SYLLABUS

1. Objectifs du cours

Maîtriser la programmation en Python appliquée à l'analyse économique, manipuler et nettoyer des jeux de données complexes, estimer des modèles économétriques avec diagnostics rigoureux, et mobiliser les méthodes de Machine Learning pour la prédiction et la sélection de variables.

2. Description du cours

Ce cours prépare les étudiants de Master 1 à l'usage professionnel et académique de Python pour l'analyse économique et économétrique. Articulé autour de l'écosystème scientifique standard (NumPy, Pandas, Matplotlib/Seaborn, Statsmodels, Scikit-Learn), il couvre l'intégralité de la chaîne de traitement : de la manipulation de données micro/macroéconomiques à l'estimation économétrique (MCO, inférence robuste, choix discrets) et aux techniques d'apprentissage supervisé (régularisations Ridge/Lasso, validation croisée). L'enseignement privilégie une démarche empirique et reproductible à travers des cas d'application réels.

3. Plan du cours

• - Écosystème Python, syntaxe et calcul matriciel (Environnements Jupyter/Colab, structures de données, modularité, vectorisation et algèbre linéaire avec NumPy)
• - Manipulation et préparation de données avec Pandas (Importation multi-formats, indexation, nettoyage des valeurs manquantes, transformations et vectorisation)
• - Restructuration avancée et séries temporelles (Fusions relationnelles, agrégations Split-Apply-Combine, rééchantillonnage temporel et indicateurs macroéconomiques)
• - Visualisation de données économiques (Graphiques orientés objet avec Matplotlib, visualisations statistiques avec Seaborn, mise en forme aux normes académiques)
• - Économétrie appliquée et modélisation (Estimation MCO avec Statsmodels, diagnostics d'hétéroscédasticité/multicolinéarité, inférence robuste, modèles Logit/Probit)
• - Machine Learning et projet empirique de synthèse (Régularisation Ridge/Lasso, validation croisée, pipeline empirique complet de bout en bout et notebook reproductible)

4. Compétences visées

• - Économie quantitative / Data : manipulation et nettoyage de données (Pandas), calcul matriciel et simulations (NumPy), gestion de séries temporelles macroéconomiques
• - Économétrie / Modélisation : spécification et estimation de modèles (MCO, Logit, Probit), diagnostics empiriques (tests de White, Breusch-Pagan, VIF, erreurs-types robustes)
• - Machine Learning / Analyse prédictive : sélection de variables (Lasso), régularisation (Ridge, ElasticNet), validation croisée, séparation apprentissage/test
• - Transversales / Informatiques : programmation scientifique, rédaction de code propre et modulaire (PEP 8), visualisation de données (Matplotlib, Seaborn), reproductibilité de la recherche (Jupyter Notebooks)

Consulter la fiche RNCP de cette formation

5. Modalités pédagogiques

Mode d'enseignement : Présentiel

Langue(s) utilisée(s) : Français

Méthodes pédagogiques : Travaux Dirigés

6. Modalités d'évaluation

Examen écrit sur table

7. Bibliographie

• McKinney, W. (2022). Python for Data Analysis : Data Wrangling with pandas, NumPy, and Jupyter (3e éd.). O'Reilly Media.
• Sargent, T. J., & Stachurski, J. (2024). QuantEcon : Python Programming for Economics and Finance.
• Sheppard, K. (2021). Python for Econometrics. University of Oxford.