Contenus

Objectif du Cours

L’objectif du cours est de doter les étudiants de master en économie des outils fondamentaux de l’analyse économétrique et de développer leur capacité à appliquer et interpréter ces outils avec des données économiques réelles dans R. Dans ce cadre, les thèmes suivants seront traités et les compétences suivantes seront développées:
• Organisation, nettoyage, transformation et visualisation des données avec le logiciel R au moyen de techniques graphiques modernes.
• Apprentissage précoce de la logique de l’analyse reproductible via R Markdown/Quarto.
• Construction et interprétation de modèles de régression linéaire simple et multiple en adéquation avec les questions de recherche.
• Interprétation critique des outils d’inférence statistique tels que l’erreur standard, l’intervalle de confiance, la statistique t et la p-valeur.
• Validation de l’inférence par des approches alternatives fondées sur le rééchantillonnage via des tests de bootstrap et de permutation.
• Analyse des différences entre groupes et des relations conditionnelles au moyen de variables muettes et de termes d’interaction.
• Introduction aux sujets avancés de l’analyse de régression : sélection de modèle, forme fonctionnelle, mise à l’échelle des variables et tests de changement structurel.

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 individuel 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. La deuxième semaine est consacrée au flux de données dans R (entréesortie). Il aborde ensuite la gestion des données, l’analyse descriptive et la visualisation avec ggplot2. La régression linéaire simple et multiple, l’inférence statistique et les méthodes de bootstrap sont ensuite enseignées. En fin de semestre, les variables muettes, les termes d’interaction et les sujets avancés de l’analyse de régression — R2 ajusté et sélection de modèle, forme fonctionnelle (comparaison niveau–log, test RESET), mise à l’échelle des variables, coefficients bêta et changement structurel (test de Chow) — sont traités.

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 économique réel, 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 de manière critique les sorties du modèle.
4. Réaliser une inférence statistique et appliquer des tests d’hypothèses ; valider les résultats d’inférence en appliquant des tests de bootstrap et de permutation dans l’environnement R.
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 les sujets avancés de l’analyse de régression (R2 ajusté et sélection de modèle, forme fonctionnelle et comparaison niveau–log, mise à l’échelle des variables, coefficients bêta et changement structurel/test de Chow) et appliquer ces outils dans l’environnement R.
7. Définir les responsabilités d’analyse dans la déclaration de contribution dans son projet individuel, mener de manière autonome la production du rapport et du poster et expliquer son propre processus d’analyse 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 : Eurostat, OCDE, Penn World Table, Banque mondiale, Gapminder, World Values 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.
• Retour en classe et individuel : évaluation critique du code, des tableaux, des figures et des interprétations préparés par les étudiants par l’enseignant et les camarades de classe ; chaque étudiant défend son propre processus d’analyse.

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 les jeux de données et le code R utilisés dans l’ouvrage, voir
https://justinmshea.github.io/wooldridge/
3. Quelques base de données et packages R que vous pouvez utiliser :
• Eurostat : statistiques de l’Union européenne :
https://ec.europa.eu/eurostat/web/main/data/database, packages R : eurostat, restatapi.
• OECD Data Explorer : indicateurs économiques et sociaux :
https://www.oecd.org/en/data.html, packages R : readoecd, OECD.
• Penn World Table (PWT) :
https://www.rug.nl/ggdc/productivity/pwt/, package R : pwt10.
• World Bank Open Data : indicateurs de développement :
https://data.worldbank.org/, package R : WDI.
• 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

Tableau de la Charge de Travail