Explore l'application de l'algèbre linéaire dans la science des données, couvrant la réduction de la variance, la théorie de la distribution des modèles et les estimations du maximum de vraisemblance.
Explore l'optimalité dans la théorie de la décision et l'estimation impartiale, en mettant l'accent sur la suffisance, l'exhaustivité et les limites inférieures du risque.
Examine l'estimation non paramétrique à l'aide de l'approche de vraisemblance empirique et discute du calcul des probabilités et de l'estimation empirique.
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.
Introduit des variables instrumentales pour résoudre les problèmes d'endogenèse, en utilisant des exemples pour illustrer les applications pratiques et les exigences d'essai.
Explore la méthode des moments, le compromis biais-variance, la cohérence, le principe de plug-in et le principe de vraisemblance dans lestimation de point.
Introduit la méthode généralisée des moments (GMM) en économétrie, en se concentrant sur son application dans les modèles destimation des variables instrumentales et de tarification des actifs.
Explique les estimateurs statistiques pour les variables aléatoires et les distributions gaussiennes, en se concentrant sur les fonctions d'erreur pour l'intégration.
Couvre les variables instrumentales, abordant les problèmes d'endogénéité dans l'analyse de régression à travers des techniques d'estimation et des exemples pratiques.
