La mise en oeuvre des techniques de bootstrap pour la prévision économétrique : application à l'industrie automobile
Application of Bootstrap Techniques in Econometrics: the Example of Cost Estimation in the Automotive Industry
1
Renault SA
2
ENSPM
Auteur de correspondance : sandrine. juan@renault. com
L'application des méthodes de bootstrap aux modèles de régression permet d'obtenir des approximations de la distribution des coefficients ainsi que la distribution des erreurs de prédiction. Dans cet article, nous nous intéressons à l'application des techniques de bootstrap pour déterminer des intervalles de prédiction à partir d'une modélisation économétrique où les régresseurs sont des données. Nous abordons différents problèmes liés à cette application : la détermination du nombre de réplications, le choix de la méthode de calcul de l'estimateur des moindres carrés ordinaires (pseudo-inverse ou inverse), ainsi que l'algorithme de tri de la statistique considérée. Ces investigations proviennent des besoins de prédiction des coûts dans l'industrie automobile dès la phase d'avant-projet du développement d'un nouveau véhicule. Généralement, les échantillons sont de faible taille et les termes d'erreur n'ont pas forcément une distribution gaussienne. Ainsi, l'utilisation des techniques de bootstrap permet d'améliorer les intervalles de prédiction en retranscrivant la distribution originale des données. Deux exemples (moteur et réservoir) illustrent la mise en Suvre de ces techniques.
Abstract
Bootstrap methods applied in regression models help to approximate the distributions of the coefficients and the prediction errors. In this paper, we apply bootstrap techniques to determine prediction intervals from econometric models when the regressors are known. We investigate problems associated with their application: determining the number of replications, choosing the method to calculate the least-squares estimator (pseudo-inverse or inverse) and sorting algorithm of the statistic of interest. This investigation arises from the need in the automotive industry to predict costs in the early phases of development of a new vehicle. Generally, the sample size is small and the model's error term of the model is not Gaussian. Consequently, bootstrap techniques strongly improve prediction intervals by reflecting the original distribution of the data. Two examples (engine and fuel tank) illustrate the technique.
© IFP, 2001