Econométrie sous R et Python
- Séance 8 : Présentations des packages StatsModels,
Scikit-Learn et Seaborn
Infos pratiques - Séance 9 : Le modèle de régression multiple
- Séance 10 : Hétéroscédasticité & Autocorrélation
> ECTS : 3.0 - Séance 11 : Applications & exercices
> Nombre d'heures : 24.0 - Séance 12 : Introduction aux séries temporelles
> Langue(s) d'enseignement : Français
> Période de l'année : Enseignement septième Objectifs
semestre
> Méthodes d'enseignement : En présence Le présent cours-TD a un double objectif. Il s’agit d’abord
> Forme d'enseignement : Travaux dirigés de proposer une approche du langage Python en
étudiant les structures algorithmiques de base ainsi que
> Ouvert aux étudiants en échange : Oui
les principaux packages (Numpy, Scipy, Pandas) utiles
> Campus : Campus de Nanterre au traitement statistique des données. Cette première
> Composante : Sciences économiques, gestion, partie du cours est l’occasion de fournir aux étudiants les
mathématiques et informatique notions algorithmiques usuelles leur permettant de se
> En savoir plus : [Link] saisir d’autres langages de programmation (R, Matlab, …),
m1ea/accueil très utilisés par ailleurs. Il s’agira ensuite d’utiliser Python
pour mettre en application les notions d’économétries
vues en Licence/Master. Depuis les modèles linéaires
Présentation simples jusqu’aux modèles de séries temporelles
simples, cette deuxième partie du cours sera l’occasion
Préambule : si, pour tenir compte de la situation sanitaire,
pour l’étudiant de découvrir le riche écosystème de
des restrictions ou des contraintes sont imposées à
packages scientifiques disponible sous Python.
l'Université Paris Nanterre ou à l'UFR SEGMI, tout ou partie
des épreuves, contrôles de connaissances et examens
terminaux de la session 1 et de la session 2, ainsi que des Évaluation
sessions de rattrapages, pourront se dérouler en mode
distancié. épreuve sur machine.
Calendrier du cours - Prise en compte de la situation sanitaire : se référer à la
-Séance 1 : Présentation de Python et de l’environnement disposition générale figurant en préambule des fiches de
de développement (Anaconda, Notebooks) cours du présent document.
-Séance 2 : Eléments de base I : Variables, Opérateurs, Prise en compte de la situation
Boucles et Structures Conditionnelles sanitaire :
Si, pour tenir compte de la situation
-Séance 3 : Eléments de base II : Manipulation de listes,
sanitaire, des restrictions ou des
tuples, dictionnaires.
contraintes sont imposées à
- Séance 4 : Numpy & Pandas I : Génération de données
l'Université Paris Nanterre ou à l'UFR
aléatoires, manipulation de données externes
SEGMI, tout ou partie des épreuves,
- Séance 5 : Numpy & Pandas II : Statistiques descriptives contrôles de connaissances et
& Visualisation (partie 1) examens terminaux de la session 1 et
- Séance 6 : Numpy & Pandas III : Statistiques descriptives de la session 2, ainsi que des sessions
& Visualisation (partie 2) de rattrapages, pourront se dérouler
- Séance 7 : Applications & exercices en mode distancié.
1/2 Dernière mise à jour le 28 février 2022
Pré-requis nécessaires
Notions d'économétrie / C2I
Compétences visées
Connaissance des structures algorithmiques de base
en Python utilisation de Pandas, Numpy, StatsModel,
économétrie appliquée a des jeux de données
économiques
Examens
épreuve sur machine.
Prise en compte de la situation sanitaire : se référer à la
disposition générale figurant en préambule des fiches de
cours du présent document.
Bibliographie
- Bourbonnais, R. (2008), Econométrie, Dunod, 7e édition.
- Pesaran, M. H. (2015). Time series and panel data
econometrics. Oxford University Press. - <a href = https://
[Link]/livres/ > Livres Python </a>
Ressources pédagogiques
Travail sur ordinateur
2/2 Dernière mise à jour le 28 février 2022