Si vous êtes intéressé par le programme de licence en économie de l'USF, le Master en économie appliquée (MSAE) ou le Master en économie internationale et du développement (MSIDEC), consultez le Linktree de notre département.
Par ailleurs, j'utilise cet espace pour mettre à disposition des ressources, et en particulier ce que je considère comme les meilleures pratiques, à l'intention des étudiants actuels.
Vous voulez apprendre l'économétrie
En règle générale, toutes les statistiques se ressemblent. Il y a des données. Il y a un estimateur. On examine l'estimateur et on réfléchit. Si on a de la chance, on se trompe un peu moins, ou quelque chose du genre. Quoi qu'il en soit, si vous souhaitez vous améliorer, je recommande de travailler les ressources suivantes.
Matériaux d'introduction, philosophie générale
- Le collègue de l'USF Mike Jonas propose de très accessibles vidéos YouTube couvrant l'économétrie d'introduction au niveau licence.
- Mes diapositives sur les dispositifs de recherche en économie et la « révolution de l'identification ». Voir aussi ceci, cela, encore cela et ainsi de suite.
- Data over Space and Time de Shalizi est un excellent cours d'introduction, tout comme son Undergraduate Advanced Data Analysis / ADAEPOV, selon votre définition du mot « introduction ». Son blog est une source d'inspiration pour les nerds ésotériques de tout poil, notamment ses récents billets dans le domaine des shoggothim.
- ISLR est excellent et largement plébiscité pour de bonnes raisons, en plus d'une abondance de matériel complémentaire.
- Statistical Rethinking de McElreath est pratiquement garanti de faire de vous un meilleur statisticien.
- Les cours de Heiss sont excellents et très riches en markdown, notamment sur l'évaluation d'impact et la mesure.
- … vous devriez probablement vous abonner aux e-mails hebdomadaires gratuits du National Bureau of Economic Research.
- … vous pourriez aussi simplement lire tout ce que Gelman a jamais publié sur son blog.
Se tenir au courant des avancées épistémologiques
- Goldsmith-Pinkham propose un flux constant de biens publics en matière de données, notamment dans son cours Applied Empirical Methods.
- Causal Inference for the Brave and True de Facure est excellent, et constitue peut-être le meilleur traitement actuel des méthodes d'apprentissage automatique causal.
- Sans vouloir paraître condescendant, de nos jours, chaque fois que je tombe sur un nouvel estimateur, un problème de construction d'échantillon pervers ou un développement terrifiant dans la littérature sur les différences-en-différences, j'aime le soumettre à Claude, puis, si nécessaire, développer une petite démonstration en R ou Python avec Claude Code pour comprendre comment ça fonctionne. J'aurai plus à dire là-dessus très bientôt.
- Sur ce point : comment utiliser Claude Code de façon optimale ? La chose évolue évidemment, mais Sant'Anna propose d'excellentes notes de configuration ici, Antonio Mele a de bons outils ici, et Goldsmith-Pinkham donne des conseils généraux ici.