Corrective Measures in Linear Regression Model Plagued with Heteroscedasticity: A Monte Carlo Approach

Abstract

In the presence of heteroscedasticity, Ordinary Least Squares (OLS) estimators remain unbiased but no longer efficient. The study examined the corrective measures in linear regression model plagued with heteroscedasticity. Four different heteroscedasticity test were examined of which Goldfeld Quandt test perform better when the sample size is small, while Glejser test is appropriate for larger sample sizes. The HC3 results in better inference for small samples and performed equally with other HCCM for large samples. The performance of OLS, WLS and HC3 compared shows that WLS estimator is preferable in parameter estimation if the model is plagued with heteroscedasticity with known functional form.

Cet article se focalise sur le modèle linéaire multivarié des moindres carrés ou ordinaire (MLMO) en presence d'hétéroscédasticité. Dans un tel cas, les estimateurs sont sans biais certes mais ils sont non-efficacces. Quatre tests d'hétéroscédasticité ont été appliqués. Le test de Goldfeld-Quandt est plus performant pour de petites tailles alors que le test Glejser est meilleur pour de grandes tailles. Les results HC3 sont meilleurs que ceux relatifs à HCCM pour de petites tailles mais leur sont équivalent pour de grandes tailles au niveau de la qualité de l'inférence. Les performances comparées des modèles MLMO, WLS et HC3 montrent que les estimateurs WLS sont préférables par rapport à l'estimation des paramètres en presence d'hétéroscédasticité lorsque les formes fonctionelles ne sont pas connues.