Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 3 votes.
Titre original :
Applied Analytics - Quantitative Research Methods: Applying Monte Carlo Risk Simulation, Strategic Real Options, Stochastic Forecasting, Portfolio Opt
Contenu du livre :
TROISIÈME ÉDITION (2022)
La série de livres Applied CQRM montre comment les analyses avancées couvertes dans le programme de certification Certified in Quantitative Risk Management (CQRM) peuvent être appliquées à des problèmes commerciaux réels. Dans le Volume I, nous montrons comment Risk Simulator et ROV BizStats peuvent être utilisés pour effectuer des analyses quantitatives dans le cadre de recherches universitaires et postuniversitaires. Les applications pragmatiques sont mises en avant afin de démystifier les nombreux éléments inhérents à l'analyse quantitative. Une boîte noire statistique restera une boîte noire si personne ne peut en comprendre les concepts malgré sa puissance et son applicabilité. Ce n'est que lorsque les méthodes de la boîte noire deviennent transparentes, de sorte que les chercheurs puissent comprendre, appliquer et convaincre les autres de leurs résultats, de leur valeur ajoutée et de leur applicabilité, que les approches recevront une attention généralisée. Cette transparence est obtenue par des applications pas à pas de la modélisation quantitative ainsi que par la présentation de cas multiples et la discussion d'applications réelles. Ce livre s'adresse aux personnes qui ont suivi le programme de certification CQRM, mais il peut également être utilisé par toute personne familiarisée avec les méthodes de recherche quantitative de base - il y en a pour tous les goûts. Il peut également être utilisé comme manuel de deuxième année de MBA/MS ou d'introduction au doctorat. Les exemples présentés dans le livre supposent une certaine connaissance préalable du sujet. Des informations complémentaires sur le programme CQRM peuvent être obtenues à l'adresse suivante : www.iiper.org www.realoptionsvaluation.com.
L'ESSENTIEL.
Tendance centrale, dispersion, biais, kurtosis.
Probabilité, théorème de Bayes, arbres, combinaison, permutation.
Classique, standard, valeur P, IC.
Théorème de la limite centrale.
Erreurs de type I-IV, biais d'échantillonnage.
Types de données et conception de la collecte.
MÉTHODES ANALYTIQUES.
Tests T : Variance égale/non égale/appariée, test F, test Z.
ANOVA, en bloc, à deux voies, ANCOVA, MANOVA.
Corrélation linéaire/non linéaire.
Normalité et ajustement de la distribution : Kolmogorov-Smirnov, Chi-carré, critère d'information d'Akaike, Anderson-Darling, Kuiper, Schwarz/Bayes, Box-Cox.
Non-paramétriques : Runs, Wilcoxon, Mann-Whitney, Lilliefors, Q-Q, D'Agostino-Pearson, Shapiro-Wilk-Royston, Kruskal-Wallis, Mood's, Cochran's Q, Friedman's.
Fiabilité inter/intra-évaluateurs, cohérence, diversité, validité interne/externe, prévisibilité.
Kappa de Cohen, Alpha de Cronbach, Lambda de Guttman, Corrélation inter-classe, W de Kendall, Diversité de Shannon-Brillouin-Simpson, Homogénéité, Grubbs Outlier, Mahalanobis, Discriminant linéaire et quadratique, Hannan-Quinn, Diebold-Mariano, Pesaran-Timmermann, Précision, Contrôle de l'erreur.
Régression multivariée linéaire/non linéaire.
Multicollinéarité, hétéroscédasticité.
Modélisation par équations structurelles (SEM), moindres carrés partiels (PLS).
Endogénéité, méthodes d'équations simultanées, moindres carrés en deux étapes.
Causalité de Granger, Engle-Granger.
Régressions avancées : Poisson, Deming, Logistique Ordinale, Ridge, Pondéré, Bootstrap.
INTELLIGENCE ARTIFICIELLE ET APPRENTISSAGE AUTOMATIQUE (SCIENCE DES DONNÉES)
Bootstrap linéaire à sac.
Bootstrap non linéaire avec sac.
Arbres de classification et de régression CART.
Ajustement personnalisé.
Réduction de dimension Analyse en composantes principales.
Réduction de dimension Analyse factorielle.
Ensemble Common Fit.
Ajustement complexe d'ensemble.
Ensemble de séries temporelles.
Segmentation par mélange gaussien et K-Means.
K-voisins les plus proches.
Modèle d'ajustement linéaire.
Analyse discriminante multivariée (linéaire)
Analyse discriminante multivariée (quadratique)
Réseau neuronal (Cosinus, Tangente, Hyperbolique)
Classification binaire logistique.
Classification binaire normit-probit.
Arbres phylogénétiques et regroupement hiérarchique.
Forêt aléatoire.
Regroupement par segmentation.
Machines à vecteurs de support SVM.
Autres informations sur le livre :
| ISBN : | 9781734481105 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
