les différentes voies d'étude de ce problème classique, l'option adoptée ici est la suivante: on compare deux modèles de régression linéaire (sous hypothèse normale principalement) en testant une hypothèse d'équivalence selon un critère qui est ici celui de Kullback-Leibler (on évalue \(E^ 0 (Log h^ 0(y| x)/f(y| x;\theta))\) où \(E^ 0\) désigne l'espérance par rapport à la distribution conjointe ``vraie'' de (y,x), \(h^ 0\) la densité conditionnelle vraie, f la densité conditionnelle postulée dont le paramètre \(\theta\) est optimisé). Le premier cas étudié est celui où les deux modèles sont supposés incorrectement spécifiés; puis celui où il existe un modèle correctement spécifié qui les contient tous deux, enfin celui où l'un des deux est correctement spécifié. Les résultats fournis sont essentiellement asymptotiques. Ils sont établis dans une autre publication.