Explore l'estimation des paramètres, les erreurs standard et les intervalles de confiance en utilisant le théorème de la limite centrale et des exemples pratiques.
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Fournit un aperçu des modèles linéaires généralisés, en mettant l'accent sur les modèles de régression logistique et de Poisson, et leur mise en oeuvre dans R.
Explore la cohérence et les propriétés asymptotiques de l’estimateur de vraisemblance maximale, y compris les défis à relever pour prouver sa cohérence et construire des estimateurs de type MLE.
Couvre la théorie derrière l'estimation maximale de la vraisemblance, en discutant des propriétés et des applications dans le choix binaire et des modèles multiréponses ordonnées.
Explique les estimateurs statistiques pour les variables aléatoires et les distributions gaussiennes, en se concentrant sur les fonctions d'erreur pour l'intégration.
Il explore la construction de régions de confiance, les tests d'hypothèse inversés et la méthode pivot, en soulignant l'importance des méthodes de probabilité dans l'inférence statistique.
Couvre les extrêmes limitent les théorèmes, l'analyse statistique de base et les applications aux extrêmes multivariés, soulignant l'importance de comprendre la distribution des maxima.
Couvre le concept d'estimation ponctuelle dans les statistiques, en se concentrant sur les méthodes d'estimation des paramètres inconnus à partir d'un échantillon donné.
Couvre le risque dans les décisions d'investissement, l'évaluation des flux de trésorerie incertains, le taux de rendement, les rendements du portefeuille et l'utilité de la variation moyenne.
Couvre l'inférence, la construction de modèles, la sélection de variables, la robustesse, la régression régularisée, les modèles mixtes et les méthodes de régression.