Une introduction pratique à l'économétrie moderne. Nous nous concentrons sur l'inférence causale et la prévision à l'aide de la régression linéaire, des effets fixes et aléatoires, des variables instrumentales, de la méthode des doubles différences, des modèles à variable dépendante limitée et des diagnostics de modèles. Des travaux pratiques sur des données réelles permettent de développer des habitudes de recherche reproductibles.
Vous serez à mesure de:
Spécifier, estimer et interpréter des modèles linéaires en effectuant des vérifications rigoureuses des hypothèses.
Diagnostiquer les biais (variables omises, biais de sélection, erreurs de mesure) et proposer des solutions.
Mettre en œuvre des modèles de données de panel, des modèles à variables instrumentales et des modèles de différences doubles ; comprendre leurs hypothèses d'identification.
Communiquer les résultats empiriques à l'aide de tableaux et de graphiques clairs et de résumés en langage simple.
Développer des flux de travail reproductibles (scripts, gestion des versions, code bien commenté)..
Logiciels et flux de travail:
Logiciels recommandés : R (tidyverse, fixest, AER, modelsummary) ou Python (pandas, linearmodels, statsmodels).
Alternative: Stata.
Tous les travaux doivent inclure le code et un fichier README permettant une reproduction complète des résultats.
Semaine 1 : Révision des probabilités et de l'échantillonnage ; causalité vs corrélation
Semaine 2 : Régression OLS simple et multiple ; hypothèses ; théorème de Gauss-Markov
Semaine 3 : Inférence : hétéroscédasticité, erreurs standard robustes, bootstrap
Semaine 4 : Forme fonctionnelle, interactions et non-linéarités
Semaine 5 : Biais de variable omise, erreur de mesure et sélection
Semaine 6 : Données de panel : effets fixes/aléatoires ; erreurs standard groupées
Semaine 7 : Différence de différences et études d'événements
Semaine 8 : Variables instrumentales : pertinence et exogénéité ; MCO en deux étapes
Semaine 9 : Variables dépendantes limitées : logit/probit ; modèles de comptage
Semaine 10 : Régression de discontinuité (introduction)
Semaine 11 : Bases de la prévision ; validation croisée ; tests hors échantillon
Semaine 12 : Diagrammes causaux (DAG) et stratégies d'identification
Semaine 13 : Pratique de la réplication et de la robustesse
Semaine 14 : Présentations des projets
Collaboration : Discutez de vos idées ; soumettez votre propre travail.
MWF 10:00 - 11:00 AM
Economics Building, Room 201
45 Étudiants
Toutes les notes des cours sont publiées en toute sécurité sur la plateforme d’apprentissage en ligne de l’université.
Cliquez ci-dessous pour consulter vos notes.
FERPA Compliant – Individual authentication required
