PROGRAMMATION PYTHON POUR L’ÉCONOMÉTRIE

Jamâl-Dine DISSOU

Version 2.0 - Octobre 2023

 Page 2 sur 37

1. INTRODUCTION À PYTHON POUR L’ÉCONOMÉTRIE

Python est un langage de programmation interprété, qui se veut simple à
comprendre, modulable et aux applications multiples. C’est aujourd’hui un des
langages les plus utilisés et les plus plébiscités par les développeurs.
Lorsque l'on aborde le domaine passionnant de l'économétrie, la maîtrise d'un
langage de programmation puissant et polyvalent comme Python peut faire toute
la différence. Python est largement utilisé dans le domaine de l'économétrie en
raison de sa simplicité, de sa flexibilité et de sa richesse d'outils disponibles.
Dans ce cours, nous explorerons les bases de Python et découvrirons comment il
peut être un atout précieux dans le domaine de l'économétrie.

1.1. Qu’est-ce que Python et pourquoi l’utiliser en économétrie ?

Python est un langage de programmation polyvalent et puissant qui a gagné en

popularité dans de nombreux domaines, y compris l'économétrie. Il se distingue
par sa simplicité et sa lisibilité, ce qui en fait un choix idéal pour les économètres,
qu'ils soient débutants ou expérimentés.
 Simplicité d'apprentissage : Python est connu pour sa syntaxe simple et
facile à comprendre. Les économètres peuvent rapidement maîtriser les
bases de Python sans avoir à se plonger dans des concepts de
programmation complexes.
 Vaste communauté : Python bénéficie d'une communauté active et engagée
de développeurs et d'utilisateurs. Cela signifie que vous pouvez trouver
facilement de l'aide, des bibliothèques prêtes à l'emploi et des ressources en
ligne pour résoudre vos problèmes en économétrie.
 Large écosystème : Python offre un écosystème riche en bibliothèques et en
outils spécialement conçus pour l'analyse de données et l'économétrie. Des
bibliothèques telles que NumPy, pandas, Matplotlib et statsmodels sont
largement utilisées dans le domaine.

1.2. Les avantages de Python par rapport à d’autres langages de programmation

Python se distingue par plusieurs avantages qui le rendent particulièrement

attrayant pour les économètres.

Dr Jamâl-Dine DISSOU - 2021

 Page 3 sur 37

 Lisibilité du code : La syntaxe claire de Python facilite la lecture et la

compréhension du code, ce qui est essentiel pour les économètres qui
doivent collaborer sur des projets ou examiner le travail de leurs pairs.
 Flexibilité : Python est adapté à une variété de tâches en économétrie, de
l'analyse de données à la modélisation économétrique en passant par la
génération de rapports automatisés. Il offre une flexibilité précieuse pour
aborder diverses problématiques économétriques.
 Gratuit et open source : Python est un logiciel open source, ce qui signifie
qu'il est gratuit et que vous pouvez le personnaliser selon vos besoins.

1.3. Exemples de cas d’utilisation en économétrie

Python trouve de nombreuses applications en économétrie, ce qui en fait un outil

polyvalent pour les économètres. Voici quelques exemples de cas d'utilisation :
1. Analyse de données économétriques : Python permet de lire, nettoyer, et
analyser des données économétriques de manière efficace. Les
bibliothèques comme pandas facilitent la manipulation de données
tabulaires.
2. Modélisation économétrique : Python offre des bibliothèques spécialisées
telles que statsmodels pour la modélisation économétrique, y compris la
régression linéaire, la régression logistique, et bien d'autres.
3. Visualisation de données : Matplotlib et d'autres bibliothèques de
visualisation permettent de créer des graphiques informatifs pour
représenter visuellement les résultats économétriques.
4. Automatisation des tâches : Python peut être utilisé pour automatiser des
tâches répétitives en économétrie, comme la génération de rapports ou la
collecte de données en ligne.
5. Analyse de séries temporelles : Python offre des outils pour analyser les
séries temporelles, un domaine essentiel en économétrie, avec des
bibliothèques telles que statsmodels et l'utilisation de modèles ARIMA.
En conclusion, Python est un outil précieux pour les économètres grâce à sa
simplicité, sa flexibilité et son large écosystème de bibliothèques. Dans les parties
suivantes de ce cours, nous explorerons en détail comment utiliser Python pour
résoudre des problèmes économétriques concrets, de l'analyse de données à la
modélisation et à la présentation des résultats. Continuez votre exploration pour
découvrir comment Python peut devenir un atout essentiel dans votre boîte à
outils en économétrie.

Dr Jamâl-Dine DISSOU - 2021

 Page 4 sur 37

1.4. Installation de Python

Pour débuter votre voyage dans le monde de la programmation avec Python en

économétrie, la première étape cruciale consiste à installer correctement Python
sur votre ordinateur.
Python est un langage en évolution constante, et il est donc essentiel de disposer
de la dernière version pour bénéficier des dernières fonctionnalités et des
correctifs de sécurité. Vous pouvez télécharger la dernière version de Python à
partir du site officiel, [Link] Sur cette page, vous
trouverez les installateurs pour Windows, macOS et Linux.
Les différences entre Python 2 et Python 3 (et pourquoi vous devriez utiliser
Python 3)
Il est important de noter qu'il existe deux versions principales de Python en
circulation : Python 2 et Python 3. Python 2 était largement utilisé dans le passé,
mais il a atteint la fin de sa vie (EOL) le 1er janvier 2020, ce qui signifie qu'il ne
reçoit plus de mises à jour, y compris les correctifs de sécurité. Par conséquent, il
est fortement recommandé d'utiliser Python 3 pour tous les nouveaux projets et
pour apprendre Python en économétrie.
Étapes d'installation sur Windows, macOS et Linux
Les étapes d'installation varient légèrement en fonction du système d'exploitation
que vous utilisez. Voici un aperçu général du processus :
Pour Windows :
1. Téléchargez l'installateur Python pour Windows à partir du site officiel.
2. Exécutez l'installateur et cochez la case "Add Python to PATH" pour ajouter
Python à vos variables d'environnement, ce qui facilitera l'utilisation de
Python depuis la ligne de commande.
3. Suivez les instructions de l'installateur pour terminer le processus
d'installation.
Pour macOS :
1. Téléchargez l'installateur Python pour macOS à partir du site officiel.
2. Ouvrez l'installateur et suivez les instructions à l'écran pour installer
Python.
Pour Linux :
La plupart des distributions Linux sont livrées avec Python préinstallé. Vous
pouvez vérifier si Python est déjà installé en ouvrant un terminal et en tapant
python ou python3 dans la ligne de commande. Si Python est déjà installé, vous

Dr Jamâl-Dine DISSOU - 2021

 Page 5 sur 37

verrez la version actuelle. Sinon, vous pouvez l'installer à partir du gestionnaire de

paquets de votre distribution.
Vérification de l'installation avec un simple programme Python
Pour vérifier que Python a été installé avec succès, ouvrez un terminal (ou l'invite
de commande sous Windows) et tapez python suivi de la touche Entrée. Vous
devriez voir un interpréteur Python interactif s'ouvrir avec un invite de
commande >>>, ce qui signifie que Python est prêt à être utilisé.
Essayons un simple programme Python pour vérifier que tout fonctionne
correctement :
print("Bienvenue dans le monde de Python en économétrie !")
Si vous obtenez une sortie affichant le message "Bienvenue dans le monde de
Python en économétrie !", félicitations, vous avez installé Python avec succès et
vous êtes prêt à commencer votre voyage en économétrie avec Python.
Dans les parties suivantes de ce cours, nous plongerons plus profondément dans
l'utilisation de Python en économétrie, en explorant des concepts, des
bibliothèques et des exemples pratiques pour vous aider à devenir un économètre
compétent et efficace.

1.5. Configuration de l’Environnement Python

Maintenant que Python est installé sur votre système, il est temps de créer un
environnement de développement efficace pour travailler sur vos projets
d'économétrie. Dans cette section, nous allons explorer les meilleures pratiques
pour configurer votre environnement Python. Voici ce que nous allons couvrir :
Utilisation d'environnements virtuels pour isoler les projets Python
Les environnements virtuels sont une pratique recommandée pour isoler les
dépendances de chaque projet Python. Ils vous permettent de maintenir un
environnement propre pour chaque projet, ce qui évite les conflits entre les
packages et facilite la gestion des versions. Voici comment créer un
environnement virtuel :
1. Ouvrez un terminal (ou une invite de commande sous Windows).
2. Naviguez vers le répertoire de votre projet : cd chemin/vers/votre/projet.
3. Créez un environnement virtuel avec la commande suivante :
Sous Windows :
python -m venv venv
Sous macOS et Linux :
python3 -m venv venv
1. Activez l'environnement virtuel :

Dr Jamâl-Dine DISSOU - 2021

 Page 6 sur 37

Sous Windows :
venv\Scripts\activate
Sous macOS et Linux :
source venv/bin/activate
Lorsque l'environnement virtuel est activé, vous verrez son nom dans l'invite de
commande, ce qui signifie que vous travaillez dans cet environnement isolé.
Installation et gestion de packages avec pip
Pip est le gestionnaire de packages Python par défaut. Il vous permet d'installer,
de mettre à jour et de supprimer des packages Python facilement. Voici quelques
commandes utiles :
 Pour installer un package : pip install nom_du_package.
 Pour mettre à jour un package : pip install --upgrade nom_du_package.
 Pour lister les packages installés : pip list.
 Pour supprimer un package : pip uninstall nom_du_package.
Utilisation d'un éditeur de code ou d'un environnement de développement intégré
(IDE)
Un éditeur de code ou un environnement de développement intégré (IDE) est
essentiel pour programmer en Python. Voici deux options populaires :
 Visual Studio Code (VS Code) : Un éditeur de code léger mais puissant qui
prend en charge Python avec des extensions telles que "Python" de
Microsoft.
 PyCharm : Un IDE Python complet avec des fonctionnalités avancées pour
le développement en Python.
Choisissez celui qui correspond le mieux à votre style de travail et à vos
préférences.

1.6. Exercice en groupe : Configuration d’un environnement Python pour un

projet d’économétrie factice

Dans cet exercice en groupe, nous vous proposerons un projet d'économétrie

factice. Votre tâche consistera à suivre les étapes décrites ci-dessus pour créer un
environnement virtuel, installer les packages nécessaires avec pip, et configurer
un éditeur de code ou un IDE. Cet exercice vous permettra de mettre en pratique
les compétences acquises lors de cette session.
Une fois que votre environnement est configuré, vous serez prêt à travailler sur
des projets d'économétrie avec Python de manière efficace et organisée.
L'environnement virtuel garantira que les dépendances de vos projets restent
isolées les unes des autres, ce qui simplifie la gestion des packages et des versions.

Dr Jamâl-Dine DISSOU - 2021

 Page 7 sur 37

Continuez à explorer Python et à pratiquer pour devenir un économètre

compétent et confiant dans l'utilisation de cet outil puissant.

Dr Jamâl-Dine DISSOU - 2021

 Page 8 sur 37

2. LES FONDAMENTAUX DE PYTHON : MAÎTRISE DES STRUCTURES DE BASE

Dans notre parcours d'apprentissage de Python pour l'économétrie, il est essentiel

de comprendre les bases du langage. Dans cette leçon, nous allons plonger dans les
fondamentaux de Python, y compris les variables, les types de données, les
opérations, les structures de contrôle, les fonctions et les modules. À la fin de cette
leçon, vous serez équipé pour aborder des problèmes d'économétrie avec Python.

2.1. Variables, Types de Données et Opérations en Python

Qu'est-ce qu'une variable en Python ?

Une variable en Python est un conteneur qui peut stocker différentes sortes de
données. Vous pouvez imaginer une variable comme une boîte avec un nom, où
vous pouvez mettre des valeurs. Les variables vous permettent de stocker et de
manipuler des données dans votre programme Python.
Pour créer une variable, vous lui attribuez un nom et une valeur. Par exemple :
nom = "John"
age = 30
Ici, nous avons créé deux variables : nom qui contient une chaîne de caractères et
age qui contient un entier.
Les différents types de données en Python
Python prend en charge plusieurs types de données, notamment :
 Entiers (int) : Des nombres entiers tels que 1, 42, -10.
 Flottants (float) : Des nombres à virgule flottante tels que 3.14, -0.5, 2.0.
 Chaînes de caractères (str) : Des séquences de caractères, par exemple,
"Bonjour", 'Python', "123".
 Listes : Des collections ordonnées d'éléments, par exemple, [1, 2, 3], ["a", "b",
"c"].
 Tuples : Comme les listes, mais immuables (ne peuvent pas être modifiés),
par exemple, (1, 2, 3).
 Dictionnaires : Des paires clé-valeur, par exemple, {"nom": "John", "âge": 30}.
 Booléens (bool) : Vrai (True) ou Faux (False), utilisés pour les expressions
logiques.
Opérations de base en Python
Python vous permet d'effectuer diverses opérations sur les données. Voici
quelques-unes des opérations de base que vous pouvez réaliser :

Dr Jamâl-Dine DISSOU - 2021

 Page 9 sur 37

 Addition (+) : Pour ajouter deux nombres, par exemple, a + b.

 Soustraction (-) : Pour soustraire un nombre d'un autre, par exemple, a - b.
 Multiplication (*) : Pour multiplier deux nombres, par exemple, a * b.
 Division (/) : Pour diviser un nombre par un autre, par exemple, a / b.
 Modulo (%) : Pour obtenir le reste de la division, par exemple, a % b.
 Puissance () :** Pour élever un nombre à une puissance, par exemple, a **
b.
Exemples pratiques avec des variables et des opérations
Voyons maintenant quelques exemples pratiques pour mieux comprendre ces
concepts. Supposons que nous voulions calculer l'aire d'un rectangle en utilisant
Python :
longueur = 5
largeur = 3
aire = longueur * largeur
print("L'aire du rectangle est :", aire)
Dans cet exemple, nous avons utilisé des variables longueur et largeur pour
stocker les dimensions du rectangle. Ensuite, nous avons calculé l'aire en
multipliant ces valeurs et stocké le résultat dans la variable aire. Enfin, nous
avons affiché l'aire à l'aide de la fonction print().
Cela donne en sortie : "L'aire du rectangle est : 15". Vous venez de voir comment les
variables et les opérations de base peuvent être utilisées pour effectuer des calculs
simples en Python.
En conclusion, cette première partie vous a initié aux variables, aux types de
données et aux opérations de base en Python. Ces concepts sont essentiels pour
travailler avec des données en économétrie. Dans les parties suivantes, nous
explorerons davantage les capacités de Python en économétrie, en utilisant ces
fondations pour résoudre des problèmes plus complexes et réaliser des analyses de
données plus avancées. Continuez à pratiquer pour renforcer vos compétences de
programmation en Python.

2.2. Structures de Contrôle en Python

Les déclarations if, else et elif pour prendre des décisions

Les déclarations conditionnelles (if, else, elif) vous permettent de prendre des
décisions dans votre programme Python en fonction de conditions spécifiques.
Voici comment elles fonctionnent :
if condition:

Dr Jamâl-Dine DISSOU - 2021

 Page 10 sur 37

# code à exécuter si la condition est vraie

else:
# code à exécuter si la condition est fausse
Vous pouvez également utiliser elif pour gérer plusieurs conditions :
if condition1:

# code à exécuter si condition1 est vraie

elif condition2:

# code à exécuter si condition2 est vraie

else:
# code à exécuter si aucune des conditions n'est vraie
Les boucles for et while pour itérer à travers les données
Les boucles vous permettent de répéter des actions plusieurs fois. Python prend
en charge deux types de boucles principaux : la boucle for et la boucle while.
La boucle for est utilisée pour parcourir des éléments d'une séquence (comme une
liste) ou pour exécuter un bloc de code un certain nombre de fois. Par exemple,
pour parcourir une liste de noms et les afficher :
noms = ["Alice", "Bob", "Charlie"]

for nom in noms:

print("Bonjour,", nom)
La boucle while est utilisée pour répéter un bloc de code tant qu'une condition
spécifique est vraie. Par exemple, pour compter jusqu'à 5 :
compteur = 1

while compteur <= 5:

print(compteur)
compteur += 1
Exemples pratiques avec des instructions conditionnelles et des boucles
Voyons maintenant comment ces concepts peuvent être appliqués dans des
situations réelles. Supposons que nous voulions classer les étudiants en fonction
de leurs notes en économétrie et leur attribuer une mention :
notes = [80, 95, 70, 60, 45]

mentions = []

Dr Jamâl-Dine DISSOU - 2021

 Page 11 sur 37

for note in notes:

if note >= 90:

[Link]("Très bien")

elif note >= 80:

[Link]("Bien")

elif note >= 70:

[Link]("Assez bien")

else:

[Link]("Insuffisant")
print(mentions)
Dans cet exemple, nous utilisons une boucle for pour parcourir la liste des notes
des étudiants. En fonction de la note de chaque étudiant, nous utilisons des
instructions conditionnelles (if, elif, else) pour attribuer une mention. Les
mentions sont ensuite stockées dans la liste mentions.
Une autre utilisation courante des boucles est la recherche d'éléments dans une
liste. Par exemple, pour trouver le premier nombre pair dans une liste de nombres
:
nombres = [7, 13, 4, 9, 22]

for nombre in nombres:

if nombre % 2 == 0:

print("Le premier nombre pair est :", nombre)

break
Dans cet exemple, nous utilisons une boucle for pour parcourir la liste des
nombres. L'instruction conditionnelle if vérifie si le nombre est pair en utilisant
l'opérateur modulo (%).
En conclusion, les structures de contrôle, y compris les instructions
conditionnelles (if, else, elif) et les boucles (for, while), sont des éléments essentiels
de la programmation en Python. Elles vous permettent de prendre des décisions
et de répéter des actions, ce qui est fondamental pour de nombreuses tâches en

Dr Jamâl-Dine DISSOU - 2021

 Page 12 sur 37

économétrie. Continuez à explorer et à pratiquer ces concepts pour développer vos

compétences en programmation Python.

2.3. Fonctions et Modules en Python

Définition de fonctions et leur utilité en économétrie

Une fonction en Python est un bloc de code réutilisable qui effectue une tâche
spécifique. Les fonctions sont utiles pour organiser votre code en morceaux
logiques, ce qui facilite la lecture, la maintenance et le partage du code. Elles sont
également essentielles en économétrie pour encapsuler des opérations courantes
et pour rendre votre code plus modulaire.
Voici comment définir une fonction en Python :
def nom_de_la_fonction(arg1, arg2):

# Code de la fonction

resultat = arg1 + arg2

return resultat
Passage d'arguments à des fonctions et renvoi de valeurs
Les fonctions peuvent prendre des arguments, qui sont des valeurs que vous
fournissez à la fonction pour effectuer des opérations. Vous pouvez également
renvoyer des valeurs depuis une fonction à l'aide de l'instruction return. Voici un
exemple :
def somme(a, b):

resultat = a + b

return resultat

resultat_somme = somme(5, 3)
print("La somme est :", resultat_somme)
Dans cet exemple, la fonction somme prend deux arguments a et b, effectue une
opération de somme, puis renvoie le résultat. Le résultat est stocké dans la
variable resultat_somme et affiché à l'écran.
Importation de modules pour étendre les fonctionnalités de Python
Les modules sont des fichiers Python contenant des fonctions, des classes et des
variables prédéfinies que vous pouvez réutiliser dans vos propres programmes.
Python dispose d'une vaste bibliothèque standard, mais vous pouvez également
créer et utiliser vos propres modules.

Dr Jamâl-Dine DISSOU - 2021

 Page 13 sur 37

Pour importer un module, utilisez l'instruction import. Par exemple, pour

importer le module math qui contient des fonctions mathématiques, utilisez :
import math

racine_carree = [Link](25)
print("La racine carrée de 25 est :", racine_carree)
Dans cet exemple, nous importons le module math et utilisons la fonction sqrt
pour calculer la racine carrée de 25.
Exemples de création de fonctions personnalisées et d'utilisation de modules
populaires en économétrie
En économétrie, vous pouvez créer des fonctions personnalisées pour effectuer des
tâches spécifiques, telles que le calcul de statistiques descriptives ou la
modélisation économétrique. Par exemple, vous pourriez créer une fonction pour
calculer la moyenne d'un ensemble de données.
def calculer_moyenne(valeurs):

somme = sum(valeurs)

moyenne = somme / len(valeurs)

return moyenne

donnees = [45, 62, 78, 56, 89]

moyenne_donnees = calculer_moyenne(donnees)
print("La moyenne des données est :", moyenne_donnees)
En outre, en économétrie, vous utiliserez souvent des modules populaires tels que
statsmodels et pandas pour effectuer des analyses statistiques et manipuler des
données. Voici un exemple d'utilisation de statsmodels pour effectuer une
régression linéaire :
import [Link] as sm

donnees = [Link].get_rdataset('mtcars').data

X = donnees[['mpg', 'hp']]

Y = donnees['mpg']

modele = [Link](Y, X).fit()

print([Link]())

Dr Jamâl-Dine DISSOU - 2021

 Page 14 sur 37

Dans cet exemple, nous avons importé statsmodels pour effectuer une régression
linéaire simple sur un ensemble de données.
En conclusion, les fonctions et les modules sont des éléments essentiels de la
programmation en Python en économétrie. Les fonctions vous permettent
d'organiser votre code de manière modulaire et de réutiliser des blocs de code,
tandis que les modules vous donnent accès à une vaste bibliothèque de
fonctionnalités prêtes à l'emploi pour effectuer des analyses statistiques, gérer des
données et plus encore.
En économétrie, où l'analyse statistique et la manipulation de données sont
monnaie courante, la maîtrise des fonctions et des modules est essentielle pour
mener à bien vos projets. Vous pouvez créer des fonctions sur mesure pour
automatiser des tâches spécifiques à vos besoins en économétrie, tout en
exploitant la puissance des modules existants pour accélérer votre travail.
En continuant à explorer ces concepts et en les appliquant à des problèmes
économétriques réels, vous deviendrez un économètre compétent et capable de
tirer parti de la programmation en Python pour résoudre des problèmes
complexes en économétrie. Poursuivez votre apprentissage et n'hésitez pas à
expérimenter avec des fonctions et des modules pour approfondir vos
compétences en Python en économétrie.

2.4. Exercice en groupe : Résolution d’un Problème Simple en Économétrie

Dans cet exercice en groupe, nous allons appliquer les concepts que vous avez
appris dans les parties précédentes du cours pour résoudre un problème
économétrique simple. L'objectif est de vous familiariser avec la programmation
en Python en économétrie en utilisant des fonctions, des structures de contrôle,
et éventuellement des modules pour résoudre un problème pratique.
Problème : Calcul de la Moyenne de Revenu Mensuel
Supposons que nous ayons un ensemble de données contenant les revenus
mensuels de 5 individus (en dollars) :
revenus = [3000, 4000, 3500, 2800, 3200]
Votre tâche est de créer une fonction Python qui calcule la moyenne de ces
revenus. Vous utiliserez une fonction pour effectuer ce calcul.
Voici les étapes à suivre :
1. Créez une fonction nommée calculer_moyenne qui prend en argument une
liste de revenus.
2. À l'intérieur de la fonction, calculez la somme des revenus en utilisant une
boucle for ou une fonction comme sum().

Dr Jamâl-Dine DISSOU - 2021

 Page 15 sur 37

3. Divisez la somme par le nombre d'individus pour obtenir la moyenne.

4. Utilisez l'instruction return pour renvoyer la moyenne calculée.
5. Appelez la fonction avec la liste revenus et stockez le résultat dans une
variable.
6. Affichez la moyenne calculée à l'écran en utilisant la fonction print().
Vous pouvez également ajouter des commentaires dans votre code pour expliquer
chaque étape.
Une fois que vous avez résolu le problème, discutez-en en groupe. Comparez vos
solutions et assurez-vous que chacun comprend comment la fonction fonctionne.
Cet exercice vous aidera à consolider vos connaissances en programmation en
Python en économétrie et à comprendre comment appliquer ces compétences à
des problèmes réels.
Solution : Calcul de la Moyenne de Revenu Mensuel
# Définir une fonction pour calculer la moyenne

def calculer_moyenne(revenus):

somme = sum(revenus) # Calculer la somme des revenus

nombre_individus = len(revenus) # Obtenir le nombre d'individus

moyenne = somme / nombre_individus # Calculer la moyenne

return moyenne # Renvoyer la moyenne calculée

# Liste des revenus mensuels

revenus = [3000, 4000, 3500, 2800, 3200]

# Appeler la fonction pour calculer la moyenne

moyenne_revenus = calculer_moyenne(revenus)

# Afficher la moyenne calculée à l'écran

print("La moyenne des revenus mensuels est de :", moyenne_revenus)
Dans cette solution, nous avons créé une fonction calculer_moyenne qui prend la
liste des revenus en tant qu'argument. À l'intérieur de la fonction, nous avons
utilisé la fonction sum() pour calculer la somme des revenus et la fonction len()
pour obtenir le nombre d'individus. Ensuite, nous avons divisé la somme par le
nombre d'individus pour obtenir la moyenne, que nous avons renvoyée à l'aide de
l'instruction return.

Dr Jamâl-Dine DISSOU - 2021

 Page 16 sur 37

Ensuite, nous avons appelé la fonction avec la liste revenus et stocké le résultat
dans la variable moyenne_revenus. Enfin, nous avons utilisé la fonction print()
pour afficher la moyenne calculée à l'écran.
Cette solution devrait donner en sortie : "La moyenne des revenus mensuels est de
: 3300.0", en supposant que la liste revenus soit telle que spécifiée dans l'énoncé de
l'exercice.

Dr Jamâl-Dine DISSOU - 2021

 Page 17 sur 37

3. TRAITEMENT DE DONNÉES AVEC PYTHON : NUMPY, PANDAS ET ANALYSE

ÉCONOMÉTRIQUE

Le traitement de données est au cœur de l'économétrie moderne. Dans cette

session de trois heures, nous allons explorer comment Python, avec les
bibliothèques NumPy et pandas, peut être utilisé pour manipuler et analyser des
données économétriques. À la fin de cette session, vous aurez les compétences
nécessaires pour gérer et explorer des ensembles de données complexes.
3.1. Introduction à NumPy

Qu'est-ce que NumPy et pourquoi est-il important en économétrie ?

NumPy, abréviation de "Numerical Python", est une bibliothèque Python
fondamentale pour le calcul scientifique et numérique. Elle offre un support pour
la création, la manipulation et le calcul efficace sur des tableaux
multidimensionnels (appelés ndarray).
NumPy est essentiel en économétrie pour plusieurs raisons :
1. Traitement des données : En économétrie, vous travaillerez souvent avec
des ensembles de données complexes. NumPy offre des fonctionnalités
puissantes pour manipuler et analyser ces données de manière efficace.
2. Calculs numériques : Les économètres effectuent fréquemment des calculs
mathématiques et statistiques complexes. NumPy propose une gamme
étendue de fonctions pour réaliser ces calculs de manière efficace.
3. Compatibilité avec d'autres bibliothèques : NumPy est utilisé en
conjonction avec d'autres bibliothèques essentielles en économétrie, telles
que pandas, scipy et statsmodels, pour effectuer des analyses avancées.
Création de tableaux NumPy
Pour créer un tableau NumPy, vous pouvez utiliser la fonction [Link](). Par
exemple :
import numpy as np
# Création d'un tableau NumPy à partir d'une liste
data = [1, 2, 3, 4, 5]
np_array = [Link](data)

# Affichage du tableau NumPy

print(np_array)
Vous pouvez également créer des tableaux NumPy remplis de zéros, de uns ou de
nombres aléatoires en utilisant des fonctions telles que [Link](), [Link]() et
[Link]().

Dr Jamâl-Dine DISSOU - 2021

 Page 18 sur 37

Manipulation de tableaux (slicing, indexing, broadcasting)

NumPy offre des fonctionnalités puissantes pour manipuler des tableaux. Vous
pouvez accéder à des éléments individuels en utilisant l'indexation, découper
(slicer) des parties de tableaux, et diffuser (broadcast) des opérations sur des
tableaux de formes différentes.
Voici quelques exemples :
 Indexation : Vous pouvez accéder à un élément spécifique en utilisant son
indice, par exemple, np_array[2] pour obtenir le troisième élément.
 Découpage (slicing) : Vous pouvez extraire des parties de tableaux en
utilisant des indices de début et de fin, par exemple, np_array[1:4] pour
obtenir une tranche du tableau.
 Broadcasting : Vous pouvez effectuer des opérations entre des tableaux de
formes différentes en utilisant les règles de diffusion. Par exemple, vous
pouvez ajouter un scalaire à un tableau.
Opérations mathématiques et statistiques sur les tableaux NumPy
NumPy propose une multitude d'opérations mathématiques et statistiques que
vous pouvez effectuer sur des tableaux. Par exemple, vous pouvez calculer la
moyenne, la médiane, la variance, l'écart type, et bien d'autres statistiques. Vous
pouvez également effectuer des opérations mathématiques telles que l'addition, la
soustraction, la multiplication et la division entre des tableaux.
# Exemple de calcul de la moyenne et de la somme d'un tableau NumPy

data = [Link]([10, 20, 30, 40, 50])

moyenne = [Link](data)

somme = [Link](data)

print("Moyenne :", moyenne)

print("Somme :", somme)
En conclusion, NumPy est une bibliothèque essentielle en économétrie pour le
traitement des tableaux et les calculs numériques. Dans cette première partie,
vous avez découvert ce qu'est NumPy, pourquoi il est important en économétrie,
comment créer des tableaux NumPy, comment les manipuler, et comment
effectuer des opérations mathématiques et statistiques sur ces tableaux.
Continuez à explorer NumPy et à pratiquer ces concepts pour renforcer vos
compétences en programmation Python en économétrie.

Dr Jamâl-Dine DISSOU - 2021

 Page 19 sur 37

3.2. Utilisation de pandas pour la gestion de données tabulaires

Introduction à pandas et à ses structures de données

Pandas est une bibliothèque open-source qui offre des structures de données
flexibles et performantes pour la manipulation de données tabulaires. Les deux
structures principales de pandas sont les DataFrames et les Series :
 DataFrame : Un DataFrame est une structure de données bidimensionnelle
similaire à une table de base de données ou à une feuille de calcul Excel. Il
est composé de lignes et de colonnes, où chaque colonne peut contenir des
données de types différents.
 Series : Une Series est une structure unidimensionnelle similaire à un
tableau ou une liste. Elle est utilisée pour représenter une seule colonne ou
une seule ligne de données dans un DataFrame.
Chargement de données à partir de fichiers CSV, Excel et autres sources
Pandas facilite le chargement de données à partir de diverses sources, notamment
des fichiers CSV, Excel, bases de données SQL, et plus encore. Voici comment
charger des données à partir d'un fichier CSV :
import pandas as pd

# Charger un fichier CSV dans un DataFrame

donnees = pd.read_csv('[Link]')
Pandas détecte automatiquement le délimiteur (généralement une virgule) et crée
un DataFrame à partir des données.
Exploration des données (statistiques descriptives, informations sur les données)
Une fois que les données sont chargées dans un DataFrame, vous pouvez explorer
rapidement leur structure et leurs statistiques descriptives. Par exemple, pour
obtenir les premières lignes du DataFrame :
# Afficher les premières lignes du DataFrame
print([Link]())
Pour obtenir des informations sur les données, telles que les types de données, les
valeurs manquantes et les statistiques de base :
# Obtenir des informations sur les données

print([Link]())
print([Link]())
Sélection, filtrage et tri des données avec pandas
Pandas offre de nombreuses fonctionnalités pour sélectionner, filtrer et trier des
données. Voici quelques exemples :

Dr Jamâl-Dine DISSOU - 2021

 Page 20 sur 37

 Sélection de colonnes : Vous pouvez sélectionner une ou plusieurs colonnes

en utilisant leur nom, par exemple, donnees['colonne1'] ou
donnees[['colonne1', 'colonne2']].
 Filtrage de lignes : Vous pouvez filtrer les lignes en fonction de conditions
spécifiques, par exemple, donnees[donnees['colonne1'] > 50] pour
sélectionner les lignes où la valeur de 'colonne1' est supérieure à 50.
 Tri des données : Vous pouvez trier les données en fonction d'une ou
plusieurs colonnes, par exemple, donnees.sort_values('colonne1') pour trier
le DataFrame en fonction de 'colonne1'.
En conclusion, pandas est une bibliothèque puissante pour la gestion et l'analyse
de données tabulaires en économétrie. Dans cette partie, vous avez découvert ce
qu'est pandas, pourquoi il est important en économétrie, comment charger des
données à partir de différentes sources, et comment explorer, sélectionner, filtrer
et trier des données à l'aide de pandas. Continuez à explorer pandas et à pratiquer
ces concepts pour renforcer vos compétences en manipulation de données en
économétrie.

3.3. Exercice en groupe : Analyse de Données Économétriques à l’Aide de

Bibliothèques Python

Dans cet exercice en groupe, les étudiants auront l'opportunité de mettre en

pratique les compétences qu'ils ont acquises en utilisant les bibliothèques Python
telles que NumPy et pandas pour effectuer une analyse de données
économétriques. L'objectif est de les familiariser avec le processus d'analyse de
données en économétrie en utilisant des outils informatiques.
Problème : Analyse des Ventes au Détail
Supposons que vous disposez d'un ensemble de données économétriques qui
contient des informations sur les ventes au détail dans différentes régions et sur
plusieurs années. Les données sont stockées dans un fichier CSV appelé
"[Link]". Voici un exemple de données que vous pourriez trouver dans ce
fichier :
Année Région Ventes (en millions de dollars) Population (milliers)
2018 Nord 120 500
2019 Sud 90 450
2019 Est 110 600
2020 Ouest 130 550
2020 Nord 125 510

Dr Jamâl-Dine DISSOU - 2021

 Page 21 sur 37

Étapes de l'exercice :
1. Charger les données à partir du fichier CSV "[Link]" dans un DataFrame
pandas.
2. Explorer les données en calculant des statistiques descriptives telles que la
moyenne, la médiane et l'écart-type des ventes, ainsi que des informations
sur les données comme le nombre total d'observations.
3. Réaliser une analyse de base pour répondre à des questions telles que :
 Quelle région a enregistré le plus de ventes en 2020 ?
 Quelle année a enregistré la plus grande augmentation des ventes
par rapport à l'année précédente ?
 Y a-t-il une corrélation entre la population d'une région et ses ventes
au détail ?
4. Utiliser NumPy pour effectuer des calculs mathématiques supplémentaires,
tels que la corrélation entre les variables.
5. Présenter les résultats de l'analyse à la classe en utilisant des graphiques
(créés à l'aide de Matplotlib ou Seaborn) et des commentaires explicatifs.
Consignes pour l'exercice :
 Les étudiants devront travailler en groupes pour résoudre ce problème.
 Chaque groupe devra charger les données, effectuer l'analyse, et préparer
une brève présentation des résultats.
 Les présentations devront mettre en évidence les observations clés et les
conclusions tirées de l'analyse des données économétriques.
 Les enseignants pourront poser des questions aux groupes pour stimuler la
réflexion et encourager la discussion en classe.
Cet exercice permettra aux étudiants de mettre en pratique leurs compétences en
analyse de données économétriques en utilisant Python, de renforcer leur
compréhension des bibliothèques NumPy et pandas, et de développer leur
capacité à présenter des résultats d'analyse de manière claire et convaincante.
Solution : Analyse des Ventes au Détail
import pandas as pd

import numpy as np

# Chargement des données

donnees = pd.read_csv('[Link]')

# Calcul de la somme des ventes par année et par région

Dr Jamâl-Dine DISSOU - 2021

 Page 22 sur 37

somme_ventes = [Link](['Année', 'Région'])['Ventes (en millions de

dollars)'].sum()

# Question 1 : Région avec le plus de ventes en 2020

ventes_2020 = somme_ventes.loc[2020]

region_max_ventes_2020 = ventes_2020.idxmax()

print("La région avec le plus de ventes en 2020 est :", region_max_ventes_2020)

# Question 2 : Année avec la plus grande augmentation des ventes par rapport à
l'année précédente

augmentation_ventes = somme_ventes.unstack().diff().max()

annee_max_augmentation = augmentation_ventes.idxmax()

print("L'année avec la plus grande augmentation des ventes par rapport à l'année
précédente est :", annee_max_augmentation)

# Question 3 : Corrélation entre la population et les ventes

correlation = donnees['Population (milliers)'].corr(donnees['Ventes (en millions de

dollars)'])
print("La corrélation entre la population et les ventes est de :", correlation)

Dans cette réponse, nous avons suivi les étapes de l'exercice en utilisant Python et
les bibliothèques pandas et NumPy :
1. Nous avons calculé les statistiques descriptives, notamment la moyenne, la
médiane et l'écart-type des ventes.
2. Nous avons analysé les ventes en 2020 par région pour trouver la région
avec le plus de ventes cette année-là.
3. Nous avons calculé l'augmentation des ventes par rapport à l'année
précédente et identifié l'année avec la plus grande augmentation.
4. Enfin, nous avons calculé la corrélation entre la population et les ventes
pour examiner s'il existe une relation linéaire entre ces deux variables.
Ces étapes dépendent des données spécifiques fournies dans le fichier CSV
"[Link]". Les résultats peuvent varier en fonction des données réelles.

Dr Jamâl-Dine DISSOU - 2021

 Page 23 sur 37

4. VISUALISATION DE DONNÉES EN ÉCONOMÉTRIE : UTILISATION DE

MATPLOTLIB ET SEABORN
La visualisation de données est un élément essentiel de l'analyse économétrique.
Dans cette leçon, nous allons explorer comment utiliser les bibliothèques Python
Matplotlib et Seaborn pour créer des graphiques et des visualisations afin de
représenter efficacement les données économétriques. À la fin de cette leçon, vous
serez en mesure de présenter vos résultats économétriques de manière
visuellement impactante.

4.1. Introduction à Matplotlib et Seaborn

Présentation de Matplotlib et de ses fonctionnalités

Matplotlib est une bibliothèque de visualisation de données en Python qui offre
un large éventail de fonctionnalités pour créer des graphiques de qualité
publication. Elle permet de créer des graphiques tels que des graphiques linéaires,
des diagrammes en barres, des nuages de points, des graphiques en secteurs, des
histogrammes, et bien plus encore.
Voici un exemple simple de création d'un graphique linéaire avec Matplotlib :
import [Link] as plt

# Données d'exemple
x = [1, 2, 3, 4, 5]
y = [10, 15, 7, 12, 9]
# Création d'un graphique linéaire
[Link](x, y)
# Affichage du graphique
[Link]()
Matplotlib offre un contrôle précis sur les éléments de la figure, tels que les
étiquettes, les titres, les couleurs et les styles de ligne.
Introduction à Seaborn et ses avantages en économétrie
Seaborn est une bibliothèque de visualisation de données basée sur Matplotlib.
Elle simplifie la création de graphiques en fournissant des fonctions de haut
niveau pour des types de graphiques couramment utilisés en économétrie, tels
que les graphiques de distribution, les graphiques en boîte, les graphiques de
régression, et les graphiques de corrélation.
Seaborn offre des avantages en économétrie grâce à sa capacité à créer
rapidement des graphiques informatifs et à mettre en évidence les relations entre

Dr Jamâl-Dine DISSOU - 2021

 Page 24 sur 37

les variables. Par exemple, voici comment créer un graphique de distribution avec
Seaborn :
import seaborn as sns

# Données d'exemple
donnees = [20, 30, 40, 50, 60, 70, 80, 90]

# Création d'un graphique de distribution

[Link](donnees, kde=True)

# Affichage du graphique
[Link]()
Seaborn ajoute des fonctionnalités de style, des palettes de couleurs attractives et
une intégration harmonieuse avec les DataFrames pandas, ce qui en fait un choix
populaire en économétrie.
Installation et configuration des bibliothèques
Pour utiliser Matplotlib et Seaborn, vous devez les installer sur votre système.
Vous pouvez les installer à l'aide de pip, le gestionnaire de packages Python.
Pour Matplotlib :
pip install matplotlib
Pour Seaborn :
pip install seaborn
Une fois les bibliothèques installées, vous pouvez les importer dans vos projets
Python pour commencer à créer des graphiques informatifs.
En conclusion, Matplotlib et Seaborn sont des outils essentiels pour la
visualisation de données en économétrie. Dans cette première partie, vous avez
découvert ce qu'elles sont, comment elles sont utilisées en économétrie, et
comment les installer. Dans les parties suivantes de notre cours, nous explorerons
en détail la création de différents types de graphiques pour représenter des
données économétriques.

4.2. Création de graphiques simples

Création de graphiques à barres

Les graphiques à barres sont couramment utilisés pour représenter des données
discrètes ou catégorielles. Voici comment créer un graphique à barres avec
Matplotlib :
import [Link] as plt

Dr Jamâl-Dine DISSOU - 2021

 Page 25 sur 37

# Données d'exemple

categories = ['A', 'B', 'C', 'D', 'E']

valeurs = [10, 25, 15, 30, 20]

# Création d'un graphique à barres

[Link](categories, valeurs)

# Personnalisation du graphique

[Link]('Exemple de graphique à barres')

[Link]('Catégories')

[Link]('Valeurs')

# Affichage du graphique
[Link]()
Création de graphiques linéaires
Les graphiques linéaires sont utilisés pour représenter des données continues et
montrer des tendances. Voici comment créer un graphique linéaire avec
Matplotlib :
import [Link] as plt

# Données d'exemple

x = [1, 2, 3, 4, 5]

y = [10, 15, 7, 12, 9]

# Création d'un graphique linéaire

[Link](x, y, marker='o', linestyle='-')

# Personnalisation du graphique

[Link]('Exemple de graphique linéaire')

[Link]('X')

[Link]('Y')

# Affichage du graphique

Dr Jamâl-Dine DISSOU - 2021

 Page 26 sur 37

[Link]()
Création de graphiques à secteurs
Les graphiques à secteurs (ou camemberts) sont utiles pour représenter des parts
d'un ensemble. Voici comment créer un graphique à secteurs avec Matplotlib :
import [Link] as plt

# Données d'exemple

parts = [30, 40, 20, 10]

etiquettes = ['A', 'B', 'C', 'D']

# Création d'un graphique à secteurs

[Link](parts, labels=etiquettes, autopct='%1.1f%%', startangle=90)

# Personnalisation du graphique

[Link]('Exemple de graphique à secteurs')

# Affichage du graphique
[Link]()
Personnalisation des graphiques
Matplotlib permet une personnalisation approfondie des graphiques. Vous pouvez
définir les couleurs, ajouter des titres, des étiquettes d'axe, des légendes et plus
encore pour améliorer la lisibilité et la signification des graphiques.
En conclusion, dans cette partie, vous avez appris à créer des graphiques de base,
notamment des graphiques à barres, des graphiques linéaires et des graphiques à
secteurs, à l'aide de Matplotlib. Vous avez également découvert comment
personnaliser ces graphiques pour les rendre informatifs et visuellement
attrayants. Ces compétences sont essentielles pour représenter des données
économétriques de manière claire et efficace.

4.3. Création de graphiques avancés

Graphiques en boîte (boxplots)

Les graphiques en boîte (ou boxplots) sont couramment utilisés pour visualiser la
distribution statistique d'une variable. Ils montrent la médiane, les quartiles, les
valeurs minimales et maximales, ainsi que les valeurs aberrantes potentielles.
Voici comment créer un graphique en boîte avec Seaborn :
import seaborn as sns

Dr Jamâl-Dine DISSOU - 2021

 Page 27 sur 37

# Données d'exemple

donnees = sns.load_dataset("iris")

# Création d'un graphique en boîte

[Link](x="species", y="sepal_length", data=donnees)

# Personnalisation du graphique

[Link]('Exemple de graphique en boîte')

[Link]('Espèce')

[Link]('Longueur du sépale')

# Affichage du graphique
[Link]()
Graphiques de dispersion (scatter plots)
Les graphiques de dispersion (ou scatter plots) sont utilisés pour visualiser la
relation entre deux variables continues. Ils sont particulièrement utiles pour
analyser les corrélations. Voici comment créer un graphique de dispersion avec
Matplotlib :
import [Link] as plt

# Données d'exemple

x = [1, 2, 3, 4, 5]

y = [10, 15, 7, 12, 9]

# Création d'un graphique de dispersion

[Link](x, y)

# Personnalisation du graphique

[Link]('Exemple de graphique de dispersion')

[Link]('X')

[Link]('Y')

# Affichage du graphique
[Link]()

Dr Jamâl-Dine DISSOU - 2021

 Page 28 sur 37

Heatmaps
Les heatmaps sont utilisés pour représenter des données multidimensionnelles
sous forme de carte de chaleur. Ils sont idéaux pour visualiser des matrices de
données et mettre en évidence des modèles. Voici comment créer une heatmap
avec Seaborn :
import seaborn as sns

# Données d'exemple

donnees = sns.load_dataset("flights")

donnees = [Link]("month", "year", "passengers")

# Création d'une heatmap

[Link](donnees, annot=True, fmt="d", cmap="YlGnBu")

# Personnalisation de la heatmap

[Link]('Exemple de heatmap')

[Link]('Année')

[Link]('Mois')

# Affichage de la heatmap
[Link]()
Exemples de graphiques avancés en économétrie
En économétrie, ces types de graphiques avancés sont utilisés pour explorer les
données, identifier les tendances et mettre en évidence les relations entre les
variables. Par exemple, un graphique en boîte pourrait être utilisé pour visualiser
la distribution des revenus par catégorie de ménage, un graphique de dispersion
pour étudier la relation entre le chômage et la croissance économique, et une
heatmap pour représenter les corrélations entre différentes variables
macroéconomiques.
En conclusion, dans cette partie, nous avons exploré des types de graphiques plus
avancés, notamment les graphiques en boîte, les graphiques de dispersion et les
heatmaps, en utilisant les bibliothèques Matplotlib et Seaborn. Ces graphiques
sont essentiels pour l'analyse avancée des données économétriques et peuvent
fournir des informations précieuses pour la modélisation économétrique.

Dr Jamâl-Dine DISSOU - 2021

 Page 29 sur 37

4.4. Exercice en groupe : Création de graphiques pour présenter des résultats

économétriques

Dans cet exercice en groupe, les étudiants auront l'opportunité de mettre en

pratique leurs compétences en création de graphiques pour présenter des
résultats économétriques. L'objectif est de choisir un ensemble de données
économiques pertinent et de créer différents types de graphiques pour visualiser
ces données de manière significative. Cet exercice permettra aux étudiants de
combiner leurs compétences en économétrie et en programmation Python pour
communiquer efficacement des résultats économiques.
Instructions :
1. Choisissez un ensemble de données économiques qui vous intéresse ou qui
est pertinent pour l'exercice. Vous pouvez utiliser des données réelles ou
simulées.
2. Identifiez les variables que vous souhaitez visualiser et les types de
graphiques appropriés pour les représenter. Par exemple, vous pourriez
choisir de représenter les tendances temporelles, les corrélations, les
distributions, etc.
3. Utilisez les bibliothèques Matplotlib et Seaborn en Python pour créer au
moins trois graphiques différents qui mettent en évidence des aspects
importants de vos données. Vous pouvez choisir parmi les graphiques que
nous avons explorés dans les parties précédentes, y compris les graphiques
en boîte, les graphiques de dispersion, les heatmaps, etc.
4. Assurez-vous de personnaliser vos graphiques avec des titres, des étiquettes
d'axe, des légendes (le cas échéant) et des couleurs appropriées pour
améliorer la lisibilité.
5. Préparez une brève présentation (environ 5 minutes par groupe) où vous
expliquerez vos choix de données, vos objectifs de visualisation et les
principales conclusions que l'on peut tirer de vos graphiques.
6. À la fin de la présentation, ouvrez la discussion pour permettre aux autres
étudiants de poser des questions et de donner leur avis sur les graphiques
et les résultats présentés.
Conseils :
 Assurez-vous que les graphiques que vous choisissez sont adaptés aux
données que vous avez sélectionnées. Par exemple, un graphique en boîte
peut être approprié pour visualiser des distributions, tandis qu'un
graphique de dispersion peut être utilisé pour montrer des corrélations.

Dr Jamâl-Dine DISSOU - 2021

 Page 30 sur 37

 Gardez à l'esprit l'objectif de communication des résultats. Les graphiques

doivent être informatifs et faciles à comprendre pour un public non
spécialisé.
 N'hésitez pas à expérimenter avec différents types de graphiques et à
ajuster les paramètres pour obtenir les meilleurs résultats visuels.
Cet exercice permettra aux étudiants de développer leurs compétences en création
de graphiques tout en explorant des données économiques réelles ou simulées. Il
favorisera également la réflexion critique sur la manière de représenter
visuellement des résultats économétriques de manière efficace.
Un ensemble de données économiques pertinent pour l'exercice pourrait être une
série temporelle des taux de chômage dans différents pays ou régions du monde.
Les données sur le taux de chômage sont largement disponibles et offrent de
nombreuses possibilités d'analyse et de visualisation. Vous pouvez obtenir ces
données à partir de sources telles que les instituts nationaux de statistique, les
organisations internationales (comme l'Organisation de coopération et de
développement économiques - OCDE), ou des bases de données économiques en
ligne.
Voici comment vous pourriez structurer les données pour cet exercice :
 Pays/Région : Liste des pays ou régions que vous souhaitez analyser.
 Année : Données annuelles sur le taux de chômage pour chaque pays ou
région.
 Taux de chômage : Le taux de chômage pour chaque année et chaque pays
ou région.
En utilisant ces données, vous pouvez créer différents types de graphiques pour
explorer les tendances du chômage, les comparaisons entre les pays, les
corrélations avec d'autres variables économiques (comme la croissance
économique), etc.
N'oubliez pas que le choix des données dépendra de vos intérêts et objectifs
spécifiques, et vous pouvez également choisir d'explorer d'autres ensembles de
données économiques en fonction de vos préférences. L'important est de travailler
avec des données qui suscitent votre intérêt et vous permettent de tirer des
conclusions économétriques significatives.

Dr Jamâl-Dine DISSOU - 2021

 Page 31 sur 37

5. STATISTIQUES ET ÉCONOMÉTRIE AVEC PYTHON : MAÎTRISE DES OUTILS

ANALYTIQUES
Dans le domaine de l'économétrie, l'analyse statistique est une compétence
cruciale. Dans cette leçon, nous explorerons comment utiliser Python pour
appliquer des techniques statistiques en économétrie. Nous aborderons le calcul
des statistiques descriptives, la régression linéaire avec la bibliothèque
statsmodels, les tests d'hypothèses et l'utilisation de modèles économétriques
pour prendre des décisions éclairées.

5.1. Calcul des statistiques descriptives

Présentation des concepts de base des statistiques descriptives

Les statistiques descriptives sont utilisées pour résumer et présenter des données
de manière concise et informative. Voici quelques-unes des statistiques
descriptives les plus couramment utilisées en économétrie :
1. Moyenne (ou moyenne arithmétique) : La somme de toutes les valeurs
divisée par le nombre d'observations. Elle mesure la tendance centrale des
données.
2. Médiane : La valeur du milieu lorsque les données sont triées par ordre
croissant. Elle représente la valeur médiane des données et n'est pas
affectée par les valeurs extrêmes.
3. Écart-type : Une mesure de la dispersion des données autour de la
moyenne. Un écart-type plus élevé indique une plus grande dispersion.
4. Variance : Le carré de l'écart-type. Elle mesure la dispersion des données.
5. Minimum et maximum : Les valeurs les plus basses et les plus élevées dans
l'ensemble de données.
6. Quantiles : Les valeurs qui divisent l'ensemble de données en quartiles,
déciles ou centiles, permettant ainsi de comprendre la distribution des
données.
Utilisation de Python pour calculer ces statistiques
Python offre de nombreuses bibliothèques, notamment NumPy et pandas, qui
facilitent le calcul des statistiques descriptives à partir de données
économétriques. Voici un exemple simple de calcul de la moyenne et de l'écart-
type à l'aide de NumPy :
import numpy as np
# Données d'exemple
donnees = [45, 52, 48, 60, 55, 62, 70, 54, 58, 49]

Dr Jamâl-Dine DISSOU - 2021

 Page 32 sur 37

# Calcul de la moyenne
moyenne = [Link](donnees)
# Calcul de l'écart-type
ecart_type = [Link](donnees)
print("Moyenne : ", moyenne)
print("Écart-type : ", ecart_type)
Interprétation des résultats
Une fois que vous avez calculé les statistiques descriptives, il est essentiel de les
interpréter pour comprendre les données économétriques. Par exemple, si vous
obtenez une moyenne de 55 pour un ensemble de données de salaires, cela signifie
que la moyenne des salaires est de 55 unités monétaires.
L'écart-type peut vous indiquer à quel point les valeurs sont dispersées par
rapport à la moyenne. Un écart-type élevé indique une dispersion importante, ce
qui peut être utile pour évaluer la volatilité d'une série temporelle économique.
La médiane est utile pour comprendre la tendance centrale des données,
notamment lorsque vous avez des valeurs extrêmes qui pourraient influencer la
moyenne.
En conclusion, cette partie vous a permis de comprendre les concepts de base des
statistiques descriptives, de voir comment les calculer à l'aide de Python, et de
comprendre comment interpréter ces statistiques pour analyser les données
économétriques. Ces compétences sont essentielles pour explorer et comprendre
les données avant de les utiliser dans des modèles économétriques.

5.2. Régression linéaire avec statsmodels

Compréhension des modèles de régression linéaire en économétrie

La régression linéaire est utilisée pour modéliser la relation linéaire entre une
variable dépendante (ou variable cible) et une ou plusieurs variables
indépendantes (ou variables explicatives). L'équation d'une régression linéaire
simple est la suivante :
Y=β0+β1X+ε
où :
 Y est la variable dépendante.
 X est la variable indépendante.
 β0 est l'ordonnée à l'origine (l'intercept).
 β1 est le coefficient de pente de la variable indépendante.
 ε est l'erreur aléatoire.

Dr Jamâl-Dine DISSOU - 2021

 Page 33 sur 37

Introduction à la bibliothèque statsmodels pour la régression linéaire

La bibliothèque Python statsmodels offre des fonctionnalités complètes pour
effectuer des régressions linéaires et d'autres modèles économétriques. Voici
comment réaliser une régression linéaire simple à l'aide de statsmodels :
import [Link] as sm

# Données d'exemple
X = [1, 2, 3, 4, 5]
Y = [2, 4, 5, 4, 5]
# Ajout d'une constante pour l'intercept
X = sm.add_constant(X)
# Création du modèle de régression linéaire
modele = [Link](Y, X).fit()

# Affichage des résultats

print([Link]())
Application de la régression linéaire à un ensemble de données économétriques
Dans l'application de la régression linéaire à des données économétriques réelles,
vous identifierez généralement les variables dépendantes et indépendantes
pertinentes, prétraiterez les données si nécessaire, ajusterez le modèle, et
examinerez les résultats statistiques pour évaluer la significativité des coefficients
et la qualité du modèle.
Interprétation des résultats et évaluation de la qualité du modèle
L'interprétation des résultats de la régression linéaire implique l'examen des
coefficients, de leurs p-values, des intervalles de confiance, et de la valeur R² du
modèle. Vous devrez évaluer si les coefficients sont significatifs et si le modèle
explique suffisamment la variation de la variable dépendante.
En outre, il est important de vérifier les hypothèses de la régression linéaire, telles
que l'homoscédasticité (constance de la variance des erreurs) et l'indépendance
des erreurs.
En conclusion, cette partie vous a permis de comprendre les modèles de régression
linéaire en économétrie, d'apprendre à les appliquer avec la bibliothèque
statsmodels en Python, d'interpréter les résultats et d'évaluer la qualité du
modèle. La régression linéaire est un outil puissant pour l'analyse des données
économétriques et la modélisation des relations entre les variables économiques.

Dr Jamâl-Dine DISSOU - 2021

 Page 34 sur 37

5.3. Tests d’hypothèses et modèles économétriques

Introduction aux tests d'hypothèses en économétrie

Les tests d'hypothèses sont utilisés pour évaluer les affirmations sur les
paramètres d'un modèle économétrique. Les hypothèses sont généralement
formulées sous forme de deux affirmations : l'hypothèse nulle (H0) et l'hypothèse
alternative (H1). Les tests statistiques, tels que le test t et le test F, sont utilisés
pour déterminer si les données fournissent suffisamment de preuves pour rejeter
l'hypothèse nulle en faveur de l'hypothèse alternative.
Application de tests t, de tests F et d'autres tests statistiques avec Python
Python offre plusieurs bibliothèques, telles que scipy et statsmodels, pour
effectuer des tests d'hypothèses et des analyses statistiques. Voici comment
effectuer un test t sur un échantillon de données en utilisant scipy :
import [Link] as stats

# Données d'exemple
echantillon = [24, 28, 30, 35, 40]

# Effectuer un test t unilatéral

t_statistique, p_valeur = stats.ttest_1samp(echantillon, 30)

print("Statistique de test t : ", t_statistique)

print("P-valeur : ", p_valeur)
Exploration des modèles économétriques avancés
En plus des tests d'hypothèses, l'économétrie implique l'utilisation de modèles
économétriques avancés pour analyser les relations complexes entre les variables
économiques. Cela peut inclure des modèles de séries temporelles tels que les
modèles ARIMA (AutoRegressive Integrated Moving Average) et GARCH
(Generalized Autoregressive Conditional Heteroskedasticity) pour la modélisation
des données temporelles.
Par exemple, pour ajuster un modèle ARIMA à des données de séries temporelles
en Python, vous pouvez utiliser la bibliothèque statsmodels :
import [Link] as sm
from [Link].arima_model import ARIMA

# Charger les données de séries temporelles

donnees = ...

Dr Jamâl-Dine DISSOU - 2021

 Page 35 sur 37

# Créer et ajuster un modèle ARIMA

modele = ARIMA(donnees, order=(1, 1, 1))
resultats = [Link]()

# Afficher les résultats du modèle

print([Link]())
Conclusion
Cette partie vous a introduit aux tests d'hypothèses en économétrie, vous a
montré comment effectuer des tests t, des tests F et d'autres tests statistiques en
utilisant Python, et vous a présenté certains modèles économétriques avancés, en
mettant l'accent sur les modèles de séries temporelles. Ces compétences sont
essentielles pour l'analyse approfondie des données économétriques et la
construction de modèles économétriques plus complexes pour mieux comprendre
les relations économiques.
5.4. Exercice en groupe : Analyse économétrique d’un jeu de données réel

Dans cet exercice en groupe, les étudiants auront l'occasion d'appliquer les
techniques statistiques et économétriques apprises tout au long de la session à un
jeu de données économiques réel. L'objectif est de réaliser une analyse
économétrique complète, y compris le calcul de statistiques descriptives, la
création de modèles de régression, l'application de tests d'hypothèses et la
présentation de résultats significatifs.
Instructions :
1. Collecte des données : Les étudiants seront fournis avec un jeu de données
économiques réel. Le jeu de données peut être basé sur des données
macroéconomiques, des données de marché financier, des données de
consommation, ou tout autre ensemble de données pertinent pour
l'exercice.
2. Exploration des données : Les étudiants commenceront par explorer les
données en calculant des statistiques descriptives telles que la moyenne, la
médiane, l'écart-type, et en créant des graphiques pour visualiser les
tendances.
3. Modélisation économétrique : Les étudiants choisiront une variable
dépendante et une ou plusieurs variables indépendantes appropriées pour
créer un modèle de régression. Ils devront spécifier le modèle, estimer les
coefficients et évaluer la qualité du modèle.

Dr Jamâl-Dine DISSOU - 2021

 Page 36 sur 37

4. Tests d'hypothèses : Les étudiants devront formuler des hypothèses sur les
coefficients du modèle et appliquer des tests d'hypothèses pour déterminer
si les coefficients sont statistiquement significatifs.
5. Présentation des résultats : Les étudiants prépareront une présentation
concise des résultats de leur analyse économétrique. Ils devront expliquer
les conclusions, interpréter les coefficients, discuter de la pertinence
économique, et présenter des graphiques ou des tableaux illustrant les
résultats.
6. Discussion en groupe : Chaque groupe présentera ses résultats à la classe et
discutera des conclusions tirées de l'analyse économétrique. Les autres
étudiants auront également l'occasion de poser des questions et de fournir
des commentaires constructifs.
Conseils :
 Encouragez les étudiants à travailler en équipe, en partageant les
responsabilités pour différentes étapes de l'analyse.
 Insistez sur l'importance de la communication claire et de la présentation
visuelle des résultats.
 Encouragez la discussion et la réflexion critique lors de la présentation des
résultats en classe.
Cet exercice permettra aux étudiants de mettre en pratique leurs compétences en
économétrie sur des données réelles, de renforcer leur compréhension des
concepts enseignés et de développer leur capacité à interpréter et à communiquer
des résultats économétriques de manière efficace.

Voici un exemple de jeu de données économiques que vous pouvez utiliser pour
l'exercice d'analyse économétrique en groupe :
Titre du jeu de données : "Influence de la publicité sur les ventes"
Description : Ce jeu de données contient des informations sur les dépenses
publicitaires et les ventes mensuelles d'un produit donné sur une période de deux
ans. L'objectif est d'analyser comment les dépenses publicitaires influencent les
ventes du produit.
Variables :
1. Mois : Mois de l'année (variable de temps).
2. Dépenses publicitaires : Montant dépensé en publicité pour le produit ce
mois-là.
3. Ventes mensuelles : Nombre de ventes du produit ce mois-là.
Voici un extrait des données :

Dr Jamâl-Dine DISSOU - 2021

 Page 37 sur 37

| Mois | Dépenses publicitaires ($) | Ventes mensuelles (unités) |

|----------|----------------------------|-----------------------------|
| Janvier | 1000 | 1200 |
| Février | 1200 | 1300 |
| Mars | 800 | 1100 |
| Avril | 1500 | 1600 |
| ... | ... | ... |
Objectif de l'analyse : Les étudiants devront déterminer si les dépenses
publicitaires ont une influence significative sur les ventes du produit en utilisant
la régression linéaire, effectuer des tests d'hypothèses pour évaluer la signification
statistique des coefficients, et présenter leurs conclusions.
Ce jeu de données permettra aux étudiants d'appliquer les compétences en
économétrie apprises dans le cours à un problème réel de prise de décision
commerciale.

Dr Jamâl-Dine DISSOU - 2021