Modélisation Statistique

OBJECTIFS DU MODULE :

  1. Acquérir une compréhension approfondie des concepts fondamentaux de la recherche quantitative et des statistiques univariées pour analyser des données liées à la gouvernance et à la corruption.
  2. Utiliser les tests de Khi-deux, la corrélation, et les régressions linéaires et non linéaires pour analyser des relations entre variables et modéliser des phénomènes complexes.
  3. Apprendre à tester les hypothèses sous-jacentes aux modèles de régression pour assurer leur validité et éviter les biais dans l'interprétation des résultats.
  4. Comprendre et appliquer les méthodes d'analyse des séries temporelles pour examiner les tendances et les évolutions à long terme dans les données.
  5. Appliquer l'Analyse en Composante Principale (ACP) pour réduire la dimensionnalité des données et identifier des structures sous-jacentes dans des ensembles de données complexes.
  6. Apprendre à construire et à interpréter des modèles de régression logistique pour traiter des données où la variable dépendante est catégorielle.

RESULTATS D’APPRENTISSAGE

À la fin du cours, les étudiants seront capables de :

  1. Maîtriser les fondements de la recherche quantitative et savoir choisir les méthodes statistiques adaptées pour traiter des problématiques liées à la gouvernance et à la corruption.
  2. Appliquer le test de Khi-deux et les analyses de corrélation pour explorer et interpréter les relations entre les variables.
  3. Réaliser des régressions linéaires simples et multiples pour modéliser des relations entre des variables explicatives et dépendantes, en tenant compte des violations possibles des hypothèses de régression.
  4. Identifier les violations des hypothèses des modèles de régression (comme l'hétéroscédasticité ou la colinéarité) et ajuster les modèles en conséquence pour garantir la validité des conclusions.
  5. Modéliser les phénomènes dans le temps afin d’étudier les variations et prévoir des évolutions futures dans des contextes de gouvernance.
  6. Appliquer l'ACP pour explorer les relations entre de nombreuses variables et identifier des facteurs clés qui influencent la corruption et la gouvernance.
  7. Construire et interpréter des modèles de régression logistique pour analyser des variables dépendantes catégorielles, comme la probabilité qu'un pays adopte une politique de lutte contre la corruption.

 

CONTENU PEDAGOGIQUE : Durée : 14 semaines

Ø  Chapitre 1 : Fondements de la Recherche quantitative ; Concepts et Rappel sur les statistiques unies variées et leurs utilités ;

Ø  Chapitre 2 : Test de Khi-deux et corrélation ;

Ø  Chapitre 3 : Régression linéaire et non linéaire simple ;

Ø  Chapitre 4 : Régression linéaire multiple ;

Ø  Chapitre 5 : Test de violation des hypothèses d’un modèle de régression ;

Ø  Chapitre 6 : Analyse des séries temporelles ;

Ø  Chapitre 7 : Introduction à l’Analyse de données multi variées "Analyse en Composante Principale (ACP)" ;

Ø  Chapitre 8 : Régression logistique.

 

REFERENCES BIBLIOGRAPHIQUES :

1.     Bourbonnés, R (2005), Manuel d’Econométrie, Edition Dunod ;

2.     David, R. Anderson, (2015), Statistiques pour l'économie et la gestion, Ed De Boeck ;

3.     Godelieve, M-S et Rafael, C (2013), Analyser les données en sciences sociales ; Ed
P.I.E Peter Lang, Bruxelles ;

4.     Hahn, C et Macé, S ; Méthodes statistiques appliquées au management, 2e Ed
PEARSON ;

5.     Malhotra, N, Décaudin, J-M et Bouguerra, A. (2004), Études marketing avec SPSS. 4e
édition, Pearson Éducation ;

6.     Pierre GHEWY ; Guide pratique de l’analyse de données : Avec application sous
IBM SPSS Statistics et Excel ; Edi de Boeck ; 2010 ;

                                                           

7.     Py, B (2007) ; Statistique descriptive : Nouvelle méthode pour bien comprendre et
réussir ; 5e éd Economica ;

8.     Pupion, P-C (2012) ; Statistiques pour la gestion ; 3ème édition ; Edi Dunod ;

9.     Simard, C (2018), Méthodes quantitatives, Groupe Modulo Inc ;

10.  Simard, C (2015), Méthodes quantitatives avancées, 2eme édition, Groupe Modulo Inc ;

11.  Tuffery, S (2005), Data mining et statistique décisionnelle, Editions Technip ;

12.  Nikam, V et Jhajhria, A et Pal, S (2019), Quantitative methods for social sciences, Ed ICAR.