Méthodes statistiques en sciences sociales

Contenus

Objectif du Cours

Ce cours vise à permettre aux étudiants menant des recherches en sciences sociales et en relations internationales d'acquérir l'état d'esprit statistique nécessaire pour gérer les incertitudes auxquelles ils sont confrontés. Ne nécessitant aucune connaissance préalable en programmation, le cours commence par l'acquisition de compétences en manipulation, nettoyage, transformation et visualisation de données avec des techniques graphiques modernes sous R ; la logique de l'analyse reproductible via R Markdown/Quarto est transmise aux étudiants dès les premières semaines.

Au fil des semaines, la construction et l'interprétation de modèles de régression linéaire simple et multiple en adéquation avec les questions de recherche sont abordées, ainsi que l'analyse des différences entre groupes et des relations conditionnelles au moyen de variables muettes et de termes d'interaction. En fin de semestre, la logique de base de l'inférence causale et l'approche des doubles différences sont introduites ; la structure des données de panel et la manière dont l'hétérogénéité non observée des unités est traitée par les approches des effets fixes, des premières différences et des effets aléatoires sont présentées. Tout au long du cours, les étudiants sont amenés à interpréter de manière critique les outils d'inférence statistique tels que l'erreur standard, l'intervalle de confiance, la p-valeur et la taille d'effet, et à transformer leurs résultats en intuitions valides et en preuves empiriques.

Dans ce cours, il n'est pas attendu des étudiants qu'ils mémorisent des formules ; il est attendu qu'ils sélectionnent des données appropriées à la question de recherche, les analysent dans l'environnement R, interprètent les résultats de manière critique, mènent un processus d'analyse commun au sein d'un groupe et rapportent ce processus de manière reproductible. Les étudiants peuvent recourir à des outils d'IA pour l'écriture du code, le débogage et le développement de l'interprétation, mais ils sont tenus d'expliquer et de défendre chaque étape d'analyse utilisée.

Contenu du Cours

Le cours commence par la mise en place d'un processus d'analyse de données reproductible dans l'environnement R/RStudio et Quarto/R Markdown. Il aborde ensuite la gestion des données, l'analyse descriptive et la visualisation avec ggplot2. La régression linéaire simple et multiple ainsi que l'inférence statistique sont ensuite traitées. En fin de semestre, l'approche des doubles différences et l'analyse de données de panel sont introduites.

Acquis d'Apprentissage du Cours

Au terme de ce cours, l’étudiant sera capable de :
1. Mettre en place un processus d’analyse de données reproductible dans l’environnement R/RStudio et R Markdown/Quarto ; exécuter de manière intégrée les étapes de chargement, de nettoyage, de transformation et de rapport des données.
2. Organiser un jeu de données réel en sciences sociales, l’explorer à l’aide de statistiques descriptives et de graphiques ggplot2, et interpréter de manière contextuelle les tendances fondamentales des données.
3. Construire des modèles de régression linéaire simple et multiple, interpréter les coefficients, expliquer le rôle des variables de contrôle et évaluer les sorties du modèle.
4. Réaliser une inférence statistique et appliquer des tests d’hypothèses.
5. Analyser les différences entre groupes et les relations conditionnelles dans un cadre de régression à l’aide de variables muettes et de termes d’interaction ; soutenir les résultats par des graphiques et les interpréter.
6. Expliquer l’approche de base des doubles différences ; discuter des groupes de traitement et de contrôle, de la comparaison avant-après et de l’hypothèse des tendances parallèles.
7. Expliquer la structure des données de panel ; discuter de l’hétérogénéité non observée des unités et, sur un jeu de données approprié, appliquer l’une des approches des effets fixes, des premières différences ou des effets aléatoires dans R et rapporter les résultats dans un langage scientifique.
8. Définir les responsabilités d’analyse dans la déclaration de contribution lors d’un travail de groupe en binôme, contribuer à la production du rapport et du poster communs et, le cas échéant, expliquer sa propre contribution lors de la soutenance orale.

Méthodes d'Enseignement

• Enseignement appliqué assisté par ordinateur : analyse de données en direct, nettoyage des données, visualisation et rapport avec R/RStudio.
• Discussion conceptuelle et apprentissage intuitif : dialogue en classe axé sur la question de recherche, le choix de la méthode et l’interprétation plutôt que sur la mémorisation de formules.
• Études de cas sur des jeux de données réels en sciences sociales : V-Dem, Banque mondiale, UCDP, Gapminder, World Values Survey, European Social Survey, etc.
• Activités d’apprentissage courtes et orientées vers l’application, avec retour immédiat ; les étudiants peuvent recourir à l’IA durant le processus d’analyse, mais doivent pouvoir expliquer et défendre chaque étape utilisée.
• Travail de groupe en binôme : partage des responsabilités dans la préparation des données, l’analyse, le rapport et la présentation du poster ; évaluation critique réciproque du code, des tableaux, des figures et des interprétations.

Ressources

1. Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2nd ed.). Ressource fondamentale en accès libre pour la gestion, le nettoyage, la transformation et la visualisation des données avec R.
https://r4ds.hadley.nz/ (anglais) et https://tr.r4ds.hadley.nz/ (turc)
2. Wooldridge, J. M. (2020). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. Pour ce cours, la lecture des 4 premiers chapitres et des chapitres 6, 7, 13 et 14 est suffisante. Pour les jeux de données et le code R utilisés dans l’ouvrage, voir
https://justinmshea.github.io/wooldridge/
3. Quelques base de données ouverts et packages R à utiliser tout au long du cours :
• V-Dem Institute : https://www.v-dem.net/data/, package R : vdemdata
• World Bank Open Data : https://data.worldbank.org/, packages R : WDI, worldbank.
• UCDP/PRIO Armed Conflict Dataset : https://www.prio.org/data/4
• Gapminder : package R : gapminder
• World Values Survey : https://www.worldvaluessurvey.org/
• European Social Survey : https://www.europeansocialsurvey.org/, package R : essurvey
• Pour d’autres données facilement téléchargeables et explorables via des packages R, voir
https://github.com/rOpenGov

Intitulés des Sujets

Système d'évalution

Evalution de la Compétence

Tableau de la Charge de Travail