 |
Thibaud DEGUILHEM Maître de conférences en économie Université de Paris, |
Objectif pédagogique
Destiné aux étudiant-e-s de première année des Masters APE et MECI, cet enseignement offre un large panorama sur les instruments de l’analyse statistique et économétrique appliquée. Utilisant Rstudio et RMarkdown, ce cours propose aux étudiant-e-s de devenir autonome dans l’analyse quantitative en leur permettant de développer trois niveaux de compétences distincts : (i. savoir ) connaitre les outils statistiques (descriptifs, inférentiels et économétriques) adaptés afin d’apporter des réponses quantitatives à des questions spécifiques, ( ii. savoir-faire) appliquer ces outils et maîtriser les fonctionnalités essentielles du logiciel Rstudio pour produire une analyse complexe à partir d’un jeu de données, (iii. savoir-faire et savoir-être ) mettre en valeur des résultats quantitatifs
et travailler en équipe sur un rapport statistique.
Organisation
Trois parties structurent ce cours depuis le data management, jusqu’à l’introduction de l’économétrie de la causalité en passant par les statistiques descriptive et inférentielle. Tout au long du semestre, les étudiant-e-s auront à réaliser un rapport statistique en groupe sous RMarkdown. A partir d’un modèle fourni lors de la première séance, les étudiant-e-s seront accompagné-e-s par la mise à disposition de jeux de données originaux, la mise en place d’un forum dédié aux questions de script, de chunk ou de compilation (muut) et leur travail sera guidé par différents rendus intermédiaires.
Plan de cours
Partie I Data management, description et inférence
(a) Gestion de jeux de données et statistique descriptive
Fusion, suppression, modification de données, distributions, indicateurs de tendance centrale, de position et de dispersion
(b) Statistiques bivariée et inférentielle I
Tests de conformité, d’homogénéité, de normalité et d’association entre deux variables qualitatives
(c) Statistiques bivariée et inférentielle II
Analyse de la variance (ANOVA et tests post-hoc), corrélation, régression linéaire simple et principe d’estimation par les MCO
Partie II Économétrie appliquée I
(a) Régression linéaire multiple
Caractéristiques de l’estimateur MCO, qualité de l’ajustement, tests et fonctions non linéaires
(b) Régression avec variable dépendante binaire
Modèles LOGIT et PROBIT, estimateur EMV, qualité des ajustements et tests
(c) Modèle non-paramétrique et premiers pas vers l’étude de la causalité
Régressions quantile, qualité des ajustements, tests et corrélation vs. causalité
Partie III Économétrie appliquée II
(a) Modèles de médiation et en deux étapes
Correction du biais d’échantillonnage (2-Step Heckman et IMR) et variable indépendante médiatrice
(b) Mesurer un eet causal à partir de données non-expérimentales : Propensity Score Matching (PSM)
Principes des méthodes de matching, étapes du PSM, caractéristiques des estimations, qualité et tests
Modalités de contrôle des connaissances
Les étudiant-e-s sont évalué-e-s individuellement et collectivement en 50% CC et 50% ET.
– Évaluation en contrôle continu
Test individuel en ligne au terme de chaque partie (20%)
Rapport collectif (30%)
– Évaluation terminale
Examen final de 3h (50%)
Références bibliographiques
- Agresti, A. (2017). Statistical methods for the social sciences. Pearson, Boston, 5th edition.
- Cornillon, P.-A., Guyader, A., Husson, F., Jégou, N., Josse, J., Kloareg, M., Matzner-Lober, E., and Rouvière,
L. (2012). Statistiques avec R. Presses Universitaires de Rennes, Rennes, 3rd edition. - Greene, W. (2011). Econométrie. Pearson, Paris, 7th edition.
- Leite, W. (2016). Practical propensity score methods using R. Sage Publications.
- Li, M. (2013). Using the Propensity Score Method to Estimate Causal Eects : A Review and Practical Guide.
Organizational Research Methods, 16(2) :188226. - MacKinnon, D. P., Fairchild, A. J., and Fritz, M. S. (2007). Mediation Analysis. Annual Review of Psychology,
58(1) :593. - Stock, J. H. and Watson, M. (2014). Principes d’économétrie. Pearson, Paris, 3rd edition.
Prérequis
Afin d’aborder ce cours dans de bonnes conditions, les étudiants doivent impérativement maîtriser diverses notions de bases en statistiques et en économétrie. Ils peuvent auto-évaluer leurs compétences en réalisant ce test en ligne.
En cas de résultats insuffisants, il est très vivement conseillé de procéder à une auto-formation, au moyen des ressources suivantes :
- Révisions. Statistiques descriptives (cours en ligne) : Décrivez et nettoyez votre jeu de données
- Révisions. Inférence statistique (cours en ligne) : Initiez vous à la statistique inférentielle
- Économétrie. Stock, J. H. et Watson, M. (2014). Principes d’économétrie, Pearson, Paris, chapitre 1 [disponible en ligne]. Manuel complet disponible à la BU des Grands Moulins : 330.4 STO.