ANALYSE STATISTIQUE APPLIQUEE - R
[ASA - R]
[ASA - R]
Présentation et objectifs pédagogiques
Destiné aux étudiant-e-s de première année des Masters APE et MECI, cet enseignement offre un large panorama sur la statistique et l'économétrie appliquées aux données en coupe transversale et introduit les méthodes sur données de panel. Utilisant Rstudio, certains packages du tidyverse et l'environnement RMarkdown, ce cours propose aux étudiant-e-s de devenir autonomes dans l'utilisation des techniques usuelles de l'analyse quantitative en sciences sociales (socio-économie en particulier) en leur permettant de développer différentes compétences : (i.) connaître les outils statistiques et économétriques adaptés afin d'apporter des réponses quantitatives à des questions du même ordre, (ii.) maîtriser le Rbase et les packages du tidyverse pour gérer des bases de données (packages readr, dplyr) et les fonctionnalités essentielles Rstudio pour conduire une première analyse statistique à partir d'un jeu de données, (iii.) interpréter et mettre en valeur des résultats inférentiels et économétriques à l'aide de visualisations adaptées et de tableaux pertinents (packages ggplot2, rstatix et KableExtra), (iv.) réaliser collectivement un projet statistique, travailler en équipe sur RMarkdown.
Organisation et déroulement
Trois grandes parties composent ce cours depuis le data management et l'analyse descriptive et inférentielle, jusqu'à l'économétrie appliquée avec les modèles linéaires et leurs extensions aux fonctions non linéaires. Les étudiant-e-s retrouveront toutes les informations en ligne sur cette page dédiée au cours. A la fin du semestre, les étudiant-e-s devront réaliser et restituer un travail en groupe qui prendra la forme d'un rapport d'étude statistique compilé sous l'environnement Markdown. A partir d'applications pédagogiques, les étudiant-e-s seront accompagné-e-s dans leur pratique de Rstudio tout au long du semestre par la mise à disposition de jeux de données, une communauté (ASA-R sur le forum DATALAB) dédiée aux questions de "syntaxe" (script), de "tronçons" (chunk) ou de "tricotage" (knitr/compilation) (https://helpstudents.tribe.so) et leur apprentissage sera guidé par la réalisation de deux fiches d'exercices. Les étudiant-e-s peuvent enfin prendre rendez-vous durant les heures de permanence (vendredi 10h30-12h).
Modalités d'évaluation
Les étudiant-e-s sont évalué-e-s individuellement et collectivement en 100% CC.
- Assiduité, implication et participation : 10%
- Présence durant le semestre
- Participation en séance, questions posées, implication sur le forum
- Fiche individuelle : 50%
- Projet statistique collectif : 40% à rendre en ligne
Syllabus
|
Toutes les informations utiles concernant le cours d'ASA-R
Document disponible ici : [LINK] |
| ||
Supports de cours et ressources
|
SEANCE 1 : Introduction
Qu'est-ce que l'ASA et prise en main de Rstudio
[Séance 1] [Lectures conseillées] [Fiche RStudio] |
|
|
SEANCE 2 : Data management
Gestion de bases de données : Rbase vs. Tidyverse
[Séance 2] [Lectures conseillées] [Fiches Dplyr & Reader]
|
| ||||||
|
SEANCE 3 : Projet et rapport
Organiser un travail sur Rstudio
[Séance 3] [Lectures conseillées] [Fiche RMarkdown] |
|
|
SEANCE 4 : Basic statistics
Statistiques univariées, bivariées et visualisations
[Séance 4] [Lectures conseillées] [Fiche ggplot2]
|
| ||||||
|
SEANCE 5 : Inférence statistique I
Tests d'adéquation et d'homogénéité
[Séance 5] [Lectures conseillées] |
|
|
Pour aller plus loin : Inférence statistique II
Tests d'association
[Séance 6] [Lectures conseillées] |
|
|
|
SEANCE 7 : Modèle linéaire simple I
Modélisation et estimation
[Séance 7] [Lectures conseillées] |
|
|
SEANCE 8 : Modèle linéaire simple II
Qualité, hypothèses, dummy et homoscédasticité
[Séance 8] [Lectures conseillées] |
|
|
SEANCE 9 : Modèle linéaire multiple
Extension du modèle linéaire : régression multiple
[Séance 9] [Lectures conseillées] |
|
|
Pour aller plus loin : Modèle linéaire et fonctions non linéaires
Modèles log, log-log et interactions
[Lectures conseillées] |
|
|
SEANCE 11 : Rapport économétrique et discussion
Produire, commenter et discuter des résultats économétriques
[Séance 11] [Lectures conseillées] |
|
|
Etude économétrique en groupe
A rendre avant le 8-01-2023 [Sujet] [Documents complémentaires] [Formulaire de dépôt] |
|
Fiches méthodologiques
|
Fiche et exemple questionnaire
|
Fiche échantillonnage
|
|
| ||||||
Forum pour répondre à toutes vos questions
Vous pouvez me poser toutes vos questions sur le forum "Help Students" en vous connectant et en allant sur les topics qui concernent le cours d'ASA-R : [LINK]
Ressources R, Rstudio et RMarkdown
Tutoriel pour installer R et Rstudio [LINK]
R pour les débutants d'Emmanuel Paradis [LINK]
Autres ressources importantes R, Rstudio et Markdown (github...)
Quick-R est un très bon site d'aide à la programmation et à l'analyse statistique avec R [LINK]
The R Graph Gallery [LINK]
R for Statistics de Pierre-André Cornillon et al. [LINK]
Régression avec R de Pierre-André Cornillon et Eric Matzner-Lober [LINK]
YaRrr ! THe Pirates' Guide to R de Nathaniel D. Phillips [LINK]
Getting Used to R, RStudio, and R Markdown de Chester Ismay et Patrick Kennedy [LINK]
Introduction à R et au tidyverse de Julien Barnier [LINK]
The R Graph Gallery [LINK]
R for Statistics de Pierre-André Cornillon et al. [LINK]
Régression avec R de Pierre-André Cornillon et Eric Matzner-Lober [LINK]
YaRrr ! THe Pirates' Guide to R de Nathaniel D. Phillips [LINK]
Getting Used to R, RStudio, and R Markdown de Chester Ismay et Patrick Kennedy [LINK]
Introduction à R et au tidyverse de Julien Barnier [LINK]
Références importantes pour ce cours
Cornillon, P.-A., Guyader, A., Husson, F., Jégou, N., Josse, J., Kloareg, M., Matzner-Lober, E., and Rouvière, L. (2012). Statistiques avec R. Presses Universitaires de Rennes, Rennes. [BU Grands Moulins : 519.22 STA]
Denis, D. J. (2015). Applied Univariate, Bivariate, and Multivariate Statistics. Wiley-Blackwell, Hoboken.
Denis, D. J. (2020). Univariate, Bivariate, and Multivariate Statistics Using R : Quantitative Tools for Data Analysis and Data Science. Wiley-Blackwell, Hoboken. [BU Grands Moulins : 519.22 DEN]
Irizarry, R. A. (2019). Introduction to Data Science : Data Analysis and Prediction Algorithms With R. CRC Press, Boca Raton.
Stock, J. H. and Watson, M. (2014). Principes d'économétrie. Pearson, Paris. [BU Grands Moulins : 330.4 STO]
Stock, J. H. and Watson, M. W. (2015). Introduction to Econometrics : Global Edition. Pearson.
Wooldridge, J. (2018). Introduction à l'économétrie : une approche moderne. De Boeck Supérieur, Bruxelles, 2nd edition.
Denis, D. J. (2015). Applied Univariate, Bivariate, and Multivariate Statistics. Wiley-Blackwell, Hoboken.
Denis, D. J. (2020). Univariate, Bivariate, and Multivariate Statistics Using R : Quantitative Tools for Data Analysis and Data Science. Wiley-Blackwell, Hoboken. [BU Grands Moulins : 519.22 DEN]
Irizarry, R. A. (2019). Introduction to Data Science : Data Analysis and Prediction Algorithms With R. CRC Press, Boca Raton.
Stock, J. H. and Watson, M. (2014). Principes d'économétrie. Pearson, Paris. [BU Grands Moulins : 330.4 STO]
Stock, J. H. and Watson, M. W. (2015). Introduction to Econometrics : Global Edition. Pearson.
Wooldridge, J. (2018). Introduction à l'économétrie : une approche moderne. De Boeck Supérieur, Bruxelles, 2nd edition.