Modèle causal de Neyman-RubinLe modèle causal de Neyman-Rubin (ou modèle à résultats potentiels, en anglais potential outcome model) est un cadre de pensée permettant d'identifier statistiquement l'effet causal d'une variable sur une autre. La première version du modèle a été proposée par Jerzy Neyman en 1923 dans son mémoire de maîtrise. Le modèle a ensuite été généralisé par Donald Rubin dans un article intitulé « ». Le nom du modèle a été donné par Paul Holland dans un article de 1986 intitulé « ». Expérience naturelle Méthode des
Multilevel modelMultilevel models (also known as hierarchical linear models, linear mixed-effect model, mixed models, nested data models, random coefficient, random-effects models, random parameter models, or split-plot designs) are statistical models of parameters that vary at more than one level. An example could be a model of student performance that contains measures for individual students as well as measures for classrooms within which the students are grouped.
Nonlinear dimensionality reductionNonlinear dimensionality reduction, also known as manifold learning, refers to various related techniques that aim to project high-dimensional data onto lower-dimensional latent manifolds, with the goal of either visualizing the data in the low-dimensional space, or learning the mapping (either from the high-dimensional space to the low-dimensional embedding or vice versa) itself. The techniques described below can be understood as generalizations of linear decomposition methods used for dimensionality reduction, such as singular value decomposition and principal component analysis.
DéterminismeLe déterminisme est une théorie philosophique selon laquelle chaque événement, en vertu du principe de causalité, est déterminé par les événements passés conformément aux lois de la nature. En physique, cette idée se traduit par la notion de système déterministe, c'est-à-dire un système soumis à une dynamique qui associe à chaque condition initiale un et un seul état final. On parle également de système déterministe en automatique pour désigner un système pour lequel les mêmes entrées produisent toujours exactement les mêmes sorties, par opposition à un système stochastique pour lequel les mêmes entrées peuvent produire différentes sorties.
Causal graphIn statistics, econometrics, epidemiology, genetics and related disciplines, causal graphs (also known as path diagrams, causal Bayesian networks or DAGs) are probabilistic graphical models used to encode assumptions about the data-generating process. Causal graphs can be used for communication and for inference. They are complementary to other forms of causal reasoning, for instance using causal equality notation. As communication devices, the graphs provide formal and transparent representation of the causal assumptions that researchers may wish to convey and defend.
Variables indépendantes et identiquement distribuéesvignette|upright=1.5|alt=nuage de points|Ce nuage de points représente 500 valeurs aléatoires iid simulées informatiquement. L'ordonnée d'un point est la valeur simulée suivante, dans la liste des 500 valeurs, de la valeur simulée pour l'abscisse du point. En théorie des probabilités et en statistique, des variables indépendantes et identiquement distribuées sont des variables aléatoires qui suivent toutes la même loi de probabilité et sont indépendantes. On dit que ce sont des variables aléatoires iid ou plus simplement des variables iid.
Statistical assumptionStatistics, like all mathematical disciplines, does not infer valid conclusions from nothing. Inferring interesting conclusions about real statistical populations almost always requires some background assumptions. Those assumptions must be made carefully, because incorrect assumptions can generate wildly inaccurate conclusions. Here are some examples of statistical assumptions: Independence of observations from each other (this assumption is an especially common error). Independence of observational error from potential confounding effects.
Causalité au sens de GrangerLa causalité a été introduite dans l'analyse économétrique par Wiener (1956) et Granger (1969). À l'origine, on retrouve la formalisation de la notion de causalité en physique, notamment dans les travaux d'Isaac Newton sur la force motrice (cause) et le changement de mouvement (effet). Dans ce cas, la notion de causalité traduit un principe d’après lequel si un phénomène est la cause d’un autre phénomène, nommé « effet », alors ce dernier ne peut pas précéder la cause.
Scale space implementationIn the areas of computer vision, and signal processing, the notion of scale-space representation is used for processing measurement data at multiple scales, and specifically enhance or suppress image features over different ranges of scale (see the article on scale space). A special type of scale-space representation is provided by the Gaussian scale space, where the image data in N dimensions is subjected to smoothing by Gaussian convolution.
Variable cachéeEn physique quantique, le terme de variable cachée désigne des paramètres physiques hypothétiques qui ne seraient pas pris en compte par les postulats de la mécanique quantique, soit dans la définition de l'état quantique, ou dans l'évolution dynamique de l'état quantique. Ces variables cachées sont introduites, par certains physiciens, pour tenter d'apporter une solution notamment au problème de la mesure quantique car elles permettent d'établir une continuité de la mécanique quantique vers la mécanique classique.
Simultaneous equations modelSimultaneous equations models are a type of statistical model in which the dependent variables are functions of other dependent variables, rather than just independent variables. This means some of the explanatory variables are jointly determined with the dependent variable, which in economics usually is the consequence of some underlying equilibrium mechanism. Take the typical supply and demand model: whilst typically one would determine the quantity supplied and demanded to be a function of the price set by the market, it is also possible for the reverse to be true, where producers observe the quantity that consumers demand and then set the price.
