Les bookmarks de Clem
2369 shaares
15 results
tagged
statistiques
Les GAM ajustés comme modèles mixtes.
Éléments importants dans le bouquin de Wood sur les GAM
Tiens ? Encore un article de Hooten. Il m'a l'air très intéressant. A lire
Super explication du pourquoi ne pas utiliser l'AIC de façon automatique. Très bel exemple.
Saddlepoint approximation pour approcher la distribution d'une somme de binomiales non identique. Peut toujours servir.
Article très intéressant, sur le sujet des probas très faibles ou très élevées, qui, pour des raisons de représentations finies, ne peuvent être représentées sur l'ordi.
Quand on veut travailler avec ça, ya plein de petits trucs qui permettent de ne pas avoir de surprise, que l'on souhaite calculer ces probas, les additionner ou calculer 1-p.
Super intéressant
Quand on veut travailler avec ça, ya plein de petits trucs qui permettent de ne pas avoir de surprise, que l'on souhaite calculer ces probas, les additionner ou calculer 1-p.
Super intéressant
Ah ben je voulais le lire... Le résumé m'en donne encore plus envie.
Un débat à lire
Via Mathieu. Ya deux-trois graphiques qui laissent rêveurs... à creuser plus en détail.
Une revue de l'utilisation des processus de points en écologie.
La conclusion qui tue: "These facts are not up to discussion. I am right and you are wrong".
J'aime bien la première réponse de Ripley, au sujet des tests sur la surdispersion: "There are, but like formal tests for outliers I would not advise using them, as you may get misleading inferences before they are significant, and they can reject when the inferences from the small model are perfectly adequate".
The moment estimator \phi of over-dispersion (calculé par le rapport Chi-2/ddl) gives you an indication of the likely effects on your inferences: e.g. estimated standard errors are proportional to \sqrt(\phi). having standard errors which need inflating by 40% seems to indicate that the rule you quote is too optimistic (even when its estimator is reliable).
Edit: remarque de Ripley concernant l'article de Lindsey: "And I can add 'it is helpful to know whose authority is being invoked', since (e.g.) some authors are not at all careful." Dommage que la critique ne soit pas plus détaillée.
The moment estimator \phi of over-dispersion (calculé par le rapport Chi-2/ddl) gives you an indication of the likely effects on your inferences: e.g. estimated standard errors are proportional to \sqrt(\phi). having standard errors which need inflating by 40% seems to indicate that the rule you quote is too optimistic (even when its estimator is reliable).
Edit: remarque de Ripley concernant l'article de Lindsey: "And I can add 'it is helpful to know whose authority is being invoked', since (e.g.) some authors are not at all careful." Dommage que la critique ne soit pas plus détaillée.
Un XKCD rigolo sur la notion de risque
Une autre démonstration simple et intéressante du fait que quand on a une variable aléatoire X distribuée selon une loi binomiale de paramètres N et p, dont le paramètre N est tiré d'une loi de Poisson de paramètre lambda, la variable aléatoire X est tirée d'une loi de Poisson de paramètre lambda*p. Cette démonstration utilise l'identité
\exp(x) = \sum_{n=0}^\infty (x^n)/(n!)
\exp(x) = \sum_{n=0}^\infty (x^n)/(n!)
Théorème de Rao-Rubin qui permet la caractérisation de la distribution de Poisson. Récupéré.
Une conséquence intéressante: quand X suit une distribution de Poisson de paramètre lambda, et que Y suit une binomiale de paramètre n, p, et que n est une réalisation de X, alors Y est une loi de Poisson de paramètre lambda*p.
Une conséquence intéressante: quand X suit une distribution de Poisson de paramètre lambda, et que Y suit une binomiale de paramètre n, p, et que n est une réalisation de X, alors Y est une loi de Poisson de paramètre lambda*p.