Durée totale : 45 heures (15 semaines, 3 heures par semaine)
Introduction au cours : Économétrie avancée
Le cours d’économétrie avancée s’adresse aux étudiants ayant déjà une bonne maîtrise des bases et des techniques intermédiaires en économétrie. Il explore des modèles économétriques complexes et des techniques modernes d’analyse économique, en mettant l’accent sur leur application pratique à des problèmes économiques réels. Ce cours se concentre sur des sujets tels que les modèles de séries chronologiques avancés, les données de panel complexes, les modèles non linéaires, et les méthodes économétriques modernes comme les modèles causaux et le machine learning en économétrie.
Les étudiants acquerront des compétences en diagnostic, en correction des biais des modèles, et en utilisation d’outils logiciels pour des analyses avancées. Ce cours est particulièrement adapté aux étudiants souhaitant se spécialiser en économétrie ou se préparer à des carrières en recherche économique ou en conseil.
Objectifs du cours
Objectifs généraux :
- Approfondir la compréhension des modèles économétriques complexes et des méthodes avancées.
- Préparer les étudiants à l’analyse de données complexes et à la résolution de problèmes économétriques spécifiques.
- Introduire les approches modernes en économétrie, y compris les techniques causales et prédictives.
Objectifs spécifiques :
- Modèles pour données avancées :
- Maîtriser les modèles de séries chronologiques avancés (VAR, VECM, GARCH).
- Analyser des données de panel dynamiques avec des effets fixes et aléatoires.
- Problèmes complexes dans les modèles économétriques :
- Traiter l’endogénéité à l’aide de modèles instrumentaux avancés.
- Corriger les biais dans les modèles avec des erreurs de mesure ou des données manquantes.
- Modèles non linéaires et spécifiques :
- Appliquer des modèles logit et probit multinomiaux pour des choix multiples.
- Utiliser des modèles censurés et tronqués (Tobit, Heckman).
- Économétrie causale et contemporaine :
- Comprendre et appliquer les méthodes d’évaluation d’impact (différence en différences, appariement).
- Introduction au machine learning appliqué en économétrie (régressions pénalisées, arbres de décision, etc.).
- Applications pratiques complexes :
- Réaliser des analyses économétriques approfondies avec des logiciels comme R, Stata, Eviews ou Python .
- Rédiger des rapports techniques pour des audiences professionnelles ou académiques.
- Compétences développées :
- Maîtrise des techniques économétriques avancées et capacité à les appliquer à des données complexes.
- Expertise dans le diagnostic et la correction des problèmes spécifiques des modèles économétriques.
- Utilisation de techniques modernes (causales et prédictives) pour analyser des questions économiques complexes.
- Aptitude à présenter des analyses complexes de manière claire et convaincante pour des publics spécialisés.
- Public cible :
- Étudiants en économie, finance ou disciplines connexes ayant une base solide en économétrie et souhaitant approfondir leurs connaissances pour des applications avancées en recherche ou en conseil.
- Ce cours met l’accent sur la rigueur théorique et les applications pratiques avec des données réelles. Souhaitez-vous détailler davantage un objectif ou inclure des sujets spécifiques ?