Séance de cours

MLE Applications: Modèles à choix binaire

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.

Dans cours

FIN-403: Econometrics

The course covers basic econometric models and methods that are routinely applied to obtain inference results in economic and financial applications. ...

Description

Cette séance de cours explore l'application de l'estimation maximale de vraisemblance (MLE) dans les modèles à choix binaire. Les estimateurs MLE utilisent des hypothèses sur la distribution des variables aléatoires pour maximiser la vraisemblance log et sélectionner les paramètres les plus susceptibles d'avoir généré les données. La séance de cours couvre la quasi-ML en tant qu'estimateur GMM, les calculs de distribution asymptotique, les modèles probit et logit, la représentation des variables latentes et l'estimation des matrices de covariance. Il explore les défis de la modélisation des probabilités directement, les termes dinteraction, les mesures de la bonté de lajustement, les effets marginaux, les tests de spécification (Wald, rapport de vraisemblance, LM), et conclut avec des idées sur les résultats ordonnés dans les modèles multiréponses.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Andreas Fuster

Andreas Fuster is an Associate Professor of Finance at Swiss Finance Institute @ EPFL and a Research Fellow at the CEPR. Previously, he worked at the Federal Reserve Bank of New York and the Swiss National Bank. Andreas's main research interests are in empirical finance, macroeconomics, and behavioral economics. His recent work has focused in particular on the effects of technological advances on household credit markets. Andreas’s research has been published in academic journals such as the Quarterly Journal of Economics, the Review of Economic Studies, the Journal of Finance, and the Review of Financial Studies. Andreas obtained his Ph.D. from Harvard University and also holds an M.Phil. from Oxford University and a B.A. from the University of Lausanne (Switzerland), all in economics.

Source officielle

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Inférence statistique: Statistique mathématique

Concepts associés (32)

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.

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.

Modèle probit

En statistiques, le modèle probit est un modèle de régression binomiale. Le modèle probit a été introduit par Chester Bliss en 1934. C'est un cas particulier du modèle linéaire généralisé. Soit Y une variable aléatoire binaire (i.e. prenant pour valeur 0 ou 1) et X un vecteur de variables dont on suppose qu'il influence Y. On fait l'hypothèse que le modèle s'écrit de la manière suivante : où désigne la fonction de répartition de la loi normale centrée réduite. Régression logistique Catégorie:Modèle statist

Ordered probit

In statistics, ordered probit is a generalization of the widely used probit analysis to the case of more than two outcomes of an ordinal dependent variable (a dependent variable for which the potential values have a natural ordering, as in poor, fair, good, excellent). Similarly, the widely used logit method also has a counterpart ordered logit. Ordered probit, like ordered logit, is a particular method of ordinal regression. For example, in clinical research, the effect a drug may have on a patient may be modeled with ordered probit regression.

Ordered logit

In statistics, the ordered logit model (also ordered logistic regression or proportional odds model) is an ordinal regression model—that is, a regression model for ordinal dependent variables—first considered by Peter McCullagh. For example, if one question on a survey is to be answered by a choice among "poor", "fair", "good", "very good" and "excellent", and the purpose of the analysis is to see how well that response can be predicted by the responses to other questions, some of which may be quantitative, then ordered logistic regression may be used.

Afficher plus

Séances de cours associées (60)

Réponse binaire : Link Functions

Explore l'interprétation des réponses binaires, les fonctions de liaison, la régression logistique et la sélection des modèles à l'aide de déviances et de critères d'information.

Régression logistique : interprétation et comparaison du modèle

Explorer l'interprétation des modèles de régression logistique, l'estimation des paramètres et la comparaison des modèles à l'aide de tests de rapport de probabilité.

Estimation des moindres carrés pondérés : Algorithme IRLS

Explore l'algorithme IRLS pour l'estimation pondérée des moindres carrés dans GLM.

Régression logistique: Partie 1

Introduit la régression logistique pour la classification binaire et explore la classification multiclasse à l'aide des stratégies OvA et OvO.

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.

Afficher plus

Concepts associés (32)

Régression logistique