Nantilus
Machine learning pour l'économétrie
La 4e de couv. indique : "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�...
Enregistré dans:
| Auteurs principaux : | , |
|---|---|
| Format : | Livre |
| Langue : | français |
| Titre complet : | Machine learning pour l'économétrie / Chistophe Gaillac, Jérémy L'Hour |
| Publié : |
Paris :
Economica
, DL 2023 |
| Description matérielle : | 1 vol. (IX-414 p.) |
| Collection : | Collection Économie et statistiques avancées. Série École nationale de la statistique et de l'administration et du Centre d'études des programmes économiques |
| Sujets : |
| LEADER | 04009nam a2200421 4500 | ||
|---|---|---|---|
| 001 | PPN273080067 | ||
| 003 | http://www.sudoc.fr/273080067 | ||
| 005 | 20231204060500.0 | ||
| 010 | |a 978-2-7178-7272-9 |b br. |d 59 EUR | ||
| 035 | |a (OCoLC)1409146091 | ||
| 073 | 1 | |a 9782717872729 | |
| 100 | |a 20231110h20232023k y0frey0103 ba | ||
| 101 | 0 | |a fre |2 639-2 | |
| 102 | |a FR | ||
| 105 | |a a a 001yy | ||
| 106 | |a r | ||
| 181 | |6 z01 |c txt |2 rdacontent | ||
| 181 | 1 | |6 z01 |a i# |b xxxe## | |
| 182 | |6 z01 |c n |2 rdamedia | ||
| 182 | 1 | |6 z01 |a n | |
| 183 | |6 z01 |a nga |2 RDAfrCarrier | ||
| 200 | 1 | |a Machine learning pour l'économétrie |f Chistophe Gaillac, Jérémy L'Hour | |
| 214 | 0 | |a Paris |c Economica |d DL 2023 | |
| 215 | |a 1 vol. (IX-414 p.) |c ill., tabl., graph. |d 24 cm | ||
| 225 | 0 | |a Économie et statistiques avancées |i École Nationale de la Statistique et de l'Administration Économique et Centre d'Études des Programmes Économiques | |
| 320 | |a Bibliogr. en fin de chapitre. Index | ||
| 330 | |a La 4e de couv. indique : "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 oeuvre 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." | ||
| 359 | 2 | |p P. 1 |c Chapitre 1. Introduction |p P. 19 |b I. Prérequis statistiques |p P. 21 |c Chapitre 2. Outils statistiques |p P. 57 |c Chapitre 3. Inférence causale |p P. 73 |b II. Grande dimension et sélection de variables |p P. 75 |c Chapitre 4. Inférence post-sélection |p P. 109 |c Chapitre 5. Généralisation et méthodologie |p P. 129 |c Chapitre 6. Grande dimension et endogénéité |p P. 149 |c Chapitre 7. Pour aller plus loin |p P. 171 |b III. Hétérogénéité des effets du traitement |p P. 173 |c Chapitre 8. Inférence sur les effets hétérogènes |p P. 221 |c Chapitre 9. Apprendre la politique optimale |p P. 239 |b IV. Effets agrégés et prévision macroéconomique |p P. 241 |c Chapitre 10. La méthode du contrôle synthétique |p P. 275 |c Chapitre 11. Prévision en grande dimension |p P. 303 |b V. Données textuelles |p P. 309 |c Chapitre 12. Travailler avec les données textuelles |p P. 335 |c Chapitre 13. Représentation distribuée des mots |p P. 359 |c Chapitre 14. Apprentissage supervisé |p P. 391 |b VI. Exercices |p P. 393 |c Chapitre 15. Exercices |p P. 413 |b Index des théorèmes & lemmes | |
| 410 | | | |0 001013947 |t Collection Économie et statistiques avancées. Série École nationale de la statistique et de l'administration et du Centre d'études des programmes économiques |x 0154-196X | |
| 606 | |3 PPN027232751 |a Économétrie |2 rameau | ||
| 606 | |3 PPN027359875 |a Modèles économétriques |2 rameau | ||
| 606 | |3 PPN027940373 |a Apprentissage automatique |2 rameau | ||
| 700 | 1 | |3 PPN255189605 |a Gaillac |b Christophe |f 1989-.... |4 070 | |
| 701 | 1 | |3 PPN241692466 |a L'Hour |b Jérémy |f 1990-.... |4 070 | |
| 801 | 3 | |a FR |b Abes |c 20231110 |g AFNOR | |
| 979 | |a DEC | ||
| 930 | |5 441092103:804605122 |b 441092103 |j u | ||
| 998 | |a 952019 | ||