Pour les articles homonymes, voir Jarque et Bera (homonymie).

Test de Jarque Bera

Type	Test de normalité
Nommé en référence à	Carlos Jarque Uribe, Anil K. Bera (en)

modifier - modifier le code - modifier Wikidata

Le test de Jarque-Bera est un test d'hypothèse qui cherche à déterminer si des données suivent une loi normale.

Comme pour chaque test d'hypothèse, il faut poser une hypothèse nulle à valider :

• ${\displaystyle H_{0}}$: les données suivent une loi normale.
• ${\displaystyle H_{1}}$: les données ne suivent pas une loi normale.

La variable de Jarque-Bera s'écrit

${\displaystyle {\mathit {JB}}={\frac {n-k}{6}}\left(S^{2}+{\frac {(K-3)^{2}}{4}}\right)}$

avec:

• n, le nombre d'observations
• k, le nombre de variables explicatives si les données proviennent des résidus d'une régression linéaire. Sinon, k reste nul.
• S, le coefficient d'asymétrie de l'échantillon testé.
• K, la kurtosis de l'échantillon testé.

Mathématiquement, S et K sont définis par:

${\displaystyle {\begin{aligned}&S={\frac {{\hat {\mu }}_{3}}{{\hat {\sigma }}^{3}}}={\frac {{\frac {1}{n}}\sum _{i=1}^{n}(x_{i}-{\bar {x}})^{3}}{\left({\frac {1}{n}}\sum _{i=1}^{n}(x_{i}-{\bar {x}})^{2}\right)^{3/2}}}\\&K={\frac {{\hat {\mu }}_{4}}{{\hat {\sigma }}^{4}}}={\frac {{\frac {1}{n}}\sum _{i=1}^{n}(x_{i}-{\bar {x}})^{4}}{\left({\frac {1}{n}}\sum _{i=1}^{n}(x_{i}-{\bar {x}})^{2}\right)^{2}}},\end{aligned}}}$

avec ${\displaystyle {\hat {\mu }}_{3}}$ et ${\displaystyle {\hat {\mu }}_{4}}$ les estimateurs du troisième et quatrième moments, ${\displaystyle {\bar {x}}}$ est la moyenne de l'échantillon et ${\displaystyle {\hat {\sigma }}^{2}}$ est la variance de l'échantillon.

La statistique JB suit asymptotiquement une loi du χ² à deux degrés de liberté.

Ce test est fréquemment utilisé pour déterminer si les résidus d'une régression linéaire suivent une distribution normale. Certains auteurs^[1] proposent de corriger par le nombre k de régresseurs, tandis que d'autres ^[2] ne le mentionnent pas.

Une loi normale a un coefficient d'asymétrie de 0 et une kurtosis de 3. On saisit alors que si les données suivent une loi normale, le test s'approche alors de 0 et on accepte (ne rejette pas) H₀ au seuil α.

Le test de Jarque-Bera ne teste pas à proprement parler si les données suivent une loi normale, mais plutôt si le kurtosis et le coefficient d'asymétrie des données sont les mêmes que ceux d'une loi normale de même espérance et variance.

On a donc:

${\displaystyle H_{0}:S=0{\mbox{ et }}K=3\,}$

${\displaystyle H_{1}:S\neq 0{\mbox{ ou }}K\neq 3\,}$

Il s'agit d'un test du type multiplicateur de Lagrange.

Avec le logiciel libre de statistiques R, il est possible de calculer le test de Jarque-Bera à partir du paquet tseries, ainsi qu'avec le paquet moments.

Un autre paquet, normtest, propose plusieurs autres test de normalité.

Pour calculer le test de Jarque-Bera dans un environnement basé sur le langage Python, le paquet "scipy.stats" propose une fonction dédiée nommée "jarque_bera"^[3].

Jarque, Carlos M. & Anil K. Bera (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters 6 (3): 255–259.

Bera, Anil K., Carlos M. Jarque (1981). Efficient tests for normality, homoscedasticity and serial independence of regression residuals: Monte Carlo evidence. Economics Letters 7 (4): 313–318

Jarque, C. M. & Bera, A. K. (1987), A test for normality of observations and regression residuals, International Statistical Review 55, 163–172.

• Test d'hypothèse
• Test du χ², section Test d'adéquation
• Loi normale, section Tests de normalité

Ricco Rakotomalala, Tests de Normalité, Techniques empiriques et Tests statistiques

Raymond Sneyers, Sur les tests de normalité, Revue de Statistique Appliquée, 2(22), 29-36, 1974.

v · m Tests statistiques
Tests de comparaison d'une seule variable	Pour un échantillon Test Z Test t pour un échantillon Test des signes Test des rangs signés de Wilcoxon Estimateur de Hodges-Lehmann Pour deux échantillons Test F Test de Student Test t de Welch Test U de Mann-Whitney Test du χ² d'homogénéité Test de McNemar Test de la médiane Pour 3 échantillons ou plus Analyse de la variance (ANOVA) Test de Kruskal-Wallis ANOVA de Friedman Test de Bartlett Test de Levene Test de Brown-Forsythe
Tests de comparaison de deux variables	Deux variables quantitatives : Tests de corrélation Corrélation de Pearson Corrélation de Spearman Corrélation de Kendall Deux variables qualitatives Test exact de Fisher Test du χ² d'indépendance Test Gamma Plus de deux variables Concordance de Kendall Analyse de variance multivariée Test Q de Cochran
Tests d'adéquation à une loi	Test de Kolmogorov-Smirnov Test du χ² d'adéquation Test de Jarque-Bera Test de Lilliefors Test d'Anderson-Darling Test de D'Agostino Test de Cramer-Von Mises
Tests d'appartenance à une famille de lois	Test de Shapiro-Wilk
Autres tests	Test du rapport de vraisemblance
Tests non-paramétriques Tests paramétriques Table d'utilisation des tests statistiques

v · m Index du projet probabilités et statistiques

Théorie des probabilités Bases théoriques Principes généraux Axiomes des probabilités Espace mesurable Probabilité Événement Tribu Indépendance Variable aléatoire Espérance Variables iid Convergence de lois Théorème central limite Loi des grands nombres Théorème de Borel-Cantelli Calcul stochastique Marche aléatoire Chaîne de Markov Processus stochastique Processus de Markov Martingale Mouvement brownien Équation différentielle stochastique Lois de probabilité Lois continues Loi exponentielle Loi normale Loi uniforme Loi de Student Loi de Fisher Loi du χ² Lois discrètes Loi de Bernoulli Loi binomiale Loi de Poisson Loi géométrique Loi hypergéométrique Mélange entre statistiques et probabilités Intervalle de confiance Interprétations de la probabilité Bayésianisme Théorie des statistiques Statistiques descriptives Bases théoriques Une statistique Caractère Échantillon Erreur type Intervalle de confiance Fonction de répartition empirique Théorème de Glivenko-Cantelli Inférence bayésienne Régression linéaire Méthode des moindres carrés Analyse des données Corrélation Tableaux Tableau de contingence Tableau disjonctif complet Table de Burt Visualisation de données Histogramme Diagramme à barres Graphique en aires Diagramme circulaire Treemap Boîte à moustaches Nuage de points Graphique à bulles Diagramme en cascade Graphique en entonnoir Diagramme de Kiviat Corrélogramme Graphique en forêt Diagramme branche-et-feuille Heat map Sparkline Paramètres de position Moyenne arithmétique Mode Médiane Quantile Quartile Décile Centile Paramètres de dispersion Étendue Écart moyen Variance Écart type Déviation absolue moyenne Écart interquartile Coefficient de variation Paramètres de forme Coefficient d'asymétrie Coefficient d'aplatissement Statistiques inductives Bases théoriques Hypothèse nulle Estimateur Signification statistique Sensibilité et spécificité Courbe ROC Nombre de sujets nécessaires Valeur p Contraste (statistiques) Statistique de test Taille d'effet Puissance statistique Tests paramétriques Test d'hypothèse Test de Bartlett Test de normalité Test de Fisher d'égalité de deux variances Test d'Hausman Test d'Anderson-Darling Test de Banerji Test de Durbin-Watson Test de Goldfeld et Quandt Test de Jarque-Bera Test de Mood Test de Lilliefors Test de Wald Test T pour des échantillons indépendants Test T pour des échantillons appariés Test de corrélation de Pearson Tests non-paramétriques Test U de Mann-Whitney Test de Kruskal-Wallis Test exact de Fisher Test de Kolmogorov-Smirnov Test de Shapiro-Wilk Test de Chow Test de McNemar Test de Spearman Tau de Kendall Test Gamma Test des suites de Wald-Wolfowitz Test de la médiane Test des signes ANOVA de Friedman Concordance de Kendall Test Q de Cochran Test des rangs signés de Wilcoxon Test de Sargan Application Économétrie Mécanique statistique Jeu de hasard Biomathématique Biostatistique Mathématiques financières

• Portail des probabilités et de la statistique