Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Econometrics ml final 1 Économétrie Machine Learning Arthur Charpentier Université de Rennes CREM Emmanuel Flachaire Aix-Marseille Université AMSE CNRS EHESS et Antoine Ly Université Paris-Est Résumé L ? économétrie et l ? apprentissage machine semblent a

Économétrie Machine Learning Arthur Charpentier Université de Rennes CREM Emmanuel Flachaire Aix-Marseille Université AMSE CNRS EHESS et Antoine Ly Université Paris-Est Résumé L ? économétrie et l ? apprentissage machine semblent avoir une ?nalité en commun construire un modèle prédictif pour une variable d ? intérêt à l ? aide de variables explicatives ou features Pourtant ces deux champs se sont développés en parallèle créant ainsi deux cultures di ?érentes pour paraphraser Breiman a Le premier visait à construire des modèles probabilistes permettant de décrire des phénomèmes économiques Le second utilise des algorithmes qui vont apprendre de leurs erreurs dans le but le plus souvent de classer des sons des images etc Or récemment les modèles d ? apprentissage se sont montrés plus e ?caces que les techniques économétriques traditionnelles avec comme prix à payer un moindre pouvoir explicatif et surtout ils arrivent à gérer des données beaucoup plus volumineuses Dans ce contexte il devient nécessaire que les économètres comprennent ce que sont ces deux cultures ce qui les oppose et surtout ce qui les rapproche a ?n de s ? approprier des outils développés par la communauté de l ? apprentissage statistique pour les intégrer dans des modèles économétriques JEL Code C C C Key-words apprentissage données massives économétrie modélisation moindres carrés Juillet CContents Introduction La Modélisation économétrique Applications Les Données massives Statistique computationnelle et non-paramétrique Plan de l ? article Économétrie et modèle probabiliste Lois conditionnelles et vraisemblance Les résidus Géométrie du modèle linéaire gaussien Du paramétrique au non-paramétrique Famille exponentielle et modèles linéaires Régression logistique Qualité d ? un ajustement et choix de modèle Économétrie et tests statistiques Sous- et sur-identi ?cation Quitter la corrélation pour quanti ?er un e ?et causal Philosophie des méthodes de machine learning Apprentissage et fonctions de perte Apprentissage machine et optimisation Autres fonctions de perte et interprétations probabilistes Boosting et apprentissage séquentiel Lent Sur-apprentissage et pénalisation In-sample et out-of-sample Techniques de validation croisée Quelques algorithmes de machine learning Réseaux de Neurones Support Vecteurs Machine Arbres Bagging et Forêts Aléatoires Sélection de modèle de classi ?cation De la classi ?cation à la régression Applications Les ventes de sièges auto pour enfants classi ?cation L ? achat d ? une assurance caravane classi ?cation Les défauts de remboursement de crédits particuliers classi ?cation Les déterminants des salaires régression Les déterminants des prix des logements à Boston régression Conclusion C Introduction L ? utilisation de techniques quantitatives en économie remonte probablement au ème siècle comme le montre Morgan Mais il faudra attendre le début du XXième siècle pour que le terme ??économétrie ? soit utilisé pour la première fois donnant naissance à l ? Econometric Society en Les techniques de machine learning apprentissage machine sont plus récentes C ? est à Arthur Samuel considéré comme le père du premier programme d ? auto-apprentissage que l ? on doit le terme ??machine learning ? qu ? il dé ?nit comme ??a ?eld of study that gives computer the ability without being explicitly programmed ? Parmi