En statistique, un terme d’erreur est la somme des écarts de chaque observation réelle par rapport à une ligne de régression du modèle. L’analyse de régression est utilisée pour établir le degré de corrélation entre deux variables, une indépendante et une dépendante, dont le résultat est une ligne qui «correspond» le mieux aux valeurs réellement observées de la valeur dépendante par rapport à la ou aux variables indépendantes. En d’autres termes, un terme d’erreur est le terme d’une équation de régression de modèle qui correspond et tient compte de la différence inexpliquée entre les valeurs réellement observées de la variable indépendante et les résultats prédits par le modèle. Par conséquent, le terme d’erreur est une mesure de la précision avec laquelle le modèle de régression reflète la relation réelle entre la ou les variables indépendantes et dépendantes. Le terme d’erreur peut indiquer soit que le modèle peut être amélioré, par exemple en ajoutant une autre variable indépendante qui explique tout ou partie de la différence, soit par hasard, ce qui signifie que la ou les variables dépendantes et indépendantes ne sont pas plus corrélées .
Aussi appelé terme résiduel ou terme de perturbation, selon la convention mathématique, le terme d’erreur est le dernier terme d’une équation de régression modèle et est représenté par la lettre grecque epsilon (e). Les économistes et les professionnels du secteur financier utilisent régulièrement des modèles de régression, ou du moins leurs résultats, pour mieux comprendre et prévoir un large éventail de relations, telles que la relation entre les variations de la masse monétaire et l’inflation, la relation entre les cours boursiers et le chômage. ou comment les variations des prix des matières premières affectent des entreprises spécifiques dans un secteur économique. Par conséquent, le terme d’erreur est une variable importante à garder à l’esprit et à suivre dans la mesure où il mesure le degré auquel un modèle donné ne reflète pas ou ne tient pas compte de la relation réelle entre les variables dépendantes et indépendantes.
Il existe en fait deux types de termes d’erreur couramment utilisés dans l’analyse de régression : l’erreur absolue et l’erreur relative. L’erreur absolue est le terme d’erreur tel que défini précédemment, la différence entre les valeurs réellement observées de la variable indépendante et les résultats prédits par le modèle. Dérivée de cela, l’erreur relative est définie comme l’erreur absolue divisée par la valeur exacte prédite par le modèle. Exprimée en pourcentage, l’erreur relative est appelée erreur en pourcentage, ce qui est utile car elle met le terme d’erreur dans une plus grande perspective. Par exemple, un terme d’erreur de 1 lorsque la valeur prédite est 10 est bien pire qu’un terme d’erreur de 1 lorsque la valeur prédite est de 1 million lorsque vous essayez de proposer un modèle de régression qui montre à quel point deux variables ou plus sont corrélées.