Courses

Présenté par: Dr Giovanni Cerulli

Présentation du cours

La modélisation économétrique pour l'inférence causale et l'évaluation des programmes a connu un développement considérable au cours de la dernière décennie, avec de nouvelles approches et méthodes abordant un ensemble croissant de problèmes difficiles, à la fois dans les sciences médicales et sociales. Ce cours couvre certains développements récents en matière d'inférence causale et d'évaluation de programme à l'aide de Stata.

30% de théorie, 30% de démonstration et 40% de pratique

Présenté par Dr. Anis Samet

Les données de Panel et les modèles a variables limites:

• Introduction aux données de panel
• Les modèles de panel: effets fixes and a effets aléatoires
• Les modèles dynamiques
• Logit
• Probit
• Tobit
• Logit multivarié
• Logit ordonné
• Autres modèles de logit

Présenté par Dr. Anis Samet

Séries temporelles et modèles d’hétéroscédasticité:

• Les modèles autorégressifs (AR) and moyenne mobile (MA)
• L’autocorrélation
• L’autocorrélation partielle
• Les processus intégrés
• Box-Jenkis
• Les modèles ARMA
• Les modèles ARIMA
• Les modèles d’hétéroscédasticité
• Modèles ARCH
• Modèles GARCH
• Modèles multivariés

Présenté par Dr. Anis Samet

Régression linéaire

• Les hypothèses de la régression linéaire
• La méthode du moindre carre ordinaire (MCO)
• Analyse des estimations.
• Significativité des coefficients
• Interprétation du test Fischer
• Test des restrictions linéaires
• Violation des hypothèses : multi colinéarité et hétéroscédasticité
• Les erreurs standards robustes
• Variables omises et autres problèmes
• Construction des variables latentes

Présenté par Dr. Giovanni Cerulli

Aperçu:

Ces dernières années ont vu une disponibilité sans précédent d'informations sur les phénomènes sociaux, économiques et liés à la santé. Les chercheurs, les praticiens et les décideurs ont désormais accès à d'énormes ensembles de données (appelés «Big Data») sur les personnes, les entreprises et les institutions, le Web et les appareils mobiles, les satellites, etc., à une vitesse et avec des détails croissants.

Le Machine Learining est une approche relativement nouvelle de l'analyse des données, qui se situe à l'intersection entre les statistiques, l'informatique et l'intelligence artificielle. Son objectif principal est de transformer l'information en connaissance et en valeur en «laissant parler les données». Le Machine Learning limite les hypothèses antérieures sur la structure des données et repose sur une philosophie sans modèle prenant en charge le développement d'algorithmes, les procédures de calcul et l'inspection graphique plus que des hypothèses strictes, le développement algébrique et des solutions analytiques.Impossible il y a quelques années, le Machine Learning est désormais un produit de l’ère du temps, avec une puissance de calcul et une capacité d’apprentissage des indiscutables.

Présenté par: Dr Vincent O'Sullivan

Aperçu:

Ce cours est destiné aux professionnels et aux chercheurs novices dans Stata. Le cours ne suppose que des connaissances statistiques et une expérience limitées de l'utilisation de logiciels statistiques. Les participants seront initiés à l’interface de Stata. Ils verront comment gérer et préparer les ensembles de données pour l'analyse. Les principes fondamentaux de l'analyse et de la visualisation des données seront également enseignés. Ensuite, les participants seront initiés à deux des principaux outils d'analyse de données: la régression linéaire et la régression logistique. Les participants apprendront la théorie statistique derrière ces méthodes, et ils appliqueront ces méthodes à des ensembles de données spécialement choisis en utilisant des exemples de la recherche en santé.

Présenté par: Dr Giovanni Cerulli

Aperçu:

Ce cours fournira aux participants les outils essentiels, à la fois théoriques et appliqués, pour une utilisation appropriée des méthodes micro-économétriques modernes pour l'évaluation des politiques et la modélisation contrefactuelle causale sous les deux hypothèses de «sélection sur les observables» et de «sélection sur les inobservables». Le cours couvrira ces approches: l'ajustement de régression (paramétrique et non paramétrique), l'appariement (sur les covariables et le score de propension), les méthodes de repondération et de double robustesse et les méthodes de différence des différences.

Après avoir assisté au cours, le participant sera capable de mettre en place et de gérer lui-même une conception d'évaluation correcte sous une sélection observable et non observable: identification du cadre politique, collecte et gestion d'ensembles de données appropriés, utilisation de méthodes économétriques appropriées et interprétation des résultats. Les applications potentielles se situent dans différents contextes politiques tels que: la finance et la banque, le marché du travail, les activités d'investissement des entreprises, la politique éducative et la coopération régionale, les incitations à la recherche et au développement des entreprises, etc. Bien qu'elles puissent être utilisées dans tout autre domaine de la étude visant à estimer l'impact ex post d'une intervention politique donnée sur des objectifs spécifiques. Le cours fournira divers exemples pédagogiques sur des ensembles de données réels.