| Titre : | Machine learning pour l'économétrie |
| Auteurs : | Christophe Gaillac, Auteur ; Jérémy L'Hour, Auteur |
| Type de document : | Ouvrages |
| Editeur : | Paris : Économica, 2023 |
| Autre Editeur : | 53-Mayenne : Dupliprint |
| Collection : | Collection Economie et statistiques avancées. Série Ecole nationale de la statistique et de l'administration et du Centre d'études des programmes économiques, ISSN 0154-196X |
| Sous-collection : | Série École nationale de la statistique et de l'administration économique et Centre d'études des programmes économiques |
| ISBN/ISSN/EAN : | 978-2-7178-7272-9 |
| Format : | 1 vol. (IX-414 p.) / ill. / 24 cm |
| Note générale : | Notes bibliogr. Index |
| Langues: | Français |
| Index. décimale : | 330.015 195 |
| Catégories : |
[Eurovoc] ÉCONOMIE > analyse économique > analyse économique > économétrie |
| Tags : | machine learning |
| Résumé : | "Machine learning pour l'économétrie est un ouvrage destiné aux économistes qui souhaitent appréhender les techniques de machine learning modernes – de leurs performances en matière de prédiction au traitement révolutionnaire des données non structurées – afin d'établir des relations de causalité à partir des données. Il aborde la sélection automatique de variables dans divers contextes de grande dimension, l'estimation de l'hétérogénéité des effets du traitement, les techniques de traitement du langage naturel (NLP), ainsi que le contrôle synthétique et les prévisions macroéconomiques. Les fondements des méthodes de machine learning sont introduits de manière à proposer à la fois un traitement théorique approfondi de la façon dont elles peuvent être utilisées en économétrie, ainsi que de nombreuses applications économiques. Chaque chapitre contient une série d'exemples empiriques, de programmes et d'exercices pour faciliter l'adoption et la mise en œuvre des techniques par le lecteur. Ce livre s'adresse aux étudiants de master ou de grandes écoles, aux chercheurs et aux praticiens désireux de comprendre et perfectionner leur connaissance du machine learning pour l'appliquer dans un contexte traditionnellement réservé à l'économétrie." |
| Note de contenu : |
1. Introduction
I. Prérequis statistiques 2. Outils statistiques 3. Inférence causale II. Grande dimension et sélection de variables 4. Inférence post-sélection 5. Généralisation et méthodologie 6. Grande dimension et méthodologie 7. Pour aller plus loin III. Hétérogénéité des effets du traitement 8. Inférence sur les effets hétérogènes 9. Apprendre la politique optimale IV. Effets agrégés et prévision macroéconomique 10. La méthode du contrôle synthétique 11. Prévision en grande dimension V. Données textuelles 12. Travailler avec les données textuelles 13. Représentation distribuée des mots 14. Apprentissage supervisé VI. Exercices |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 009261 | X 1041 | Livre | Centre de documentation du CERDI / Ecole d'Economie | Salle de lecture | Sorti jusqu'au 10/10/2024 |
