Séance de cours
Estimation maximale de la probabilité : théorie
Description
Cette séance de cours couvre la théorie qui sous-tend l'estimation maximale de la probabilité (MLE), en discutant des propriétés telles que la consistance, la normalité asymptotique et l'efficacité. Il s'inscrit dans la matrice d'information, la matrice de covariance asymptotique, et l'utilisation de MLE dans diverses applications comme les modèles de choix binaire et les modèles de multiréponse ordonnées.
Enseignant
ea sunt labore
Ullamco sint ipsum in aute duis incididunt. Consectetur aliqua cupidatat veniam non dolore magna duis laboris eiusmod sunt nisi adipisicing commodo. Sint cillum aliquip ut voluptate culpa aliquip commodo aliqua cillum enim. Adipisicing aute laborum eu in consequat et. Enim anim laboris dolor et commodo mollit proident.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Proximité ontologique
Séances de cours associées (50)
MLE Applications: Modèles à choix binaire
Explore l'application de Maximum Likelihood Estimation dans les modèles à choix binaire, couvrant les modèles probit et logit, la représentation des variables latentes et les tests de spécification.
Théorie de la vraisemblance maximale et applications
Couvre la théorie de la probabilité maximale, les applications et les principes de test d'hypothèse en économétrie.
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.
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.
Régression linéaire généralisée : classification
Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.