Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.
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.
Introduit la méthode généralisée des moments (GMM) en économétrie, en se concentrant sur son application dans les modèles destimation des variables instrumentales et de tarification des actifs.
Explore linférence de vraisemblance maximale, comparant les modèles basés sur les ratios de vraisemblance et démontrant avec un exemple de pièce de monnaie.
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.
Explore la vraisemblance du Whittle déprécié pour les séries chronologiques et les données spatiales, en mettant l'accent sur l'adaptation de la densité spectrale au parodogramme pour de meilleures prédictions et une meilleure estimation des paramètres.
Introduit la modélisation de comportement à travers un exemple simple, se concentrant sur les composants de modélisation de choix et l'analyse du marché de la voiture électrique.
Explorer les modèles spatiaux latents pour les réseaux multiplex, discuter de la représentation des données du réseau, des modèles probabilistes et des hypothèses de structure partagée.
