Description

• Partie 1. Modèles économétriques non-linéaires 
  Ce cours a pour objectif de former les étudiants aux outils de base pour comprendre, coder et estimer des modèles économétriques non linéaires. Il comprend les outils statistiques, tels que la loi des grands nombres, le théorème de limite centrale et quelques résultats de la théorie asymptotique. Le cours introduit par ailleurs à des méthodes d’optimisation numérique. Ces outils seront appliqués principalement à l’estimateur du maximum de vraisemblance, mais également aux moindres carrés non-linéaires, et à la méthode des moments. Les différents chapitres du cours incluent une partie de programmation dans laquelle les méthodes théoriques seront programmées sur R pour illustrer les résultats obtenus. 
  Référence
  Hansen, B., 2022, Probability and Statistics for Economists, Princeton University Press.    http://www.ssc.wisc.edu/~bhansen/ 

• Partie 2. Séries temporelles
  Ce cours offre une introduction approfondie à l'analyse des séries temporelles. Les concepts fondamentaux de processus stochastiques, stationnarité, modèles ARIMA (saisonniers et non saisonniers), techniques de décomposition des séries temporelles et méthodes de prévision (paramétriques et non paramétriques) seront explorés. Une attention particulière sera accordée à l'application pratique avec le logiciel R.

Références
- James D. Hamilton, 1994, Time Series Analysis,  Princeton University Press
- Paul S.P. Cowpertwait et Andrew V. Metcalfe, 2009, Time Series with R. 
- Rob J. Hyndman et George Athanasopoulos, 2021, Forecasting: Principles and Practice Éditeur : OTexts
- Jamel Trabelsi, 2012, Principes d’économétrie, Pearson

Compétences visées

A l'issue des enseignements de cette UE, les étudiants seront capables :

• Appliquer les techniques de décomposition des séries temporelles (tendance, saisonnalité, cycle, résidus),
• Utiliser des approches paramétriques et non paramétriques pour prévoir des séries temporelles,
• Réaliser des tests d’hypothèse et des prédictions,
• Mettre en forme des bases de données et de réaliser l’estimation empirique,
• Améliorer leur autonomie de travail sur le logiciel R,
• Accumuler de l’expérience en programmant des procédures d’estimation et de simulation sur R.

Contacts

Responsable(s) de l'enseignement

• Bertrand Koebel