Les bookmarks de Clem
2369 shaares
447 results
tagged
stats
Apparemment, un bon papier de Gelman. À lire.
À récupérer et à lire
De la très bonne lecture!!!
Beaucoup de sujets fascinants. Si seulement il y avait plus de 24 heures dans une journée...
Beaucoup de sujets fascinants. Si seulement il y avait plus de 24 heures dans une journée...
Lien avec le précédent: Gelman se lance dans le podcast... Ça m'intéresse beaucoup!
Garder un œil dessus.
Garder un œil dessus.
Des podcasts intéressants. Je suis toujours preneur.
Le doc est intéressant, et recense plusieurs propriétés rigolottes de ces distributions. En particulier -- que je cherchais -- la formulation d'une multinomiale comme le produit de conditionnelles binomiales. Pratique pour passer des modèles multinomiaux dans un sampler de Gibbs.
Une clarification.
À lire
Et ils citent adehabitat :-D
Très intéressant: en MCMC lorsque la proposal (e.g. une gaussienne) n'a pas le même support que la cible (e.g. une variable strictement positive), on est tenté de répéter l'échantillonnage de la proposal jusqu'à ce que la valeur proposée soit dans le support de la cible. Il est bien connu que cette approche n'est pas valide quand elle est implémentée de façon bourrine. Mais l'auteur montre ici qu'elle peut être valide, à condition d'utiliser la bonne distribution dans le calcul du rapport pour déterminer la proba d'acceptation.
M'a l'air super intéressant ce blog...
M'a l'air super intéressant ce blog...
C'est marrant ça. Breiman était profondément anti-bayésien, parce qu'à l'époque (milieu années 1990), les bayésiens étaient surtout des théoriciens qui ne mettaient jamais les mains dans les données. Les pbs réels trop compliqués étaient inaccessibles aux bayésiens... Les choses ont bien changé!
N'empêche, j'attends quand même le jour ou qqn inventera une méthode qui nous permet de nous passer du MCMC et de tous ses pbs de tuning...
N'empêche, j'attends quand même le jour ou qqn inventera une méthode qui nous permet de nous passer du MCMC et de tous ses pbs de tuning...
Ah ben ya une illustration de l'analogie de Gelman sur les modélisateurs tentant d'estimer des effets fins avec des données pourries. Me la stocke celle-là.
Marrant
Des infos sur la somme de log-normales. À lire.
À lire absolument. J'avais vu une présentation de ce gars là sur ce thème, c'était à tomber à la renverse. Je suis content qu'il y ait un papier sur le sujet!
Relationships among Common Univariate Distributions - The American Statistician - Volume 40, Issue 2
Super article. Le diagramme est super utile.
Intéressant: utiliser les copula pour simuler des distributions multivariées avec structure de corrélation imposée. Les copula sont des distributions multidimensionnelles caractérisées par des distributions marginales uniformes. Le théorème de Sklar indique que toute distribution multidimensionnelle peut être formulée comme fonction de ses distributions marginales (e.g. Poisson, etc.) et d'une structure de corrélation décrite par une copula (voir e.g. https://en.wikipedia.org/wiki/Copula_(probability_theory)).
Un autre package pour l'élicitation d'avis d'expert.
Repose sur un script R, pas mal fait.
Repose sur un script R, pas mal fait.
Idée géniale: utilisation de Google Image pour estimer la variabilité géographique des traits fonctionnels des espèces. Pas cher et efficace!
Article de blog intéressant sur l'ajustement de spline 2D avec JAGS. La fonction jagam du package mgcv semble très intéressante. Décortiquer cette fonction, programmée par S.Wood lui-même (!), risque d'apporter pas mal d'infos super intéressantes!