Explore le modèle d'effet de panneau avec des effets fixes et aléatoires, en discutant des défis d'estimation et de l'impact de la corrélation série.
Couvre les principes fondamentaux de l'estimation bayésienne, en se concentrant sur l'application du théorème de Bayes dans l'estimation scalaire.
Couvre l'apprentissage non supervisé, la réduction de dimensionnalité, SVD, l'estimation de bas grade, PCA, et les chaînes Monte Carlo Markov.
Explore l'estimation statistique, comparant les estimateurs basés sur la moyenne et la variance, et plongeant dans l'erreur carrée moyenne et Cramér-Rao lié.
