Access

You are not currently logged in.

Access your personal account or get JSTOR access through your library or other institution:

login

Log in to your personal account or through your institution.

If You Use a Screen Reader

This content is available through Read Online (Free) program, which relies on page scans. Since scans are not currently available to screen readers, please contact JSTOR User Support for access. We'll provide a PDF copy for your screen reader.

Iterative Solutions and Heteroscedasticity in Regression Analysis

G. R. Fisher
Revue de l'Institut International de Statistique / Review of the International Statistical Institute
Vol. 30, No. 2 (1962), pp. 153-159
DOI: 10.2307/1401896
Stable URL: http://www.jstor.org/stable/1401896
Page Count: 7
  • Read Online (Free)
  • Download ($12.00)
  • Subscribe ($19.50)
  • Cite this Item
Since scans are not currently available to screen readers, please contact JSTOR User Support for access. We'll provide a PDF copy for your screen reader.
Iterative Solutions and Heteroscedasticity in Regression Analysis
Preview not available

Abstract

Dans un article précédent [5] nous avons suggéré que pour obtenir des estimations par la méthode du maximum de vraisemblance des coefficients dans une régression linéaire multiple avec des erreurs hétéroscédastiques, il faut renverser la matrice d'information à chaque étape du processus itératif. Ceci n'est pas nécessaire. Il faut seulement une inversion qui sert pour la procédure entière. Un plus grand nombre d'itérations est nécessaire que dans le processus où la matrice d'information est renversée à chaque étape, mais il y a une plus grande exactitude et souvent une économie du temps de calcul. Celui-ci dépend de quatre critères: (i) exactitude de l'ajustement; (ii) nombre des variables explicatives; (iii) differences de grandeur et de direction entre les coefficients; (iv) coût de l'inversion de la matrice. Là où il n'y a aucun avantage important dans la méthode par inversion unique, une approximation alternative est proposée. Ceci emploie des corrélatifs proches de la variable dépendante. Mais, puisqu'il y a une approximation, l'efficacité doit être normalement sacrifiée.

Page Thumbnails

  • Thumbnail: Page 
153
    153
  • Thumbnail: Page 
154
    154
  • Thumbnail: Page 
155
    155
  • Thumbnail: Page 
156
    156
  • Thumbnail: Page 
157
    157
  • Thumbnail: Page 
158
    158
  • Thumbnail: Page 
159
    159