Bibliographie & annexes
Présentation
English
RÉSUMÉ
La statistique bayésienne correspond à une approche cohérente et surtout pratique de la résolution des problèmes d'inférence statistique. Les fondements historiques de cette discipline, ainsi que ses justifications théoriques et philosophiques, ne seront pas présentés ici. L'objet de cet article est au contraire de démontrer que cette approche de l'inférence statistique est moderne, adaptée aux outils informatiques de simulation et apte à répondre aux problèmes de modélisation les plus avancés dans toutes les disciplines, plutôt que de l'ancrer sur ses querelles du passé. Dans une première partie, seront présentés les fondements de l'inférence bayésienne, en insistant sur les spécificités de la modélisation a priori et de la construction des tests. Puis, seront explicités les concepts précédemment introduits dans le cas pratique d'un modèle de régression linéaire.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Jean-Michel MARIN : Institut de mathématiques et de modélisation, université Montpellier 2 et CREST, INSEE, Paris
-
Christian P. ROBERT : Ceremade, université Paris Dauphine et CREST, INSEE, Paris
INTRODUCTION
Dans ce court texte de présentation de la statistique bayésienne, nous nous attachons à démontrer qu'il s'agit d'une approche cohérente et surtout pratique pour résoudre les problèmes d'inférence statistique. Les fondements historiques de cette discipline, ainsi que ses justifications théoriques et philosophiques, ne seront pas présentés ici, le lecteur étant renvoyé pour cela aux ouvrages de référence cités en [Doc AF 605] que sont Bernardo et Smith (1994) ; Carlin et Louis (2001) ; Gelman et al. (2001) et Robert (2007) (ou Robert (2006) pour la version française). Notre objet est au contraire de démontrer que cette approche de l'inférence statistique est moderne, adaptée aux outils informatiques de simulation et apte à répondre aux problèmes de modélisation les plus avancés dans toutes les disciplines, plutôt que de l'ancrer sur ses querelles du passé. Dans une première partie, nous présentons les fondements de l'inférence bayésienne, en insistant sur les spécificités de la modélisation a priori et de la construction des tests. Puis, nous mettons en œuvre explicitement les concepts précédemment introduits dans le cas pratique d'un modèle de régression linéaire.
L'expertise technique et scientifique de référence
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Buts et contraintes de l'inférence statistique
English
4. Conclusion
Nous renvoyons à pour des exemples beaucoup plus détaillés dans le cadre des modèles linéaires généralisés, des modèles de capture-recapture, des modèles de mélange, des séries temporelles… Il existe, dans chaque cas, une modélisation a priori par défaut et une résolution algorithme qui permettent de fournir une solution bayésienne de référence pour le problème considéré. Bien entendu, d'autres lois a priori peuvent être considérées, le modèle de référence servant alors à évaluer l'impact de ce choix a priori. Nous voulions simplement communiquer ici l'idée selon laquelle il est possible de mener une inférence bayésienne sur un problème réaliste sans disposer d'une expertise particulière pour la construction de lois a priori.
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Conclusion
BIBLIOGRAPHIE
-
(1) - BERNARDO (J.), SMITH (A.) - Bayesian theory - John Wiley, New York (1994).
-
(2) - BROWN (P.), VANNUCCI (M.), FEARN (T.) - Multivariate bayesian variable selection and prediction - J. Royal Statist. Society Series B, p. 627-641 (1998).
-
(3) - CARLIN (B.), LOUIS (T.) - Bayes and empirical Bayes methods for data analysis - Chapman and Hall, New York, 2e éd. (2001).
-
(4) - CASELLA (G.), MORENO (E.) - Objective bayesian variable selection - J. American Statist. Assoc., 101 (473), p. 157-167 (2006).
-
(5) - CELEUX (G.), MARIN (J.-M.), ROBERT (C.) - Sélection bayésienne de variables en régression linéaire - Journal de la Société Française de Statistique, 147 (1), p. 59-79 (2006).
-
(6) - CHIPMAN (H.) - Bayesian variable selection with related predictors - Canadian Journal...
DANS NOS BASES DOCUMENTAIRES
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Mathématiques
(167 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
