Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.
Explorer des modèles linéaires généralisés pour les données non gaussiennes, couvrant l'interprétation de la fonction de liaison naturelle, la normalité asymptotique MLE, les mesures de déviance, les résidus et la régression logistique.
Examine le modèle de logit trans-nested, en définissant des groupes alternatifs avec des compositions recoupantes et des paramètres d'échelle pour l'analyse des transports.
Explore la vraisemblance du Whittle déprécié pour les séries chronologiques et les données spatiales, en mettant l'accent sur l'adaptation de la densité spectrale au parodogramme pour de meilleures prédictions et une meilleure estimation des paramètres.
Explore des exemples spéciaux de modèles linéaires généralisés, couvrant la régression logistique, les modèles de données de comptage, les problèmes de séparation et les relations non paramétriques.
Couvre l'algorithme Metropolis-Hastings et les approches basées sur les gradients pour biaiser les recherches vers des valeurs de vraisemblance plus élevées.
Introduit la modélisation de comportement à travers un exemple simple, se concentrant sur les composants de modélisation de choix et l'analyse du marché de la voiture électrique.
Couvre la détection et la correction des erreurs de paramètres dans les réseaux électriques, en mettant l'accent sur les propriétés statistiques, l'identification des erreurs, l'efficacité de calcul, l'analyse de sensibilité et l'estimation robuste de l'état.
Explore les méthodes de détection et de correction des erreurs de paramètres dans les réseaux électriques à l'aide d'analyses statistiques et d'outils de calcul.
