Estimation bayésienne : Aperçu et exemples

Cette séance de cours couvre l'estimation bayésienne, en commençant par un aperçu de l'inférence statistique classique par rapport à l'inférence bayésienne. Il se penche ensuite sur des sujets tels que les antécédents conjugués, les méthodes Markov Chain Monte Carlo (MCMC) et des exemples d'estimation bayésienne pour les modèles binaires logit et logit mix. L'instructeur explique l'importance des antécédents, de la probabilité et des postérieurs dans l'inférence bayésienne, montrant un exemple de température pour illustrer les concepts. La séance de cours explore également l'utilisation d'algorithmes d'échantillonnage Gibbs et Metropolis-Hastings dans le MCMC, ainsi que l'évaluation de la convergence à l'aide de diagnostics Gelman et Rubin. Une étude de cas sur le choix des raisins démontre l'application pratique de l'estimation bayésienne pour prédire le comportement individuel et la demande du marché.