UP1-PROG-02-M1B409-119 - Master 1 Econométrie, statistiques;B4091519 - Econométrie appliquée des modèles linéaires - Travaux Dirigés
Présentation générale du cours
Dans ce cours, nous étudions les modèles de régressions
linéaires à k facteurs. Les
applications sont faites sous SAS et sous SAS/IML (IML et IML Studio). L’accent
est principalement mis sur les limitations des estimateurs MCO, sur la prise en
compte des propriétés statistiques des séries (eg. faible stationnarité), sur
la pré et post validation des modèles, ainsi que sur les méthodes autorisant des
estimations plus robustes. Une attention particulière est donnée à l’approche
graphique. Dans ce cours seront utilisées à la fois des données observées et
des données simulées (Data Generating
Process : DGP).
Ouvrages de référence :
1 – Econometric Methods, J. Johnston et J. DiNardo, McGraw-Hill. Très conseillé, excellent ouvrage, très synthétique.
2 – Méthodes Statistiques, P. Tassi, Economica. Pour tous les rappels de statistiques de L3
3 – Probability and Statistical Inference, Econometric Modelling with Observational data, A. Spanos, Cambridge University Press. Très conseillé, excellent ouvrage.
Plan indicatif du cours :
Séances 1 & 2 : Apprentissage de SAS/IML : commandes matricielles de bases et avancées. Introduction d’outils statistiques : eg estimateurs non-paramétriques d’une densité, tests de normalité, QQ plots….. Analyse des propriétés statistiques d’un processus stochastique : notions d’indépendance au premier et second ordre, notion et tests de stationnarité. Analyse de la dépendance entre deux processus stochastiques.
Séance 2/3 : Introduction à l’optimisation : Algorithme de Newton-Raphson, (PSO ?)
Séance 3 : Simulations de Monte-Carlo, introduction au bootstrap. Application : Analyse de la densité de l’opérateur corrélation entre deux variables stationnaires, non stationnaires
Séance 4 : Mesures d’influence, points aberrants, colinéarité, mauvaise spécification. Détection à partir d’une approche graphique. Introduction d’indicateurs de tests de spécifications.
Séance 5 & 6 : Codage sous IML d’un modèle de régression linéaire. Codage de tests de post-validation : Normalité, autocorrélation (Qstat, tests de Runs), hétéroscédascité.
Séance 7 : Hétéroscédasticité et autocorrélation, MCG et procédures de tests. Matrices HC, HAC
Séance 8 : Stationnarité locale. Détection de breaks structurels sur les premiers et seconds moments. Algorithme ICSS, Andrews et Ploberger. Codage sous SAS/IML, utilisation d’une procédure bootstrap (fixed-regressor bootstrap de Hansen) pour déduire les valeurs critiques.
Séance 9 : Introduction aux modèles dynamiques : intégration / co-intégration, modèles à correction d’erreurs.
Séance 10 : Modèles de prévisions. Simulations statiques, dynamiques, in-sample, out-sample. Validation d’une prévision par le coefficient de Theil
Séance 11 : Suivi mémoire
Séance 12 : Suivi mémoire
Informations sur l'espace de cours
| Nom | Archive année [2019-2020] Master 1 Econométrie, statistiques - SAS 1 |
| Nom abrégé | [2019-2020] UP1-PROG-02-M1B409-119-04 - SAS 1 |
| Groupes utilisateurs inscrits | Consultation des ressources, participation aux activités :
|
Rattachements à l'offre de formation
| Élément pédagogique | UP1-PROG-02-M1B409-119 - Master 1 Econométrie, statistiques |
| Chemin complet | > Année 2023-2024 > Paris 1 > École d'économie de la Sorbonne > Master 1 Econométrie, statistiques |
| Élément pédagogique | UP1-C-ELP-B4091519 - Econométrie appliquée des modèles linéaires 1 |
| Chemin complet | > Année 2023-2024 > Paris 1 > École d'économie de la Sorbonne > Master 1 Econométrie, statistiques > Semestre 1 > UE2 Enseignements appliqués > Econométrie appliquée des modèles linéaires 1 |