Mettre au propre une partie simulations

[jeremylhour]

Se concentrer dans des cas où les conditions sont vérifiées pour mu pour le DGP Gaussien. Et regarder les configurations du DGP exponentiel. Garder les deux DGP. Commenter le tout.

Virer les couleurs dans le tableau de résultats.

[jeremylhour]

• Faire une heat-map du taux de couverture pour le DGP exponentiel, en mettant sur l'axe (lambda_X, alpha_Y) ✅
• Refaire tourner DGP exponential avec B = 10,000 ✅

[jeremylhour]

"on pourrait mettre un simple graphe avec b_2 + d_2 en abscisse et le taux de couverture moyen des intervalles de confiance (tous DGPs ayant le même b_2 + d_2 confondus) en ordonnées."✅

[jeremylhour]

Provient du DGP EXPONENTIAL :

[jeremylhour]

• Refaire tourner DGP exponentiel avec les nouveaux paramètres symétriques, ✅
• Bien vérifier les maths du DGP gaussien, ✅
• Etudier les résultats du DGP gaussien pour voir si problème ✅ Mais à refaire tourner
• Refaire tourner DGP Gaussien ✅

[jeremylhour]

Saving the latest results and config files.

• Exponential DGP is OK ✅
• Gaussian DGP is not completely clear.

nb_simu: 10000 # Nb. of simulations sample_size: [100, 500, 1000] # Sample size, can be an array of multiple values lambda_x: [.05, .1, .25, .4, .5, .6, .75, .9, .95] # Parameter of exponential distribution for X lambda_z: [1] # Parameter of exponential distribution for Z alpha_y: [20, 10, 4, 2.5, 2, 1.666, 1.333, 1.111, 1.053] # Parameter of Pareto distribution for Y

output_EXPONENTIAL_22-04-2021.zip

nb_simu: 10000 # Nb. of simulations sample_size: [100, 500, 1000] # Sample size, can be an array of multiple values mu_x: [0, .5, 1, 2, 3] # mean of X (Gaussian distribution) variance_x: [20, 10, 4, 2.5, 2, 1.666, 1.333, 1.111, 1.053] # Variance of X (Gaussian distribution)

output_GAUSSIAN_23-04-2021.zip

[jeremylhour]

DGP Gaussien : dans ce cas, on a \theta_0 = \mu_X. Pas besoin de calculer par Monte Carlo. Simulations reparties.✅

EDIT : Results output_GAUSSIAN_25-04-2021.zip