Introduit une estimation de vraisemblance maximale en économétrie, couvrant les principes, les propriétés, les applications et les tests de spécification.
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 l'analyse des données jacamar, les modèles de données sur le tabagisme et les défis liés aux modèles log-linéaires dans les données sur les déficiences visuelles.
Explore les théorèmes limite extrême, les applications comme les données de pluie Vargas, et l'ajustement à la pièce Distributions pareto généralisées.
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.
Explique lestimation, la corrélation et la corrélation Pearson dans les statistiques, en se concentrant sur la mesure et la description des relations entre les variables.
Couvre un échantillonnage important pour une estimation Monte Carlo efficace des valeurs attendues en utilisant une nouvelle distribution pour réduire la variance.
Explore le cadre de la théorie de la décision en théorie statistique, considérant les statistiques comme un jeu aléatoire avec des concepts clés tels que la recevabilité, les règles minimax et les règles Bayes.
Couvre la régression quantile, en se concentrant sur l'optimisation linéaire pour prédire les résultats et discuter de la sensibilité aux valeurs aberrantes, de la formulation des problèmes et de la mise en œuvre pratique.