Vérifications non paramétriques puissantes pour la régression par quantile.

Résumé Nous abordons la question du test de manque d'ajustement pour une régression quantile paramétrique. Nous proposons un test simple qui implique un lissage unidimensionnel du noyau, de sorte que le taux auquel il détecte les alternatives locales est indépendant du nombre de covariables. Le test a des valeurs critiques asymptotiquement gaussiennes, et le bootstrap sauvage peut être appliqué pour obtenir des valeurs plus précises dans de petits échantillons. Notre procédure semble être compétitive par rapport aux procédures existantes dans les simulations. Nous illustrons l'utilité de notre test sur des données de poids de naissance.