MLE Applications: Modèles à choix binaire

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.