Séance de cours

Dérivation du modèle logit

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre la dérivation du modèle logit dans le contexte des modèles de choix, en se concentrant sur le terme d'erreur, les ensembles de choix, les conditions de disponibilité et le modèle de choix lui-même. Il explique les concepts d'ensembles de choix universels et individuels, la génération d'ensembles de choix et les hypothèses faites dans la modélisation de la conscience et de la distance. L'instructeur discute des conditions de disponibilité et de la formulation du modèle de choix à l'aide des fonctions de probabilité.

Dans MOOC

Introduction aux modèles de choix discrets

Le comportement humain est complexe et imprévisible. Ou l'est-il ? Prédire le comportement à l'aide de modèles mathématiques est le sujet de ce cours. Plus précisément, nous nous concentrons sur la modélisation des choix, afin d'obtenir des modèles de demande désagrégés. En se concentrant sur le modèle logit, le cours couvre en détail la spécification du modèle, l'estimation de ses paramètres, la validation et l'application. Des exercices utilisant le logiciel Biogeme sont également proposés. Des études d

Source officielle

Concepts associés (28)

Discrete choice

In economics, discrete choice models, or qualitative choice models, describe, explain, and predict choices between two or more discrete alternatives, such as entering or not entering the labor market, or choosing between modes of transport. Such choices contrast with standard consumption models in which the quantity of each good consumed is assumed to be a continuous variable. In the continuous case, calculus methods (e.g. first-order conditions) can be used to determine the optimum amount chosen, and demand can be modeled empirically using regression analysis.

Variable aléatoire à densité

En théorie des probabilités, une variable aléatoire à densité est une variable aléatoire réelle, scalaire ou vectorielle, pour laquelle la probabilité d'appartenance à un domaine se calcule à l'aide d'une intégrale sur ce domaine. La fonction à intégrer est alors appelée « fonction de densité » ou « densité de probabilité », égale (dans le cas réel) à la dérivée de la fonction de répartition. Les densités de probabilité sont les fonctions essentiellement positives et intégrables d'intégrale 1.

Logit

La fonction logit est une fonction mathématique utilisée principalement en statistiques et pour la régression logistique, en intelligence artificielle (réseaux neuronaux), en inférence bayésienne pour transformer les probabilités sur [0,1] en évidence sur R afin d'une part d'éviter des renormalisations permanentes, et d'autre part de rendre additive la formule de Bayes pour faciliter les calculs. Son expression est où p est défini sur ]0, 1[ La base du logarithme utilisé est sans importance, tant que celle-ci est supérieure à 1.

Fonction de masse (probabilités)

En théorie des probabilités, la fonction de masse est la fonction qui donne la probabilité de chaque issue ( résultat élémentaire) d'une expérience aléatoire. C'est souvent ainsi que l'on définit une loi de probabilité discrète. Elle se distingue de la fonction de densité, de la densité de probabilité, en ceci que les densités de probabilité ne sont définies que pour des variables aléatoires absolument continues, et que ce sont leurs intégrales sur des domaines qui ont valeurs de probabilités (et non leurs valeurs en des points).

Régression logistique

En statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé.

Afficher plus

Séances de cours associées (64)

Mélanges: introduction MOOC: Sujets choisis sur le choix discret

Introduit des mélanges, couvre des mélanges discrets et continus, explore des exemples, et discute combinant des modèles probit et logit.

Paradoxe bus rouge/bus bleu

Explore le paradoxe du bus rouge/bus bleu, les modèles de logit imbriqués et les modèles multivariés d'extrême valeur dans le transport.

Analyse des choix discrets

Introduit une analyse de choix discrète, couvrant l'échelle, la profondeur, la collecte de données et l'inférence statistique.

Fluides astrophysiques et plasmas

Explore les fluides astrophysiques, les plasmas, les MHD, les turbulences et les oscillations de plasma, y compris la rotation de Faraday pour mesurer les champs magnétiques cosmiques.

Modèles de mélange : Estimation basée sur la simulation

Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.

Afficher plus

Concepts associés (28)

Discrete choice

Variable aléatoire à densité

Logit

Fonction de masse (probabilités)

Régression logistique

Afficher plus