Détails formation en Bootstrap et rééchantillonnage

Connaître les méthodes de rééchantillonnage et leurs applications classiques pour l'inférence statistique.

Connaissances de base en statistique inférentielle paramétrique et non-paramétrique: estimation, intervalles de confiance, tests. Notions de régression, discrimination, séries temporelles.

Cette formation dresse un panorama des méthodes de rééchantillonnage et de leurs applications classiques pour l’inférence statistique : estimation du biais, de la variance d’un estimateur, construction d’intervalles de confiance, construction de tests d’hypothèses. Une attention particulière sera portée au bon usage du rééchantillonnage en pratique, en s’appuyant sur des cas typiques d’échec du bootstrap « naïf » : valeurs extrêmes, régression, discrimination, séries temporelles, U statistiques, pour lesquels des remèdes seront proposés. Enfin, les méthodes récentes d’agrégation basées sur le rééchantillonnage (bagging, forêts aléatoires, boosting) seront évoquées.

Méthodes de rééchantillonnage et applications à l’inférence statistique

Introduction, principe du plug in

Bootstrap et rééchantillonnage : jackknife, bootstrap dit « naïf », bootstrap à poids

Propriétés d'un estimateur : estimation bootstrap du biais, de la variance, de l'erreur quadratique moyenne

Intervalles de confiance : bootstrap-t, percentile bootstrap, BC- percentile bootstrap, Bca-percentile bootstrap

Tests d'hypothèses : tests de permutation, tests bootstrap

Quelques échecs du boostrap naïf et remèdes

Valeurs extrêmes

Régression

Discrimination

Séries temporelles

U statistiques

Méthodes d'agrégation basées sur le bootstrap

Bagging, Forêts aléatoires, Boosting

R

Bootstrap et rééchantillonnage

Bootstrap et rééchantillonnage

Objectifs

Prérequis

Contenu

Outils ou logiciel

Niveaux

Commentaires

S'inscrire