[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-963938","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Series Temporelles, Causalit\u00e9s et Dataming\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          3\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemestre calendaire :\n          Annualis\u00e9\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ECours magistraux :\u003C\/span\u003E\n                                      \u003Cspan\u003E30\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                                                        \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EFran\u00e7ais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EPr\u00e9requis\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003ECe cours est le prolongement du cours d\u2019Econom\u00e9trie I dans lequel les bases de l\u2019\u00e9conom\u00e9trie lin\u00e9aire ont \u00e9t\u00e9 pos\u00e9es. Le point de d\u00e9part de l\u2019analyse est le mod\u00e8le de r\u00e9gression lin\u00e9aire multiple pour lequel trois familles d\u2019hypoth\u00e8ses ont \u00e9t\u00e9 formul\u00e9es: des hypoth\u00e8ses relatives \u00e0 la sp\u00e9cification de l\u2019\u00e9quation de r\u00e9gression, des hypoth\u00e8ses relatives aux donn\u00e9es d\u2019observation et des hypoth\u00e8ses relatives au terme d\u2019erreur al\u00e9atoire.\u003Cbr\u003E\nLe chapitre introductif rappelle la m\u00e9thodologie de l\u2019analyse \u00e9conom\u00e9trique, ainsi que les bases du mod\u00e8le de r\u00e9gression lin\u00e9aire.\u003Cbr\u003E\nLe deuxi\u00e8me chapitre vise \u00e0 comprendre quelles sont les cons\u00e9quences de la remise en cause des hypoth\u00e8ses formul\u00e9es ci-dessus tant sur le plan des m\u00e9thodes d\u2019estimation que sur le plan des propri\u00e9t\u00e9s de l\u2019estimateur du vecteur de param\u00e8tre.\u003Cbr\u003E\nLe troisi\u00e8me chapitre discute des implications de la non stationnarit\u00e9 des processus statistiques quant \u00e0 la viabilit\u00e9 de l\u2019estimation des mod\u00e8les.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003E\u003Cstrong\u003EPartie 1 \u2013 Introduction \u0026amp; rappels (3h)\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EEnjeux des donn\u00e9es temporelles en \u00e9conomie\u003C\/li\u003E\n\u003Cli\u003ERappels statistiques et \u00e9conom\u00e9triques\u003C\/li\u003E\n\u003Cli\u003ETypes de donn\u00e9es (TS, panel, haute fr\u00e9quence)\u003C\/li\u003E\n\u003C\/ul\u003E\n\u003Cp\u003E\u003Cstrong\u003EPartie 2 \u2013 Mod\u00e9lisation des s\u00e9ries temporelles (9h)\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EStationnarit\u00e9, tests (ADF, KPSS)\u003C\/li\u003E\n\u003Cli\u003EMod\u00e8les AR, MA, ARMA, ARIMA\u003C\/li\u003E\n\u003Cli\u003ESaisonnalit\u00e9 (SARIMA)\u003C\/li\u003E\n\u003Cli\u003EPr\u00e9vision et \u00e9valuation des mod\u00e8les\u003C\/li\u003E\n\u003C\/ul\u003E\n\u003Cp\u003E\u003Cstrong\u003EPartie 3 \u2013 Mod\u00e8les multivari\u00e9s et dynamiques (6h)\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EVAR (Vector Autoregression)\u003C\/li\u003E\n\u003Cli\u003EImpulse Response Functions (IRF)\u003C\/li\u003E\n\u003Cli\u003ED\u00e9composition de variance\u003C\/li\u003E\n\u003Cli\u003EApplications macro\u00e9conomiques\u003C\/li\u003E\n\u003C\/ul\u003E\n\u003Cp\u003E\u003Cstrong\u003EPartie 4 \u2013 Causalit\u00e9 en s\u00e9ries temporelles (6h)\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cul\u003E\n\u003Cli\u003ECausalit\u00e9 de Granger\u003C\/li\u003E\n\u003Cli\u003ELimites de la causalit\u00e9 statistique\u003C\/li\u003E\n\u003Cli\u003EIntroduction aux approches structurelles\u003C\/li\u003E\n\u003Cli\u003ELien avec l\u2019\u00e9valuation des politiques publiques\u003C\/li\u003E\n\u003C\/ul\u003E\n\u003Cp\u003E\u003Cstrong\u003EPartie 5 \u2013 Data Mining \u0026amp; Machine Learning (4h)\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EIntroduction au data mining temporel\u003C\/li\u003E\n\u003Cli\u003EM\u00e9thodes de pr\u00e9vision (r\u00e9gression p\u00e9nalis\u00e9e, arbres)\u003C\/li\u003E\n\u003Cli\u003ED\u00e9tection de patterns et anomalies\u003C\/li\u003E\n\u003C\/ul\u003E\n\u003Cp\u003E\u003Cstrong\u003EPartie 6 \u2013 Applications empiriques \u0026amp; projet (2h)\u003C\/strong\u003E\u003C\/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u00c9tudes de cas (\u00e9nergie, finance, macro)\u003C\/li\u003E\n\u003Cli\u003EMini-projet ou TP de synth\u00e8se\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EObjectifs d\u0026#039;apprentissage\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EComprendre les mod\u00e8les de s\u00e9ries temporelles (AR, MA, ARIMA) et leurs applications \u00e9conomiques\u003C\/li\u003E\n\u003Cli\u003EAnalyser les relations dynamiques et les causalit\u00e9s (Granger, VAR)\u003C\/li\u003E\n\u003Cli\u003EManipuler et exploiter des donn\u00e9es temporelles et \u00e9conomiques\u003C\/li\u003E\n\u003Cli\u003EAppliquer des m\u00e9thodes de data mining pour la pr\u00e9vision et la d\u00e9tection de patterns\u003C\/li\u003E\n\u003Cli\u003EInterpr\u00e9ter les r\u00e9sultats dans une perspective \u00e9conomique et d\u00e9cisionnelle avec un regard critique\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                                        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EEvaluation Continue Int\u00e9grale\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]