小瓢虫传媒

Enseignants

Beine Michel (suppl茅e Dejemeppe Muriel); Dejemeppe Muriel;

Langue
d'enseignement

贵谤补苍莽补颈蝉

笔谤茅补濒补产濒别蝉

Le(s) pr茅requis de cette Unit茅 d鈥檈nseignement (UE) sont pr茅cis茅s 脿 la fin de cette fiche, en regard des programmes/formations qui proposent cette UE.

Th猫mes abord茅s

Le cours couvre les outils de base de l'茅conom茅trie 脿 un niveau introductif. Des exemples d'application des m茅thodes 脿 des probl猫mes d'茅conomie et de gestion sont inclus. Un aspect important du cours est l'apprentissage de la mod茅lisation 茅conom茅trique : comment passer d'une relation th茅orique, abstraite et g茅n茅rale entre des variables 茅conomiques, 脿 la formulation et 脿 l'estimation d'une forme particuli猫re de cette relation dans un contexte donn茅. L'apprentissage d'un logiciel 茅conom茅trique est inclus dans le cours.

Acquis
d'apprentissage

A la fin de cette unit茅 d鈥檈nseignement, l鈥櫭﹖udiant est capable de :
1	Le cours est une introduction 脿 la th茅orie et 脿 la pratique de l'茅conom茅trie. L'accent est mis sur la compr茅hension des m茅thodes et sur leur pertinence pour la r茅solution de probl猫mes d'茅conomie et de gestion. In fine, l'茅tudiant doit 锚tre capable d'utiliser les m茅thodes enseign茅es pour la r茅solution de questions simples, et d'interpr茅ter les r茅sultats d'une analyse 茅conom茅trique tout en 茅tant conscient des limites des m茅thodes.

Contenu

Analyse de la r茅gression lin茅aire sur donn茅es transversales
Chapitre 1. Introduction g茅n茅rale
Chapitre 2. Le mod猫le de r茅gression lin茅aire simple
Chapitre 3. Le mod猫le de r茅gression lin茅aire multiple : Estimation
Chapitre 4. Le mod猫le de r茅gression lin茅aire multiple : Test d鈥檋ypoth猫se
Chapitre 5. Le mod猫le de r茅gression lin茅aire multiple : Propri茅t茅s asymptotiques
Chapitre 6. Le mod猫le de r茅gression lin茅aire multiple : Questions avanc茅es
Chapitre 7. Le mod猫le de r茅gression lin茅aire multiple avec information qualitative
Chapitre 8. Le mod猫le de r茅gression lin茅aire multiple : H茅t茅rosc茅dasticit茅
Chapitre 9. Le mod猫le de r茅gression lin茅aire multiple : Sp茅cification et probl猫mes li茅s aux donn茅es
+ Introduction au logiciel d'analyse statistique STATA

M茅thodes d'enseignement

Le cours comprend des expos茅s magistraux de l'enseignant en auditoire qui sont retransmis en direct sur Teams (enseignement comodal), ainsi que des s茅ances聽de travaux pratiques sur ordinateur qui sont organis茅es par les assistants et fonctionnent selon un mode d'enseignement hybride (essentiellement distanciel, avec des s茅ances questions/r茅ponses en salle informatique).
Lors du cours magistral, l'enseignant explique la th茅orie sur base de transparents.聽Les m茅thodes d'estimation sont chaque fois illustr茅es par des exemples d'application dans divers domaines de l'茅conomie et de la gestion. Pendant le cours, des s茅ances de questions/r茅ponses avec les 茅tudiants聽sont organis茅es. L'茅tudiant compl猫te聽sa compr茅hension du cours sur base d'un livre de聽r茅f茅rence.
Lors des s茅ances de travaux pratiques, les 茅tudiants apprennent 脿 mettre en oeuvre les m茅thodes d'estimation vues au cours sur des donn茅es r茅elles. Cette apprentissage se r茅alise sur ordinateur聽avec le logiciel STATA. Au d茅but du quadrimestre,听les 茅tudiants sont invit茅s 脿 s'initier au logiciel STATA via une formation en ligne.
Si la situation sanitaire se d茅t茅riore, ces modalit茅s d'enseignement pourront 茅voluer vers un enseignement exclusivement 脿 distance.

Modes d'茅valuation
des acquis des 茅tudiants

Autres infos

Pr茅-requis :
1) LECGE 1112 A ou B - Math茅matiques en 茅conomie et gestion
2) LECGE 1114 A ou B - Statistique en 茅conomie et gestion

Ressources
en ligne

Slides du cours mis en ligne au fur et 脿 mesure de l鈥檃vanc茅e dans la mati猫re, voir Moodle UCL ().

Bibliographie

Livre聽de r茅f茅rence (reference book) :
Jeffrey Wooldridge (2016), Introductory Econometrics: A Modern Approach,听6th Edition, Cengage Learning.

Facult茅 ou entit茅
en charge

ESPO