Salaire maximum

____________________________________________________________ __________ Logiciel R /Modèle linéaire généralisé / BR5.doc / Page 8 Que signifie la déviance du modèle nul (Null deviance) ? Le modèle nul est caractérisé par aucun effet du facteur, donc p = constante. L’estimation au maximum de vraisemblance de la probabilité se fait par la fréquence. > sum(y1) [1] 52 > sum(y1)/100 [1] 0.52 La probabilité pour que l’espèce soit présente dans un relevé est 0.52. Quelle est la probabilité de l’observation dans ce modèle. On a observé

et d’int´grale et du calcul matriciel. Et l’accent est mis sur les noe e tions centrales en probabilit´s et statistique que sont la loi, l’ind´pendance, l’esp´rance, e e e la variance, la fonction caract´ristique, les convergences, l’estimateur du maximum de e vraisemblance, les intervalles de confiance et les tests d’hypoth`ses plutˆt que sur les fone o dements th´oriques de ces disciplines. e Des exercices sont ins´r´s au cœur des chapitres pour permettre aux ´tudiants de mettre ee e en application

MAXIMUM DE VRAISEMBLANCE Définitions : Soit X une variable aléatoire réelle, de loi ou bien discrète ou bien continue, dont on veut estimer un paramètre θ. On note cette famille de lois paramétriques. Alors on définit une fonction f telle que : fθ(x) représente la densité de X (où θ apparaît) et Pθ(X = x) représente une probabilité discrète (où θ apparaît). On appelle vraisemblance de θ au vu des observations (x1,...,xi,...,xn) d'un n-échantillon indépendamment et identiquement distribué selon

σt (θ)2 = E(rt |rt−1 ) − µt (θ)2 Consid´rant que les r´alisation aux diff´rentes dates sont conditionnelles ind´pendantes, e e e e on pourra utiliser une m´thode du (quasi) maximum de vraisemblance : e T L(θ) = t=1 1 2πht (θ) e− 2 (rt −µt (θ)) 1 2 /h t (θ) (2) En pratique, on recherchera le maximum du logarithme de la vraisemblance : θ∗ = argmin − log L(θ) consid´rant que µ − t ≈ 0, l’optimisation consiste donc a minimiser e log(ht ) + t=1,T 2 rt ht Cette estimation

Formule de Bayes . . . . . . . . . . . . 7. Règle de calcul des espérances . . . . . 8. Loi Gaussienne ou normale . . . . . . 9. Estimation . . . . . . . . . . . . . . . . 9.1. Principes, méthode de moments 9.2. Moindres carrés ordinaires . . 9.3. Maximum de vraisemblance . . 2 7 7 7 8 9 9 10 10 11 11 11 13 14 17 17 20 22 25 27 28 31 35 35 37 37 43 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

le signe de l’effet de Xij . e Si θj > 0, Xij a un effet positif sur l’´v´nement consid´r´. e e e e Si θj < 0, Xij a un effet n´gatif sur l’´v´nement consid´r´. e e e e e II II.1 Analyse statistique Estimation par Maximum de Vraisemblance N On utilise la m´thode du maximum de vraisemblance pour estimer nos param`tres. La vraisemblance s’´crit : e e e L(θ) = i=n F (Xi θ)Yi (1 − F (Xi θ))1−Yi . et donc la log-vraisemblance vaut : N N log L(θ) = i=1 Yi log F (Xi θ) + i=1 (1

a les formes linéaires suivantes : Logit (p1) = natural log (odds) = ln (1) Logit (p1 + p2) = natural log (odds) = ln (2) Les paramètres sont estimés par la méthode maximum de vraisemblance afin de maximiser les chances de reproduction des données dans le temps. La valeur ainsi que le signe des paramètres estimes indiquent la relation existant entre la variable dépendante et les variables explicatives. Une telle relation

multivarié). 2.3. Fonction génératrice des moments. 2.4. Fonctions de variables normales (Chi-carré, Student, Fisher). III. Estimation ponctuelle 3.1. Echantillon aléatoire, estimateur, estimation. 3.2. Fonction de vraisemblance. 3.3. Maximum de vraisemblance. IV. Propriétés des estimateurs 4.1. Estimateur sans biais 4.2. Estimateur convergent. 4.3. Estimateur efficace. 4.4. Minimisation de l’erreur quadratique moyenne. 4.5. Interprétation des propriétés. V. Tests d’hypothèses

Estimation ponctuelle 13.1 13.2 13.3 13.4 13.5 13.6 Définition d’un estimateur Principales qualités d’un estimateur Estimateur sans biais de variance minimale Précision intrinsèque d’un estimateur et inégalité de Cramer-Rao Méthode du maximum de vraisemblance (MV) Extension au cas de plusieurs paramètres 14 • Estimation par intervalle de confiance 14.1 Définition d’un intervalle de confiance 14.2 Exemples d’intervalles de confiance 14.3 Estimation et intervalle de confiance dans le cas

Exponentielles 5. Modèle position-échelle 6. Exercices Partie 2. Estimation ponctuelle Chapitre 3. Statistique et Estimateur Chapitre 4. Construction d’estimateurs 1. Estimateurs empiriques (des moments) 2. Méthode de substitution 3. Méthode des moments 4. Maximum de vraisemblance 5. Exercices Chapitre 5. Qualité d’un estimateur 1. Estimateur convergent 2. Estimateur sans biais 3. Risque d’un estimateur 4. Information de Fisher 5. Borne de Cramer-Rao (ou Fréchet-Darmois-Cramer-Rao) 6. Exercices Chapitre 6.