Couvre les modèles de données de comptage et la régression de Poisson, puis les transitions vers une analyse univariée des séries chronologiques pour la prévision des variables économiques.
Couvre les bases de la régression linéaire, y compris l'OLS, l'hétéroskédasticité, l'autocorrélation, les variables instrumentales, l'estimation maximale de la probabilité, l'analyse des séries chronologiques et les conseils pratiques.
Explore les fondamentaux du traitement des signaux, y compris les signaux de temps discrets, la factorisation spectrale et les processus stochastiques.
Explore les modèles de choix binaires comme probit et logit, ainsi que l'analyse de séries temporelles univariées avec les modèles ARIMA pour la prévision des variables économiques.
Explore comment les variables instrumentales corrigent les biais à partir des erreurs de mesure et de la causalité inverse dans les modèles de régression.
Explore l'analyse de séries temporelles univariées, couvrant la stationnarité, les processus ARMA, la sélection des modèles et les tests unitaires de racine.
Explore l'analyse de séries chronologiques multivariées, la cointégration, la prévision avec les modèles ARMA, et les applications pratiques dans l'analyse des taux d'intérêt.
Explore les modèles de séries chronologiques, en mettant l'accent sur les processus autorégressifs, y compris le bruit blanc, AR(1) et MA(1), entre autres.
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Explore l'hypothèse de thermalisation d'état propre dans les systèmes quantiques, en mettant l'accent sur la théorie de la matrice aléatoire et le comportement des observables dans l'équilibre thermique.
Discute de la stationnalité faible-sens dans les processus stochastiques en continu et le calcul des fonctions d'autocorrélation et de corrélation croisée.
Couvre les solutions les moins carrées pour les systèmes linéaires utilisant des opérations matricielles et des systèmes normaux, illustrés par des exemples.
Couvre la théorie et les exemples de matrices de diagonalisation, en se concentrant sur les valeurs propres, les vecteurs propres et lindépendance linéaire.
Couvre la corrélation et les corrélations croisées dans l'analyse des données sur la pollution atmosphérique, y compris les séries chronologiques, les autocorrelations, l'analyse de Fourier et le spectre de puissance.
