Master Domaine : Droit-Economie-Gestion Mention : Analyse et ...

Amélie Barbier

Description

Master, Supérieur, Master

• cours - matière potentielle : des techniques de séries temporelles
• cours - matière potentielle : economét
• cours - matière potentielle : méthodes bayesiennes et d' économétrie des données de panel
• mémoire
• mémoire - matière potentielle : économétrie appliquée
• exposé
• cours - matière potentielle : économétrie de la finance et de macroéconométrie

Master Domaine : Droit-Economie-Gestion Mention : Analyse et politiques économiques Spécialité : Statistique et économétrie Master 2 – Semestre 3 Présentation du cours : UE : Technique de modélisation économique Cours : Économétrie non-paramétrique Chargé de cours : Phu NGUYEN-VAN () Objectifs/Résumé : Ce cours a pour objectif de familiariser les étudiants aux méthodes non-paramétriques (estimation de la densité, régression non-paramétrique, modèles semi-paramétriques, etc.) qui ont connu une large diffusion ces dernières années.

• résolution de difficultés techniques
• pratique des méthodes de monte carlo par chaîne de markov
• faculté des sciences économiques et de gestion ¶
• modèle de bass bass
• modeling - chapter
• thèmes avancés sur les modèles linéaires sur données de panel
• produits de taux
• données de panel
• modèle
• modèles
• applications
• application

Sujets

• Mémoire
• Exposé
• Delabarre
• Extension

Informations

• Publié par: mevur0
• Nombre de lectures: 70
• Langue: Français

Extrait

Faculté des sciences économiques et de gestion

Master Domaine : DroitEconomieGestion Mention : Analyse et politiques économiques Spécialité:Statistique et économétrie Master 2 – Semestre 3

Présentation du cours : UE : Technique de modélisation économique Cours : Économétrie nonparamétrique Chargé de cours : Phu NGUYENVAN (nguyen[e-mail]) Objectifs/Résumé : Ce cours a pour objectif de familiariser les étudiants aux méthodes nonparamétriques (estimation de la densité, régression nonparamétrique, modèles semiparamétriques, etc.) qui ont connu une large diffusion ces dernières années. Plan/Déroulement du cours : Les trois premiers chapitres portent sur des concepts et des modèles de base en économétrie non paramétrique (estimation de la densité, modèles nonparamétriques et semiparamétriques sur données en coupe instantanée ou données de panel). Le quatrième chapitre présente des tests de spécification. Le dernier chapitre présente des applications des méthodes nonparamétriques sur données simulées ou réelles avec le logiciel R. 1 : Estimation de la densité de distribution de probabilité Chapitre 2 : Régression nonparamétrique Chapitre 3 : Modèles semiparamétriques Chapitre  Chapitre 4 : Tests  Chapitre 5 : Applications Références bibliographiques :  Fan J., Gijbels I. (1996),Local Polynomial Modelling and Its Applications, Chapman & Hall.  Cameron A.C., Trivedi P. (2005),Microeconometrics: Methods and Applications, Cambridge University Press. J.P., Marimoutou V., PéguinFeissolle A. (2004), Florens Économétrie: Modélisation et Inférence, Armand Colin.  Greene W.H. (2004),Econometric Analysis, Prentice Hall, 4ème édition. W. (1990), Härdle Applied Nonparametric Regression, Cambridge University Press. J.L. (1998), Horowitz Semiparametric Methods in Econometrics, SpringerVerlag, New York.  Lee, M.j. (1996),Methods of Moments and Semiparametric Econometrics for Limited Dependent Variable Models, SpringerVerlag. Q., Racine J.S. (2007), Li Nonparametric Econometrics: Theory and Practice, Princeton University Press.  Mittelhammer R.C., Judge G.G., Miller D.J. (2000),Econometric Foundations, Cambridge University Press.  Pagan A.R., Ullah A. (1999),Nonparametric Econometrics, Cambridge University Press. D., Caroll R.J., Wand M.P. (2003), Ruppert Semiparametric Regression Modeling, Cambridge University Press, New York.  Silverman B.W. (1986),Density Estimation for Statistics and Data Analysis, Chapman & Hall. A. (2003), Yatchew Semiparametric Regression for the Applied Econometrician, Cambridge University Press.

Faculté des sciences économiques et de gestion

Master Domaine : DroitEconomieGestion Mention : Analyse et politiques économiques Spécialités:Statistique et économétrie Master 2 – Semestre 3

Présentation du cours : UE : Technique de modélisation économique Cours : Econométrie des données de panel approfondie Prérequis : avoir suivi un premier cours d’Econométrie des données de panel (du niveau de Greene, 2007) Chargé de cours : Bertrand Koebel (koebel@cournot.ustrasbg.fr) Objectifs/Résumé :  L'objectif de ce cours est de familiariser les étudiants avec les outils économétriques permettant d'analyser et de quantifier des modèles économiques sur données de panel. Les données de panels se caractérisent par leur double dimension, individuelle et temporelle, et permettent une identification plus précise et plus informative que les données en coupes transversales et les séries temporelles. Plusieurs applications empiriques sont proposées aux étudiants. Plan/Déroulement du cours :  1. Rappels et notions de base  2. Thèmes avancés sur les modèles linéaires sur données de panel  3. Les modèles à variable dépendante dichotomiques  4. Modèles pour variables dépendantes discrètes Références bibliographiques :  Arellano, M., and B. E. Honore, 2001, "Panel Data Models. Some Recent Developments," Handbook of Econometrics, vol. 5, Elsevier.  Arellano, M., 2003, Panel Data Econometrics, Oxford University Press.  Baltagi, B. H., 2008, Econometric Analysis of Panel Data, Fourth edition, Wiley.  Cameron, A. C. and P. K. Trivedi, 2005, Microeconometrics, Cambridge University Press. M. L., 2002, Panel Data Econometrics, Academic Press. Lee,  Mátyás, L. et P. Sevestre, 2008, The Econometrics of Panel Data, Springer.  Wooldridge, J. M., 2001, Econometric Analysis of Cross Section and Panel Data, MIT Press.

Faculté des sciences économiques et de gestion

Master Domaine : DroitEconomieGestion Mention : Analyse et politiques économiques Spécialité:Statistique et économétrie Master 2 – Semestre 3

Présentation du cours : UE : Technique de modélisation économique Cours : Techniques avancées des séries temporelles Chargés de cours : Jamel TRABELSI (trabelsi@cournot.ustrasbg.fr) Objectifs/Résumé : Le cours des techniques de séries temporelles avancées vise à doter les étudiants d’un bagage théorique nécessaire dans les modélisations financière et macroéconométrique. Il s’inscrit essentiellement dans une dimension multivariée. Nous nous attacherons, en effet à présenter les fondements théoriques des processus multivariés stationnaires, non stationnaires et à changements structurels. Ces concepts théoriques seront repris dans les cours d’économétrie de la finance et de macroéconométrie. Plan/Déroulement du cours : Séance 1 : Processus Stochastiques Univariés : définitions et propriétés Séances 2 et 3 : Processus Stochastiques Stationnaires Multivariés : VAR Séances 4 et 5 : Modèles VAR Structurels : Fondements Théoriques et Applications Séances 6 : Modèles State Space et Filtre de Kalman Séance 7 : Décomposition des séries Temporelles Références bibliographiques :

James D. Hamilton,Time Series Analysis, Princeton University Press, 1994.



Faculté des sciences économiques et de gestion

Master Domaine : DroitEconomieGestion Mention : Analyse et politiques économiques Spécialité:Statistique et économétrie Master 2 – Semestre 3

Présentation du cours : UE : Modélisation financière Cours : Econométrie de la finance Chargé de cours : Jamel TRABELSI (trabelsi@cournot.ustrasbg.fr) Objectifs/Résumé :  To provide some basic knowledge of financial time series data  To introduce some statistical t ools and econometric models useful  For analyzing these series.  To gain empirical experience in analyzing FTS  To study methods for assessing market risk analyze highdimensional asset returns. To Plan/Déroulement du cours : 1 : Returns & their characteristics: empirical analysis Chapter 2: Simple linear time series models Chapter 3 : Univariate volatility modeling Chapter  Chapter 4: Nonlinearity in level and volatility  Chapter 5: Highfrequency financial data and market microstructure  Chapter 6: Value at Risk and extreme value theory  Références bibliographiques :  Ruey S. Tsay , Analysis of Financial Time Series, Second Edition, WileyInterscience 2005, Probability and Statistics

Faculté des sciences économiques et de gestion

Master Domaine : DroitEconomieGestion Mention : Analyse et politiques économiques Spécialité:Statistique et économétrie Master 2 – Semestre 3

Présentation du cours : UE : Ateliers Cours : Formation en salle des marchés – Etude de cas Chargés de cours : Guillaume LABARRE ([e-mail]) Objectifs/Résumé : Cet atelier se propose de réaliser une revue des mathématiques financières et du calcul de taux usuellement appliqués en pratique au sein d’une salle des marchés. L’atelier aborde également un rappel ou un approfondissement de certains produits financiers. L’objectif de cet atelier est de permettre aux étudiants de rafraichir leurs connaissances en finance de marché. Plan/Déroulement du cours :  Taux d’intérêt simple d’intérêt composé Taux de taux Risque  Taux et titres de références sur les marchés produits de taux (FRA, SWAP…) Les convertibles Obligations Références bibliographiques : C. et Claude, P. (2000) : Les Swaps Concepts et applications, Economica. Chazot, P., et Priaulet, S. (2003) FixedIncome Securities : Valuation, RiskL., Priaulet,  Martellini, Management and Portfolio Strategies, Broché.

Faculté des sciences économiques et de gestion

Master Domaine : DroitEconomieGestion Mention : Analyse et politiques économiques Spécialité:Statistique et économétrie Master 2 – Semestre 3

Présentation du cours : UE : Ateliers Cours : Économétrie appliquée avancée Chargés de cours : Bertrand KOEBEL (koebel@cournot.ustrasbg.fr) et François LAISNEY (.frfla cournot.ustrasb ) Objectifs/Résumé : Cet atelier est en relation étroite avec les cours de méthodes bayesiennes et d’économétrie des données de panel approfondie assurés respectivement par François Laisney et Bertrand Koebel. La partie assurée par François Laisney a pour objectif d’initier les étudiants à la pratique des méthodes de Monte Carlo par chaîne de Markov, qui a révolutionné l’économétrie bayésienne. Les logiciels utilisés sont R et Winbugs, et la référence essentielle est Lancaster (2004, Chap. 4 et 5). Cette partie de l’atelier donne aux étudiants l’opportunité de comparer les résultats obtenus par MCMC et maximum de vraisemblance pour des modèles couramment utilisés en économétrie et en marketing quantitatifs, essentiellement sur la base de données simulées. La partie assurée par Bertrand Koebel a pour objectif d'entrainer les étudiants à travailler de manière autonome sur des thèmes avancés d'économétrie des données de panel. Les étudiants réaliseront et de présenteront un mémoire d’économétrie appliquée dans lequel ils devront montrer qu’ils maitrisent notamment les tâches suivantes: aptitude à la collecte de données, leur mise en forme, la programmation informatique, développement et compréhension d'un modèle économique et des méthodes économétriques, interprétation et mise en valeur des résultats, résolution de difficultés techniques, présentation écrite et orale des résultats, etc. Plan/Déroulement du cours : Première partie : méthodes MCMC  Initiation au logiciel R.  Chap. 4 de Lancaster (2004): chaînes de Markov, algorithmes d’échantillonnage pseudoaléatoire, acceptationrejet, Gibbs, Metropolis, MetropolisHastings. à l’utilisation de WinBUGS et R2WinBUGS. Initiation  Application aux modèles du Chap. 5 de Lancaster (2004). Deuxième partie :  Les étudiants par binôme choisissent un sujet parmi les thèmes suivants, et préparent un petit mémoire (<12 pages par étudiant) qu'ils présenteront oralement durant 1H30. Ce mémoire doit obligatoirement comporter une partie d'économétrie théorique et une partie appliquée à des données. des thèmes non exhaustive)  Liste : Méthodes des variables instrumentales et des moments généralisés (exogénéité faible, stricte) ; Hétérogénéité dans les données de panel ; Modèles dynamiques (consommation, investissement, croissance, etc.) ; Inférence robuste à l'autocorrélation et à l'hétéroscédasticité ; Modèles pour variables dépendantes dichotomiques ; Modèles pour variables dépendantes discrètes Références bibliographiques : Première partie : A. (2004) An Introduction to Modern Bayesian Econometrics, Blackwell, London Lancaster,  Rossi, P., G. Allenby et R. McCulloch (2005): Bayesian Statistics and Marketing, Wiley. Deuxième partie : M., and B. E. Honore, 2001, "Panel Data Models. Some Recent Developments," Handbook Arellano, of Econometrics, vol. 5, Elsevier. M., 2003, Panel Data Econometrics, Oxford University Press. Arellano,  Baltagi, B. H., 2008, Econometric Analysis of Panel Data, Fourth edition, Wiley.  Cameron, A. C. and P. K. Trivedi, 2005, Microeconometrics, Cambridge University Press. M. L., 2002, Panel Data Econometrics, Academic Press. Lee, L. et P. Sevestre, 2008, The Econometrics of Panel Data, Springer. Mátyás, J. M., 2001, Econometric Analysis of Cross Section and Panel Data, MIT Press. Wooldridge,

Faculté des sciences économiques et de gestion

Master Domaine : DroitEconomieGestion Mention : Analyse et politiques économiques Spécialité:Statistique et économétrie Master 2 – Semestre 3

Présentation du cours : UE : Marketing quantitatif Cours : Modélisation marketing Chargés de cours : Sylvie CHABI (chabi@cournot.ustrasbg.fr) Objectifs/Résumé : Il s’agit d’approcher les modèles et méthodes utilisés en marketing à travers l’étude d’articles issus des revues de marketing (JM, JMR, IJRM, JCR,…). Ce cours se passe sous forme d’exposés faits par les étudiants. Des applications et compléments théoriques sont également proposés. A titre indicatif, les thèmes et références des articles étudiés par la promotion 20082009 sont donnés cidessous. Plan/Déroulement du cours : 1. Le prix psychologique Gabor, A. et C.W.J. Granger (1966), “Price as an indicator of quality: report of an enquiry”, Economica, Février, 4370 2. Le modèle de Bass Bass, F.M. (1969), “A new product growth for model consumer durables”,Management Science, Janvier, Vol. 15, N° 5, 215227 3. L’analyse conjointe Green, P.E. et Y. Wind (1975), “New way to measure consumers’ judgments”,Harvard Business Review, JuilletAoût, 107117 Green, P.E. et V. Srinivasan (1978), “Conjoint Analysis in Consumer Research: Issues and Outlook”,Journal of Consumer Research, Vol. 5, Septembre, 103123. Green, P.E. et V. Srinivasan (1990), “Conjoint Analysis in marketing: New Developments with Implications for Research and Practice”,Journal of Marketing, Octobre, 319. 4. Cannibalisation, substitution et extension de ligne Walters, R.G. (1991), “Assessing the Impact of Retail Price Promotions on Product Substitution, Complementary Purchase, and Interstore Sales Displacement”,Journal of Marketing, 55, 1728. Reddy, S.K., S.L. Holak et S. Bhat (1994), “To extend or Not to Extend: Success Determinants of Line Extensions”,Journal of Marketing Research, 31, 243262. Deleersnyder, B.I., I. Geyskens, K. Gielens et M.G. Dekimpe (2002), “How cannibalistic is the Internet channel? A study of the newspaper industry in the United Kingdom and the Netherlands”, International Journal of Research in Marketing, 19, 337348. Références bibliographiques : P., D. Wittink, M. Wedel et P. Naert (2000), Building models for marketing Leeflang, decisions, ISQM, Kluwer Academic Publishers, Boston R. Anderson, R; Tatham et W. Black (1998), Multivariate data analysis, Prentice Hair,J., Hall