Essais d'hypothèse et régression non-paramétrique

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (31)

Page 2 sur 4

Régression linéaire : ajustement du modèle et estimation des paramètres

Explique la décomposition de la somme totale des carrés, lajustement du modèle et lestimation des paramètres en régression linéaire.

Sélection du modèle imbriqué

Explore la sélection de modèles imbriqués dans des modèles linéaires, en comparant les modèles à travers des sommes de carrés et ANOVA, avec des exemples pratiques.

Modèles linéaires: Introduction

Introduit les modèles linéaires, la régression, la distribution gaussienne, la linéarité et la généralisation du modèle.

Probabilité et estimation des statistiques

Introduit les probabilités, les méthodes d'estimation, les modèles linéaires, les essais et les techniques de régression avancées.

Critères de sélection du modèle : AIC, BIC, Cp

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.

Modèles linéaires généralisés : régression avec réponses familiales exponentielles

Couvre la régression avec des réponses familiales exponentielles à l'aide de modèles linéaires généralisés.

Estimation de vraisemblance et moindres carrés

Introduit une régression linéaire normale simple et multiple et une estimation du maximum de vraisemblance avec des exemples pratiques.

Régression des crêtes : les moindres carrés pénalisés

Explore Ridge Regression pour la gestion de la multicolinéarité et la méthode LASSO pour la sélection des modèles.

Théorie de la distribution des moindres carrés

Explore la théorie de la distribution des estimateurs des moindres carrés dans un modèle linéaire gaussien.

Multicolinéarité: Dangers et remèdes

Explore les dangers de la multicolinéarité dans les modèles linéaires et discute des méthodes de diagnostic et des remèdes.