๐ŸŸฅ ๐“ข๐“ฝ๐“ช๐“ฝ๐“ฒ๐“ผ๐“ฝ๐“ฒ๐“บ๐“พ๐“ฎ๐“ผ ๐“๐“ฟ๐“ช๐“ท๐“ฌรฉ๐“ฎ๐“ผ : ๐“ต๐“ฎ๐“ผ ๐“Ÿ๐“ฒ๐“ต๐“ฒ๐“ฎ๐“ป๐“ผ ๐“ญ๐“ฎ ๐“ต’๐“๐“ท๐“ช๐“ต๐”‚๐“ผ๐“ฎ ๐“œ๐“ธ๐“ญ๐“ฎ๐“ป๐“ท๐“ฎ ๐ŸŸฅ

Les ๐“ผ๐“ฝ๐“ช๐“ฝ๐“ฒ๐“ผ๐“ฝ๐“ฒ๐“บ๐“พ๐“ฎ๐“ผ ๐“ช๐“ฟ๐“ช๐“ท๐“ฌรฉ๐“ฎ๐“ผ vont bien au-delร  des bases (moyenne, mรฉdiane, รฉcart-type, tests t ou khi-deux).

Elles permettent de modรฉliser, prรฉdire et extraire des informations complexes ร  partir de donnรฉes rรฉelles.

๐™๐™ฃ ๐™ก๐™ž๐™ ๐™š ๐™š๐™ฉ ๐™ช๐™ฃ ๐™‹๐™–๐™ง๐™ฉ๐™–๐™œ๐™š de ce post avant d'aller plus loin nous feront plaisir.


๐Ÿ”น ๐“Ÿ๐“ป๐“ธ๐“ซ๐“ช๐“ซ๐“ฒ๐“ต๐“ฒ๐“ฝรฉ๐“ผ ๐“ฎ๐“ฝ ๐““๐“ฒ๐“ผ๐“ฝ๐“ป๐“ฒ๐“ซ๐“พ๐“ฝ๐“ฒ๐“ธ๐“ท๐“ผ

  • Lois multivariรฉes (normale, Student)
  • Probabilitรฉ bayรฉsienne et analyses a priori/postรฉrieure
  • Chaรฎnes de Markov et processus stochastiques

๐Ÿ”น ๐“”๐“ผ๐“ฝ๐“ฒ๐“ถ๐“ช๐“ฝ๐“ฒ๐“ธ๐“ท ๐“ฎ๐“ฝ ๐“ฃ๐“ฎ๐“ผ๐“ฝ๐“ผ ๐“ญ๐“ฑ๐”‚๐“น๐“ธ๐“ฝ๐“ฑรจ๐“ผ๐“ฎ

  • Maximum de vraisemblance (MLE)
  • Estimation bayรฉsienne
  • Tests de rapport de vraisemblance
  • Mรฉthodes non paramรฉtriques (Mann–Whitney, Kruskal–Wallis)

๐Ÿ”น ๐“กรฉ๐“ฐ๐“ป๐“ฎ๐“ผ๐“ผ๐“ฒ๐“ธ๐“ท ๐“ฎ๐“ฝ ๐“œ๐“ธ๐“ญรฉ๐“ต๐“ฒ๐“ผ๐“ช๐“ฝ๐“ฒ๐“ธ๐“ท

  • Rรฉgressions multiples et polynomiales
  • Rรฉgression logistique (binaire et multinomiale)
  • Modรจles linรฉaires gรฉnรฉralisรฉs (GLM)
  • Rรฉgularisation : Ridge, Lasso, Elastic Net

๐Ÿ”น ๐“๐“ท๐“ช๐“ต๐”‚๐“ผ๐“ฎ ๐“œ๐“พ๐“ต๐“ฝ๐“ฒ๐“ฟ๐“ช๐“ป๐“ฒรฉ๐“ฎ

  • ACP (PCA), Analyse factorielle
  • Analyse canonique (CCA)
  • MANOVA, analyse discriminante

๐Ÿ”น ๐“ขรฉ๐“ป๐“ฒ๐“ฎ๐“ผ ๐“ฝ๐“ฎ๐“ถ๐“น๐“ธ๐“ป๐“ฎ๐“ต๐“ต๐“ฎ๐“ผ ๐“ฎ๐“ฝ ๐“น๐“ปรฉ๐“ฟ๐“ฒ๐“ผ๐“ฒ๐“ธ๐“ท๐“ผ

  • Modรจles ARIMA & SARIMA
  • Lissage exponentiel (Holt–Winters)
  • Modรจles ร  espace d’รฉtats & filtres de Kalman
  • ARCH/GARCH pour la volatilitรฉ

๐Ÿ”น ๐“๐“ท๐“ช๐“ต๐”‚๐“ผ๐“ฎ ๐“ญ๐“ฎ ๐“ผ๐“พ๐“ป๐“ฟ๐“ฒ๐“ฎ ๐“ฎ๐“ฝ ๐“ป๐“ฎ́๐“ต๐“ฒ๐“ช๐“ซ๐“ฒ๐“ต๐“ฒ๐“ฝรฉ

  • Estimateur de Kaplan–Meier
  • Modรจle de Cox ร  risques proportionnels
  • Fonctions de risque & fiabilitรฉ

๐Ÿ”น ๐““๐“ฒ๐“ผ๐“น๐“ธ๐“ผ๐“ฒ๐“ฝ๐“ฒ๐“ฏ๐“ผ ๐“ฎ๐”๐“นรฉ๐“ป๐“ฒ๐“ถ๐“ฎ๐“ท๐“ฝ๐“ช๐“พ๐” ๐“ช๐“ฟ๐“ช๐“ท๐“ฌรฉ๐“ผ

  • Plans factoriels & fractionnaires
  • Mรฉthode des surfaces de rรฉponse (RSM)
  • Modรจles hiรฉrarchiques et ร  effets mixtes

๐Ÿ”น ๐“ข๐“ฝ๐“ช๐“ฝ๐“ฒ๐“ผ๐“ฝ๐“ฒ๐“บ๐“พ๐“ฎ๐“ผ ๐“‘๐“ช๐”‚รฉ๐“ผ๐“ฒ๐“ฎ๐“ท๐“ท๐“ฎ๐“ผ

  • Infรฉrence et mise ร  jour bayรฉsienne
  • MCMC (Markov Chain Monte Carlo)
  • ร‰chantillonnage de Gibbs, Metropolis–Hastings
  • Modรจles bayรฉsiens hiรฉrarchiques



________________________________________

Si vous avez trouvรฉ cette publication utile, n'hรฉsitez pas ร  ๐’๐’‚ ๐’๐’Š๐’Œ๐’†๐’“ ๐’†๐’• ร  ๐’๐’‚ ๐’‘๐’‚๐’“๐’•๐’‚๐’ˆ๐’†๐’“ avec vos amis et collรจgues !

Pour mieux apprendre l’utilisation des logiciel et modรจles statistiques, nous vous invitons ร  prendre part ร  la prochaine session de notre formation en ๐™€๐™˜๐™ค๐™ฃ๐™ค๐™ขรฉ๐™ฉ๐™ง๐™ž๐™š ๐™š๐™ฉ ๐™๐™š๐™˜๐™๐™ฃ๐™ž๐™ฆ๐™ช๐™š๐™จ ๐™Œ๐™ช๐™–๐™ฃ๐™ฉ๐™ž๐™ฉ๐™–๐™ฉ๐™ž๐™ซ๐™š๐™จ 



 


#StatistiquesAvancรฉes #DataScience #ร‰conomรฉtrie #AnalyseDeDonnรฉes #MachineLearning

 

Commentaires

Posts les plus consultรฉs de ce blog

ร‰conomรฉtrie des donnรฉes de panel: de la thรฉorie ร  la pratique

Optimisez vos donnรฉes avec l'ACP avant le clustering K-means !