Explore l'analyse des données bivariées dans les biostatistiques appliquées, couvrant la corrélation, la régression, la sélection des modèles et le diagnostic.
Examiner les stratégies d'évaluation des risques, d'équivalence de certitude et de diversification afin de réduire les risques dans les processus décisionnels.
Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
Explore l'apprentissage supervisé en économétrie financière, couvrant la régression linéaire, l'ajustement du modèle, les problèmes potentiels, les fonctions de base, la sélection de sous-ensembles, la validation croisée, la régularisation et les forêts aléatoires.
Introduit les types de variables, la distribution multinomiale, les caractéristiques des données, les formes des densités, la corrélation et les méthodes de visualisation des données.
Plonge dans le théorème de Modigliani / Miller, montrant comment la valeur d'une entreprise n'est pas affectée par sa structure de capital sur des marchés parfaits.
Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
Explore la concurrence imparfaite, les cartels et la dynamique des oligopoles sur les marchés, en analysant les stratégies de tarification et les résultats du marché.
Couvertures Modèles linéaires généralisés, probabilité, déviance, fonctions de liaison, méthodes d'échantillonnage, régression de Poisson, surdispersion et modèles de régression alternatifs.
Explore le surajustement, la régularisation et la validation croisée dans l'apprentissage automatique, soulignant l'importance de l'expansion des fonctionnalités et des méthodes du noyau.
Explore des études d'événements en économie financière, testant l'efficacité du marché avec des calculs de rendement anormaux et des exemples tels que des surprises de bénéfices.
Discute des arbres de décision et des forêts aléatoires, en se concentrant sur leur structure, leur optimisation et leur application dans les tâches de régression et de classification.
Introduit une analyse de régression, couvrant les modèles linéaires et non linéaires, la régression de Poisson et l'analyse du temps de défaillance à l'aide de divers ensembles de données.