année - Ensai
Transcription
année - Ensai
Programme des enseignements 2e année ANNEE SCOLAIRE 2016 / 2017 Ensai Programme des enseignements de 2ème année 2016/2017 PROGRAMME DES ENSEIGNEMENTS DE 2ÈME ANNÉE ANNÉE SCOLAIRE 2016/2017 1 Ensai Programme des enseignements de 2ème année 2016/2017 Table des matières Présentation générale des enseignements ............................................................................ 5 Les grands domaines d'enseignement ................................................................................... 9 Tableau récapitulatif des enseignements 2A ....................................................................... 19 Enseignements du premier semestre .................................................................................. 21 Modèles de régression .......................................................................................................... 23 Séries temporelles ................................................................................................................. 24 Statistique exploratoire multivariée ..................................................................................... 26 Théorie des sondages ............................................................................................................ 27 Projet informatique ............................................................................................................... 29 Econometrics I ....................................................................................................................... 30 Econometrics II ...................................................................................................................... 32 Analyse de variance ............................................................................................................... 33 Anglais ................................................................................................................................... 34 Enseignements du deuxième semestre : tronc commun pour les élèves attachés .............. 37 Projet statistique ................................................................................................................... 39 Modèle linéaire généralisé et régression sur variables catégorielles ................................... 40 Données manquantes ........................................................................................................... 41 Méthodes de discrimination ................................................................................................. 42 Python pour le statisticien public .......................................................................................... 43 Cartographie.......................................................................................................................... 44 Economie du risque ............................................................................................................... 47 Empirical Macroeconomics ................................................................................................... 48 Panorama du Big Data ........................................................................................................... 49 Enseignements du deuxième semestre : tronc commun pour les élèves ingénieurs ........... 51 Projet statistique ................................................................................................................... 53 Modèle linéaire généralisé et régression sur variables catégorielles ................................... 54 Statistique computationnelle ................................................................................................ 55 Modèles de durée ................................................................................................................. 57 Programmation avancée en R ............................................................................................... 60 Econométrie non paramétrique ............................................................................................ 61 Economie du risque ............................................................................................................... 62 Enseignements de deuxième semestre : cours électifs ....................................................... 63 Modèles avancés de régression ............................................................................................ 64 3 Ensai Programme des enseignements de 2ème année 2016/2017 Chaînes de Markov ................................................................................................................65 Analyse de données répétées (pour les élèves ingénieurs) ...................................................66 Martingales et processus de Lévy ..........................................................................................67 Modèles de durée ..................................................................................................................68 Méthodes de discrimination (pour les élèves ingénieurs) .....................................................69 Technologies mobiles ............................................................................................................70 Visual Basic Application (pour les élèves ingénieurs) .............................................................71 Panorama du Big Data (pour les élèves ingénieurs) ...............................................................72 Python pour l’ingénieur .........................................................................................................73 Education, Human Capital, and Growth ................................................................................74 Economie des contrats...........................................................................................................75 Economie Industrielle ............................................................................................................76 Enseignements optionnels et de communication ................................................................ 77 Projet professionnel ingénieurs .............................................................................................78 Projet professionnel attachés ................................................................................................79 Participation aux activités associatives ..................................................................................80 Sport.......................................................................................................................................82 Cours d’ouverture ..................................................................................................................83 Langues optionnelles .............................................................................................................84 Enseignements spécifiques aux élèves attachés .................................................................. 85 LibreOffice Basic.....................................................................................................................86 Méthodologie d’enquête .......................................................................................................87 Techniques rédactionnelles ...................................................................................................88 Comptabilité nationale ..........................................................................................................89 Lutte contre la discrimination ................................................................................................90 4 Ensai Programme des enseignements de 2ème année 2016/2017 Présentation générale des enseignements Créée depuis 20 ans, l’Ensai est la seule grande école d’ingénieurs habilitée par la Commission des Titres d’Ingénieur, à être spécialisée dans le traitement de l’information et la statistique. L’école est positionnée sur un secteur en pleine croissance, afin de répondre aux demandes de plus en plus nombreuses des entreprises dans le domaine de l’analyse de l’information. Par ses six filières, l’école offre des compétences reconnues dans des spécialités encore nouvelles et qui trouvent leur place dans un nombre croissant de secteurs d’activités, de l’industrie à la banque, en passant par les services aux entreprises ou la santé , en France ou à l’étranger. Pour permettre aux élèves d’accéder aux multiples fonctions de l’ingénierie statistique, l’enseignement s’appuie sur 3 grands piliers : statistique, informatique et économie. La scolarité se déroule en trois ans pour les élèves ingénieurs et en deux ans pour les élèves attachés. Ces derniers ont cependant la possibilité d’obtenir un diplôme de master en statistique publique dans le cadre de la formation continue de l’Insee. Durant les deux premières années de scolarité à l'Ensai, les élèves ingénieurs et les élèves attachés suivent en commun la plupart des enseignements, passent les mêmes contrôles, ème sont notés ensemble. Toutefois au second semestre de 2 année, les parcours se différentient sensiblement. Les élèves ingénieurs ont des enseignements qui les renforcent dans les ème compétences d’ingénieur statisticien et les préparent aux filières de 3 année. Les élèves attachés reçoivent une formation plus orientée vers les connaissances utiles au statisticien public, que ce soit en tant que méthodologue chargé d’études ou concepteur d’enquêtes. PREMIERE ANNEE En première année, les enseignements (en statistique, probabilités, mathématiques, informatique, économie, sciences sociales, gestion) introduisent aux méthodes de raisonnement et aux connaissances de base nécessaires pour acquérir une bonne culture générale dans les domaines abordés, méthodes et connaissances qui seront approfondies et complétées dans les enseignements de seconde et de troisième année. Pour tenir compte des connaissances spécifiques des élèves recrutés, les programmes sont différenciés selon la voie d’entrée. Ainsi les élèves venant de la voie mathématique (concours communs polytechniques, L3 math…) ou des IUT Stid ont un enseignement renforcé en écoer nomie au 1 semestre pour rattraper leur retard par rapport aux élèves venant de la voie « économie ». De façon symétrique, les élèves venant de la voie économie (prépa BL, Cachan D2, L3 économie…) suivent des cours complémentaires de mathématiques (algèbre, td d’analyse) pour acquérir les bases utiles dans l’apprentissage ultérieur des statistiques. 5 Ensai Programme des enseignements de 2ème année 2016/2017 La pédagogie des enseignements des probabilités et des bases de la statistique est aussi adaptée à ces différences de cursus d’origine, pour faciliter l’assimilation des notions nouvelles. En informatique, les étudiants issus de la voie mathématique et de la voie IUT Stid suivent un cours de complexité et de calculabilité tandis que les autres étudiants bénéficient d’un cours d’introduction à l’algorithmique et à la programmation. Les autres enseignements sont communs et permettent de regrouper toute la promotion de ère 1 année. Il s’agit notamment des logiciels statistiques (SAS, R), la macro et la microéconomie, les cours d’ouverture et l’anglais. ère A l’issue de cette 1 année, les élèves disposent d’un socle de connaissances commun en ème mathématique/statistique, économie et informatique qui leur permet de poursuivre en 2 année dans un cursus où l’origine n’est plus différenciée. ère Un stage de un à deux mois conclut cette 1 année : stage de découverte de la statistique publique pour les attachés stagiaires et stage opérateur pour les élèves ingénieurs. DEUXIEME ANNEE Au cours de la deuxième année, l'enseignement se poursuit au travers de cours fondamentaux, pour certains introductifs, pour d'autres d’approfondissement. L’essentiel est dispensé ème sous forme d’enseignements de tronc commun. Pour autant, au 2 semestre, les élèves choisissent aussi des cours électifs en fonction de leurs souhaits et des connaissances qu’ils ème année (ingénieurs élèves) ou leur veulent acquérir pour préparer leur spécialisation de 3 entrer dans le monde professionnel (la plupart des élèves attachés). Pour les élèves ingénieurs, l’année se termine par un stage d’application en statistique de 2 à 3 mois. TROISIEME ANNEE Les filières de troisième année ne concernent que les élèves ingénieurs. Elles visent à leur donner une véritable spécialisation, tout en leur faisant découvrir progressivement l’univers professionnel. Les intervenants sont, pour l’essentiel, issus du monde de l’entreprise, ce qui permet aux étudiants d’avoir un premier aperçu des problématiques auxquelles ils seront confrontés à la sortie de l’École. L’enseignement est complété par des séminaires professionnels. La formation est ensuite clôturée par un stage de fin d’études de 5 à 6 mois, à partir de début avril. Placés dans des services statistiques, informatiques ou économiques d'entreprises publiques ou privées, les stagiaires y apprennent à mobiliser et mettre en œuvre les connaissances acquises à l'École et découvrent leur futur milieu professionnel. LES SIX FILIERES DE SPECIALISATION DE 3E ANNEE Gestion des risques et ingénierie financière Cette filière répond aux développements accélérés des marchés financiers et à la pratique de la gestion des risques au sein des organismes financiers. Grâce à une approche transversale qui allie l’utilisation intensive des statistiques, la modélisation stochastique et des méthodes numériques, ainsi que la conception et le perfectionnement des applications informatiques, cette filière entend former des ingénieurs à la pointe des innovations financières et technologiques. Les trois grands domaines de compétences de cette filière sont : la réglementation et la gestion des risques bancaires – l’allocation et les stratégies d’investissement – l’innovation en ingénierie financière. 6 Ensai Programme des enseignements de 2ème année 2016/2017 Marketing quantitatif et revenue management Cette filière répond à l’importance croissante accordée au marketing relationnel. L’étude du comportement du consommateur est vitale pour toute organisation en raison des conséquences qu’elle entraîne pour toutes les décisions marketing : positionnement des marques, segmentation des marchés, développement de nouveaux produits, stratégies publicitaires, choix de canaux de distribution, etc. Cette analyse fait appel à des systèmes d’aide à la décision, dont les composantes sont les bases de données recueillies dans l’organisation ou son environnement, les méthodes statistiques qui permettent d’analyser ces données ainsi que de nombreux modèles théoriques. L’approche est pluridisciplinaire, avec la mobilisation de connaissances en économie mais aussi en psychologie ainsi qu’en sociologie. Statistique pour les sciences de la vie Après des compléments en statistique, notamment en données de survie, modèles mixtes et analyse séquentielle, les enseignements apportent les outils nécessaires pour une spécialisation dans le domaine de l’expérimentation. Les cours d’épidémiologie, d’essais cliniques et de plans d’expériences permettent en particulier aux étudiants de recevoir une solide formation pour des applications dans le secteur de la santé. Génie statistique Cette voie de spécialisation donne aux étudiants des compétences avancées dans divers domaines de la statistique appliquée à l’industrie, aux services, à l’environnement. Les thèmes abordés incluent la qualité et la fiabilité, le traitement de l’image et du signal, ainsi que la prévision et ses applications, notamment dans le domaine de l’environnement. Statistique et ingénierie des données A l’issue de cette filière, les étudiants possèdent des compétences complémentaires dans le traitement de l’information, notamment dans les domaines du datamining et des technologies web. Les quatre piliers d’enseignement de cette voie couvrent l'informatique décisionnelle, la manipulation de larges volumes de données, les bases de données et le développement d’applications en réseau. Cette filière ouvre sur de très nombreux domaines professionnel, le métier de « Data Scientist » étant omniprésent aujourd’hui dans les grands groupes. Ingénierie statistique des territoires et de la santé Cette filière vise à donner un bagage en ingénierie statistique et économétrie appliqué à la connaissance des dynamiques territoriales et à la santé, et permettant l’évaluation des politiques publiques. Les outils statistiques et économétriques, notamment en microéconométrie, constituent le socle de cette filière. Mais les enseignements vont bien au-delà et donnent une vision globale des dynamiques de territoire (marché du travail, migration, urbanisation…), ils font le lien avec l’évaluation économique de la santé qui prend une place majeure en France et dans le monde. Les liens entre démographie et santé, urbanisation et économie spatiale sont, par exemple, étudiés avec l’œil à la fois du politique public et du statisticien. Cette filière ouvre sur de très nombreux domaines de la décision économique, que ce soit dans le secteur public (ministères, santé, sécurité sociale...) ou privé (cabinets d'étude, laboratoires pharmaceutiques, bureaux de conseils...). L’OPTION DE FORMATION PAR LA RECHERCHE Les élèves qui souhaitent faire de la recherche théorique ou appliquée après l'Ensai peuvent bénéficier de facilités offertes au cours de leur scolarité : possibilité, dans le cadre de conventions passées avec des universités, de suivre des cours de master 2 pendant leur troisième 7 Ensai Programme des enseignements de 2ème année 2016/2017 année pour obtenir ce diplôme en même temps que celui de l'Ensai, d’avoir des contacts privilégiés avec les laboratoires de recherche universitaires et ceux d'autres Grandes Écoles, avec le Centre de Recherche en Économie et Statistique du Groupe des Écoles Nationales d’Économie et Statistique – le Crest –, de bénéficier d'un encadrement personnalisé par un « tuteur » spécialiste du domaine dans lequel l'élève souhaite poursuivre ses recherches, possibilité d'effectuer le stage de troisième année dans un laboratoire de recherche, etc. LE MASTER EN STATISTIQUE PUBLIQUE Les élèves titularisés comme attachés statisticiens de l'Insee peuvent obtenir un master en statistique publique dans le cadre de la formation continue de l’Insee : - Intégrée, c'est-à-dire dans le prolongement de leur deuxième année de scolarité à l'Ensai, - Décalée, c'est-à-dire de façon discontinue au cours de leurs premières années de fonction. Ce master est cohabilité avec l’Université de Rennes 1 et comporte trois parcours au choix : statistiques et traitement des données, méthodologie de la statistique publique ou études statistiques. 8 Programme des enseignements de 2ème année Ensai 2016/2017 Les grands domaines d'enseignement En dehors de quelques enseignements très spécialisés de troisième année, les cours peuvent être regroupés en quatre grands domaines : 1. Mathématiques, probabilités, statistique 2. Informatique 3. Économie, gestion et sciences sociales 4. Humanités MATHEMATIQUES, PROBABILITES, STATISTIQUE La statistique fait partie intégrante des mathématiques appliquées. Elle se base sur le calcul des probabilités. En première année, après des compléments de mathématiques nécessaires à une mise à niveau des étudiants n’ayant pas fréquenté les classes préparatoires scientifiques, ainsi qu’un cours d’optimisation dispensé à l’ensemble des élèves, quatre cours fondamentaux pour la compréhension des techniques statistiques enseignées par la suite sont abordés : des notions fondamentales de probabilités à la statistique inférentielle et aux tests. Ces cours, sur lesquels s’appuient des TD, sont complétés par une série de TP informatisés permettant une mise en œuvre pratique des concepts vus dans les cours de base, soit par une première étude statistique de fichiers, comprenant les méthodes usuelles de la statistique exploratoire, soit par l’utilisation des techniques de simulation. Les élèves réalisent également un projet statistique, en groupe, mettant en œuvre des méthodes de statistique descriptive. La seconde année est centrée sur l’apprentissage des techniques utiles au statisticien de profession : la modélisation, paramétrique ou non, d’une régression, l’analyse non inférentielle de données multivariées, l’étude des séries chronologiques modélisables par la méthode de Box-Jenkins, la théorie des sondages, l’analyse des modèles à choix discrets. Ces bases sont complétées, selon le statut de l’élève et les choix, par un cours de modèles de durée, une initiation aux processus stochastiques, comprenant une introduction aux files d’attente, un premier cours de plans d’expérience, un cours portant sur les méthodologies statistiques assistées par ordinateur, et des compléments d’analyse des données. Un projet statistique, encadré par des professionnels et fonctionnant en petits groupes, permet aux élèves de mettre en œuvre sur des données réelles un large éventail des techniques étudiées au cours des deux premières années. Les cours de troisième année s’inscrivent dans des voies de spécialisation. Ils présentent les développements spécifiques des probabilités et de la statistique utiles au domaine étudié, tout en apportant les connaissances indispensables sur l’environnement dans lequel sera amené à travailler le statisticien. INFORMATIQUE L'enseignement informatique de première année est adossé à trois concepts principaux : la conception d'applications, le développement logiciel et le stockage de données. La conception d'applications, est abordée dans le cadre de la modélisation d'applications orientées objet ainsi qu'en modélisation de bases de données. Tous les enseignements de modélisation s'appuient sur le même métalangage : UML. Le développement logiciel est introduit dans un premier temps avec les notions algorithmiques de base, ces dernières sont mises en œuvre avec 9 Ensai Programme des enseignements de 2ème année 2016/2017 un langage de programmation utilisant les mêmes bases de programmation que le langage Java. Ceci permet de découvrir la programmation impérative tout en ayant mis en œuvre les structure algorithmiques avec la syntaxe du langage Java. Les étudiants issus des voies mathématique et IUT Stid bénéficient en outre d’un cours portant sur la complexité et la calculabilité de algorithmes étudiés. Dans un deuxième temps, les concepts de programmation orientée objet sont abordés pour tous avec le langage Java. Enfin, les fichiers, les bases de données relationnelles et les tables SAS sont les trois principaux modes de stockage des données mis en pratique. Les accès aux fichiers sont abordés lors des cours de programmation impérative et de programmation objet. Le langage SQL est l'outil standard de mise en œuvre et d'interrogation de bases de données relationnelles. Les logiciels SAS et R, dédiés à la statistique, sont également des outils de manipulation de données, leurs langages spécifiques font également l'objet d'un enseignement. Par la suite, tous les élèves réalisent dès le début de la deuxième année un projet dont re l’objectif est de mettre en application les enseignements reçus en 1 année. Au cours du second semestre, les élèves en fonction de leur statut (ingénieur ou fonctionnaire) suivent des cours différenciés. Les ingénieurs suivent un cours de programmation orientée objet en C++ complété par un enseignement d'intégration de programme C++ dans R. Les attachés suivent trois enseignements : la cartographie, un cours de Python et une ouverture au « Big Data ». En outre, trois cours optionnels sont proposés en informatique, Visual Basic Application pour les ingénieurs, ouverture au Big Data pour les ingénieurs, et un enseignement sur les technologies mobiles pour tous. Les attachés bénéficient de plus en fin d’année d’un enseignement obligatoire de LibreOffice Basic. La troisième année apporte les compléments nécessaires à la mise en œuvre informatique des méthodes statistiques dans les domaines de spécialisation proposés. Elle offre également une voie d'approfondissement dans le domaine spécifique du traitement de l'information (compléments sur les bases de données, génie logiciel, conception et programmation orientées objet, administration de projets informatiques, intelligence artificielle, big data, datamining, réseaux, technologies web, etc.). ÉCONOMIE, GESTION ET SCIENCES SOCIALES Les enseignements d'économie, de gestion et de sciences sociales ont pour objectif d’offrir à tous les élèves une réelle capacité d’analyse et de compréhension des aspects essentiels du monde contemporain. Ils ont également pour ambition de fournir à certains d'entre eux, et notamment aux futurs attachés statisticiens de l'Insee, les moyens de mettre leurs connaissances statistiques au service de l’économie. En première année, on distingue un public d'élèves ayant de bonnes connaissances en sciences économiques et sociales et un public d'élèves débutants ou n'ayant eu qu'une première initiation dans cette discipline. Pour les premiers, l'École propose des cours de niveau avancé abordant les développements récents en économie formalisée, et pour les seconds, des cours plus progressifs, avec en particulier une introduction à la modélisation macroéconomique. Pour de futurs praticiens de l'analyse économique, les enseignants ont le souci de lier l'analyse à l'observation des faits à travers les données. L’enseignement de première année permet également aux étudiants de suivre certains cours introductifs, en particulier de sociologie, de démographie ou de gestion. 10 Programme des enseignements de 2ème année Ensai 2016/2017 En seconde année, le cours d’économétrie du tronc commun vise à donner aux élèves les ème méthodes de validation empirique des modèles théoriques. Ce cours est complété au 2 semestre par une approche non-paramétrique pour les ingénieurs, tandis que les attachés vont approfondir l’économétrie à la fois sous l’angle macro et micro. Les deux cursus sont aussi sensibilisés à l’économie du risque, particulièrement utile dans l’approche économique quantitative, à la fois dans le domaine bancaire et marketing. Des cours électifs complètent cette formation en ouvrant sur l’économie industrielle ou l’économie des contrats notamment. HUMANITES Communication L’apprentissage des techniques de communication est progressif, basé sur la pratique et le conseil personnalisé. Il permet aux élèves de l’École de communiquer efficacement dans les situations les plus diverses de la vie sociale et professionnelle. Les élèves sont sensibilisés aux techniques de communication écrites et orales dans le cadre ère des projets statistiques en 1 année, puis développent ces compétences en travaillant sur les projets qui jalonnent leur scolarité. Des coachs en communication interviennent directement ème auprès de chaque groupe d’élèves. En 3 année, des simulations d’entretien d’embauche préparent les élèves à leur entrée sur le marché du travail. Anglais L'étude de l'anglais est obligatoire tout au long de la scolarité. Les élèves sont répartis en groupes de niveau. Des modules de préparation au TOEIC sont organisés toutes les années. 1 Un score minimal de 785 points à ce test est obligatoire pour l’obtention du diplôme d’ingénieur. Cours libres optionnels Les élèves en première et deuxième année doivent choisir 2 enseignements parmi les enseignements suivants : Langues optionnelles : Les langues proposées sont l’allemand, le chinois, l’espagnol et l’italien. Elles peuvent être étudiées du niveau initiation jusqu’au niveau perfectionnement. Pour ces langues optionnelles, l’inscription aux deux semestres est obligatoire. Cours d’ouverture : d’autres options dites de formation humaine sont organisées chaque année. La liste qui suit comporte des exemples des cours proposés par le passé : 1 Anglais (thèmes ou TOEIC) Architectures contemporaines Cinéma Dessin Média, mémoire et histoire : des rapports ambigus Philosophie : l’avenir de l’éthique Développement durable : un défi d’avenir ? Peinture Musique Psychologie Sociologie Tandem (modalités spécifiques) Ce score minimum correspond au niveau B2 du CECRL. 11 Ensai Programme des enseignements de 2ème année 2016/2017 La participation à des activités associatives peut remplacer un cours libre optionnel par semestre ou donner droit à des points bonus. La participation aux activités sportives mises en place par l’école est prise en compte dans la scolarité au travers de points bonus. 12 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements de 2ème année - Volumes horaires enseignés Élèves attachés 13 Programme des enseignements de 2ème année Ensai 2016/2017 Volume horaire Enseignements Cours TD TP Coefficients Projet Total et crédits UE 2-01 : MODÈLES STATISTIQUES MULTIVARIES Modèle de régression 21 21 6 48 Séries temporelles 24 12 6 42 4 Total UE 2-01 45 33 12 90 9 21 9 12 42 3,5 Théorie des sondages 24 15 3 42 3,5 Total UE 2-02 45 24 15 0 84 7 7,5 27 36 5 7,5 27 36 5 0 5 UE 2-02 : COLLECTION ET ANALYSE DE DONNEES Statistique multivariée exploratoire UE 2-03 : PROJET INFORMATIQUE Projet informatique 1,5 Total UE 2-03 1,5 0 Econometrics I 15 6 21 2,5 Econometrics II 15 6 21 2,5 Analyse de la variance 9 18 2 Total UE 2-04 39 60 7 UE 2-04 : MESURE OU AMPLEUR DES VARIATIONS 9 12 9 0 30 2 30 0 0 0 30 2 161 69 43,5 27 300 30 23 33 5 23 33 5 27 2 UE 2-05 : ANGLAIS er Anglais 1 semestre Total UE 2-05 TOTAL 1 ER SEMESTRE 30 UE 2-06 : PROJET STATISTIQUE Projet statistique Total UE 2-06 UE 2-07 : STATISTIQUE POUR LE STATISTICIEN PUBLIC Modèle linéaire. régression sur variables catégorielles Données manquantes Méthodes de discrimination 10 0 10 18 12 9 6 15 Total UE 2-07 45 UE 2-08 : TECHNOLOGIE ET OUTILS INFORMATIQUES Python pour le statisticien public 10,5 Panorama du Big Data 9 6 Cartographie Total UE 2-08 19,5 0 0 3 21 2 9 24 2 72 6 10,5 1 21 0 12 21 2 21 21 2 52,5 5 33 0 UE 2-09 : ECONOMETRIE DES POLITIQUES ECONOMIQUES Microéconométrie appliquée 21 21 2 Economie du risque 21 21 2 16,5 2 58,5 6 Empirical Macroeconomics 10,5 6 Total UE 2-09 52,5 6 0 0 UE 2-10 : COURS ELECTIFS Cours électif n°1 21 21 2 Cours électif n°2 21 21 2 Cours électif n°3 21 21 2 Total UE 2-10 63 0 0 0 63 6 TOTAL 2ND SEMESTRE 180 22 54 23 279 28 UE 2-12 : COURS LIBRES OPTIONNELS, COMMUNICATION Cours libre optionnel n°1 21 21 1 21 21 1 Cours libre optionnel n°2 14 Projet professionnel 18 Sport (facultatif) Total UE2-12 TOTAL ANNEE 18 30 42 18 30 383 109 128 30 0 90 2 50 669 60 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements de 2ème année - Volumes horaires enseignés Élèves ingénieurs 15 Programme des enseignements de 2ème année Ensai 2016/2017 Volume horaire Enseignements Cours TD TP Coefficients Projet Total et crédits UE 2-01 : MODÈLES STATISTIQUES MULTIVARIES Modèle de régression 21 21 6 48 Séries temporelles 24 12 6 42 4 Total UE 2-01 45 33 12 90 9 21 9 12 42 3,5 Théorie des sondages 24 15 3 42 3,5 Total UE 2-02 45 24 15 0 84 7 7,5 27 36 5 7,5 27 36 5 0 5 UE 2-02 : COLLECTION ET ANALYSE DE DONNEES Statistique multivariée exploratoire UE 2-03 : PROJET INFORMATIQUE Projet informatique 1,5 Total UE 2-03 1,5 0 Econometrics I 15 6 21 2,5 Econometrics II 15 6 21 2,5 Analyse de la variance 9 18 2 Total UE 2-04 39 60 7 UE 2-04 : MESURE OU AMPLEUR DES VARIATIONS 9 12 9 0 30 2 0 0 0 30 2 161 69 43,5 27 300 30 10 23 33 5 23 33 5 27 3 UE 2-05 : ANGLAIS er 30 Anglais 1 semestre Total UE 2-05 30 ER TOTAL 1 SEMESTRE UE 2-06 : PROJET STATISTIQUE Projet statistique UE 2-07 : STATISTICIEN Total UE 2-06 STATISTIQUE POUR 0 10 0 L'INGENIEUR Modèle linéaire. régression sur variables catégorielles Modèles de durée 18 9 12 6 3 21 2 Statistique computationnelle 27 3 18 48 4 Total UE 2-07 57 9 30 96 9 0 UE 2-08 : TECHNOLOGIE ET OUTILS INFORMATIQUES Programmation objet en C++ 6 21 27 2,5 Programmation avancée en R 3 12 15 1,5 Total UE 2-08 9 42 4 UE 2-09 : ECONOMETRIE DES POLITIQUES ECONOMIQUES Econométrie non paramétrique 0 33 0 21 21 2 Economie du risque 21 21 2 Total UE 2-09 42 42 4 0 0 0 UE 2-10 : COURS ELECTIFS Cours électif n°1 21 21 2 Cours électif n°2 21 21 2 Cours électif n°3 21 21 2 Total UE 2-10 63 TOTAL 2ND SEMESTRE UE 2-12 : COURS COMMUNICATION 0 171 19 LIBRES 63 6 63 23 276 28 Cours libre optionnel n°1 21 21 1 Cours libre optionnel n°2 21 21 1 11 Sport (facultatif) Total UE2-12 16 0 OPTIONNELS, Projet professionnel TOTAL ANNEE 0 11 30 42 11 30 374 99 137 30 0 83 2 50 659 60 Programme des enseignements de 2ème année Ensai 2016/2017 Enseignements de 2ème année 2nd semestre – UE 2-10 Les cours électifs Les élèves doivent choisir 3 cours électifs (parmi la liste des cours figurant dans le tableau cidessous). Les choix sont subordonnés aux contraintes d’emploi du temps puisque certains cours sont programmés en même temps. De plus, les élèves ingénieurs devront choisir au moins une option statistique. EME COURS ELECTIFS DE 2 Volume horaire TD TP Projet Total Education, human capital, and growth 21 21 Economie des contrats 21 21 Economie industrielle 15 Technologie mobile 6 15 21 Panorama du Big Data 9 12 21 STATISTIQUE ECONOMIE Cours INFORMATIQUE Enseignements ANNEE Python pour l’ingénieur 6 21 À déterminer Visual Basic Application 21 21 21 Modèles avancés de régression 21 21 Chaînes de Markov 15 6 21 Analyse de données répétées 15 6 21 Martingales et processus de Lévy 12 9 21 Modèles de durée 12 6 Méthode de discrimination 15 3 21 9 21 17 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements de 2ème année 2nd semestre – UE2-12 ENSEIGNEMENTS SPECIFIQUES AUX ELEVES ATTACHES ème Les élèves attachés ont des cours spécifiques en fin de 2 séminaire de comptabilité nationale. année de l’Ensai, précédés par un De leur côté, les élèves ingénieurs commencent dès le mois de juin un stage d’application ème statistique portant sur le programme de 2 année. ENSEIGNEMENTS RESERVES AUX ELEVES ATTACHES EN JUIN ENSEIGNEMENTS Comptabilité nationale Lutte contre la discrimination LibreOffice Basic Méthodologie d’enquête Techniques rédactionnelles Total 18 Cours 9 1,5 9 12 31,5 VOLUME HORAIRE TD/TP 3 16,5 9 13,5 42 Total 9 3 18 18 25.5 73.5 Ensai Programme des enseignements de 2ème année 2016/2017 Tableau récapitulatif des enseignements 2A Code matière 2AECO01 2AECO02 2AECO03 2AECO04 2AECO05 2AECO06 2AECO07 2AECO08 2AECO09 2AECO10 2AHUM01 2AHUM02 Econometrics I Econometrics II Education, human capital, and growth Empirical macroeconomics Econométrie non paramétrique Economie des contrats Microéconométrie appliquée Economie industrielle Economie du risque Comptabilité nationale Anglais Techniques rédactionnelles Enseignant Purevdorj Tuvaandorj Purevdorj Tuvaandorj Vincenzo CAPONI Stéphane AURAY Marian HRISTACHE Reynald Alexandre LAURENT Ronan LE SAOUT Frédéric LOSS Olivier RENAULT R MAHIEU/M. ANTIER Divers intervenants Divers intervenants 2AHUM03 Projet professionnel Divers intervenants 2AHUM04 2AHUM11 2AINF01 2AINF02 2AINF03 2AINF04 2AINF05 2AINF06 2AINF07 2AINF08 2AINF09 2AINF10 2ASTA01 2ASTA02 2ASTA03 2ASTA04 2ASTA05 2ASTA06 2ASTA07 Lutte contre la discrimination Sport Technologies mobiles Cartographie Programmation objet en C++ Projet informatique Visual Basic Application Python pour le statisticien public Programmation avancée en R Panorama du Big Data LibreOffice Basic Python pour l’ingénieur Chaînes de Markov Statistique computationnelle Méthodologie d’enquête Modèles de durée Modèles de régression Analyse de la variance Projet statistique Modèle linéaire généralisé et régression sur variables catégorielles Séries temporelles Données manquantes Statistique exploratoire multivariée Méthodes de discrimination Analyse de données répétées Théorie des sondages Martingales et processus de Lévy Modèles avancés de régression Xavier HELFENSTEIN Divers intervenants Olivier LEVITT Sandra CHIRAZI Thomas GUYET Divers intervenants Steven GOUICHOUX À déterminer Thierry MATHE Yann BUSNEL Samuel TOUBON À déterminer Adrien SAUMARD Myriam VIMOND Divers intervenants Yann DE RYCKE Valentin PATILEA Camille BRUNET Divers intervenants Correspondant Purevdorj Tuvaandorj Purevdorj Tuvaandorj Vincenzo CAPONI Stéphane AURAY Marian HRISTACHE Vincenzo CAPONI Stéphane AURAY Vincenzo CAPONI Vincenzo CAPONI Laurent DI CARLO Esther LALAU-KERALY Laurent DI CARLO Valérie BROSSAUD/ Laurent DI CARLO À déterminer Corinne BARZIC Samuel TOUBON Sandra CHIRAZI Samuel TOUBON Samuel TOUBON Samuel TOUBON À déterminer Samuel TOUBON Yann BUSNEL Samuel TOUBON À déterminer Adrien SAUMARD Myriam VIMOND Guillaume CHAUVET À déterminer Valentin PATILEA Adrien SAUMARD Salima EL KOLEI À déterminer À déterminer Lionel TRUQUET Guillaume CHAUVET B. GELEIN/N. COSTET Brigitte GELEIN À déterminer Guillaume CHAUVET Lionel TRUQUET Marian HRISTACHE Lionel TRUQUET Guillaume CHAUVET Brigitte GELEIN Brigitte GELEIN À déterminer Guillaume CHAUVET Lionel TRUQUET Marian HRISTACHE 2ASTA08 2ASTA09 2ASTA10 2ASTA11 2ASTA12 2ASTA13 2ASTA14 2ASTA15 2ASTA16 Matière La durée et les modalités d’examen sont données à titre indicatif. La direction des études se réserve le droit de les modifier. Les élèves seront prévenus par les enseignants en début de cours. 19 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements du premier semestre 21 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-01 – Matière 2ASTA05 – Semestre 1 Modèles de régression Linear Models Cours : 21h TD : 21h TP : 6h Enseignant Correspondant : Valentin PATILEA (Ensai) : Valentin PATILEA Objectif de la matière Être capable de mener une étude complète de régression linéaire, d'avoir une lecture critique des sorties logicielles, d’effectuer une analyse constructive des résidus et des points remarquables, d’identifier d’éventuels écarts au modèle, de les corriger, de faire une sélection de variables pertinente. Si possible, maîtriser les manipulations matricielles sous-jacentes au modèle linéaire. Contenu de la matière 1. Introduction 2. Le modèle de régression linéaire simple 3. Le modèle de régression linéaire multiple 4. Le modèle de régression linéaire multiple sous hypothèse gaussienne 5. Régions de confiance et tests d'hypothèses 6. Détection (et correction) des écarts au modèle - Analyse des résidus, effet levier et mesures d’influence 7. Sélection de variables Documents pédagogiques Polycopié de cours. Pré-requis Lois de probabilité usuelles; régions de confiance et tests statistiques; vision matricielle de la projection orthogonale sur un sous-espace. Contrôle des connaissances Un partiel et un examen final Références bibliographiques • AZAIS J.M et BARDET J.M, Le modèle linéaire par l’exemple : régression, analyse de la variance et plans d’expérience illustrés avec R et SAS (2ème éd .), 2012, Dunod • CONFAIS J., LE GUEN M., Premiers pas en régression linéaire avec SAS, tutoriel. • CORNILLON P.-A., MATZNER-LOBER E., Régression avec R, 2010, Springer. • DODGE R., ROUSSON V., Analyse de régression appliquée (2e éd.), 2004, Dunod. • KLEINBAUM D. G. et al., Applied regression analysis and multivariate methods (4th ed.), 2008, Cengage Learning. • TOMASSONE R. et al., La régression (2e éd.), 1992, Masson. • Langue d’enseignement Français 23 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-01 – Matière 2ASTA09 – Semestre 1 Séries temporelles Times Series Cours: 24h TD: 12h TP: 6h Enseignant Correspondant : Lionel TRUQUET (Ensai) : Lionel TRUQUET Objectif de la matière L’objectif de ce cours d’introduction aux séries temporelles est de présenter les méthodes classiques d’analyse et de prévision de séries d’observations corrélées dans le temps. Dans une première partie de ce cours, nous présenterons les outils et notions de base pour étudier les séries temporelles univariées (tendance, saisonnalité, lissage, notion de stationnarité) en introduisant notamment les processus ARMA et la méthodologie de Box-Jenkins. Les séries multivariées seront abordées dans un second temps avec les processus VAR et les notions importantes de causalité ou de cointégration. Enfin une troisième partie sera consacrée au problème de la non-stationnarité. Les concepts de ce cours seront illustrés à l’aide de données réelles ou simulées. A la fin de cet enseignement, les étudiants devront être capables d’analyser des séries temporelles classiques à l’aide de logiciels spécialisés. Contenu de la matière 1. Introduction 2. Exemples and motivations. 3. Analyse descriptive d’une série temporelle. 4. Saisonnalité, tendance, décompositions d’une série temporelle, lissage exponentiel et prévision. 5. Modélisation probabiliste des séries temporelles. Stationnarité, autocorrélation, densité spectrale. 6. Modèles SARIMA et méthodologie de Box-Jenkins. 7. Séries temporelles multivariées. Processus VAR, estimation, prévision et causalité. 8. Séries non stationnaires et cointégration. Tests de racine unité, de cointégration et modèles à correction d’erreur Prérequis Notions de base en Probabilités et Statistique inférentielle. Notions de base du cours de Modèles de régression. Contrôle des connaissances Partiel et Examen final sur papier Références bibliographiques • Box G., Jenkins G., Reinsel G., Time Series Analysis. Forecasting and Control, Prentice Hall, 1994, 3ème Edition • Brockwell P., Davis R., ITSM for Windows. A user’s Guide to Time Series Modelling and Forecasting, Springer, 1994 24 Ensai Programme des enseignements de 2ème année 2016/2017 • Brockwell P., Davis R., Time Series : Theory and methods, Springer, 1991, 2ème Edition, Springer Verlag. • Brockwell P., Davis R., Introduction to Time Series and Forecasting, Springer, 1996 • JOHANSEN S. Likelihood Based Inference in Cointegrated Vector Auto-Regression Models, 1995, Oxford University Press. • LUTKEPOHL H. New Introduction to Multiple Time Series Analysis, 2006, Springer Verlag. • HAMILTON J, Time Series, Princeton University Press, 1995. • Gourieroux C., Montfort A., Séries temporelles et modèles dynamiques, Economica, 1990, 2ème Edition. Langue d’enseignement Français 25 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-02 – Matière 2ASTA11 – Semestre 1 Statistique exploratoire multivariée Multivariate Data Analysis Cours : 21h TD : 9h TP : 12h Enseignant Correspondant : Brigitte GELEIN et Nathalie Costet (Inserm) : Brigitte GELEIN Objectif de la matière A l’issue de cet enseignement, les élèves devront être capables de mettre en œuvre et d’analyser les résultats des méthodes d’analyse exploratoire multivariée que sont l’Analyse en Composantes Principales (ACP), l’Analyse Factorielle des Correspondances (AFC), l’Analyse des Correspondances Multiples (ACM), ainsi que certaines méthodes de classification. Les séances de TP auront lieu en salles informatiques et permettront aux étudiants d’utiliser les logiciels R, SAS et SPAD. Contenu de la matière 1. 2. 3. 4. 5. Analyse d'un nuage de points quelconque Analyse en composantes principales Analyse factorielle des correspondances Analyse des correspondances multiples Méthodes de classification Documents pédagogiques Support de cours. Pré-requis Cet enseignement demande la maîtrise du calcul matriciel, de la notion de projection et d’optimisation (lagrangien). Contrôle des connaissances Un partiel écrit sans document et un examen écrit avec documents. Références bibliographiques • CELEUX G et alii., Classification automatique des données, Dunod Informatique, Paris, 1989 e • ESCOFIER B., PAGES J., Analyses factorielles simples et multiples (4 éd.), Dunod, 2008 • HUSSON F., LE S. & PAGES J., Analyse de données avec R. Presses Universitaire de Rennes, 2009 e • LEBART L. et alii., Statistique exploratoire multidimensionnelle (4 éd.), Dunod, 2006 • NAKACHE J.-P., CONFAIS J., Approche pragmatique de la classification, TECHNIP, 2005 • VOLLE M., Analyse des données, 4e édition, Economica, 1997 Langue d’enseignement Français 26 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-02 – Matière 2ASTA14 – Semestre 1 Théorie des sondages Sampling Theory Cours : 24h TD : 15h TP : 3h Enseignant Correspondant : Guillaume CHAUVET (Ensai) : Guillaume CHAUVET Objectif de la matière A l’issue de ce cours, les étudiants doivent connaître et maîtriser les principales méthodes d’échantillonnage utilisées dans le cas d’une population finie, ainsi que les propriétés des estimateurs associés. Une partie du cours est également consacrée à la présentation de méthodes d’estimation avancées, où une information auxiliaire est utilisée pour redresser un estimateur, dans le but de diminuer sa variance. Contenu de la matière Partie 1 : Echantillonnage en population finie • Notations • Estimation de Horvitz-Thompson • Calcul de précision : estimateur de variance, intervalle de confiance. Partie 2 : Méthodes d’échantillonnage direct • Sondage aléatoire simple • Sondage stratifié • Sondage à probabilités inégales • Echantillonnage raisonné Partie 3 : Introduction aux méthodes d’échantillonnage indirect • Sondage à plusieurs degrés • Sondage en deux phases • Echantillonnage indirect et partage des poids Partie 4 : Méthodes de redressement • Estimation par le ratio • Estimateur post-stratifié • Estimateur par la régression • Estimateur par calage Documents pédagogiques Support de cours. Pré-requis Cours de Statistique Exploratoire Univariée et Bivariée, cours de Statistique 1, 2 et 3. Contrôle des connaissances L'examen est un écrit. L’enseignement donne lieu à contrôle continu. 27 Ensai Programme des enseignements de 2ème année 2016/2017 Références bibliographiques • ARDILLY P., Les Techniques de Sondage (nouv. éd.), Paris, Technip, 2006 • COCHRAN W.G., Sampling Techniques, 3ème édition, New York, Wiley, 1977 • SÄRNDAL, C-E., SWENSSON, B, WRETMAN, J., Model Assisted Survey Sampling, SpringerVerlag, 2003 • TILLÉ Y., Sampling Algorithms, Wiley, 2006 Langue d’enseignement Français 28 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-03 – Matière 2AINF04 – Semestre 1 Projet informatique Computer Science Project Suivi : 27h (dont suivi personnalisé du groupe : 5h) Cours : 1.5h – TP : 7h30 Enseignant : Samuel TOUBON (Ensai) Correspondant : Samuel TOUBON Objectif de la matière Le projet permet de mettre en pratique, sur un cas réel, les connaissances acquises dans les enseignements de conception d’applications en UML, de programmation orientée objet et de bases de données. Réalisé par groupe de 4 ou 5 étudiants sur un sujet proposé par l’encadrant, le projet démarre début septembre et les soutenances ont lieu fin novembre. Il permet de mettre en œuvre UML, Java et le langage SQL, via JDBC et un SGBD. Les applications développées devront intégrer des données issues de fichiers externes pour aborder la variabilité des formats de présentation, une des problématiques du Big Data. Contenu de la matière - - 1 cours de présentation du projet (organisation, environnement, outils), notions de gestion de projet, quelques techniques nouvelles et des rappels de première année. 3 TP sur différentes techniques à utiliser dans le cadre du projet : Tests, Javadoc, Data Access Object, intégration de différents formats de données, connexion BD, gestion des exceptions. 9 séances de suivi de 3h. 10 créneaux bloqués dans l’emploi du temps pour permettre aux groupes de se réunir. Documents pédagogiques Notice. Pré-requis Connaître les bases d’algorithmique, les concepts objet et langage Java. Maîtriser l’analyse conception avec UML, connaître le langage SQL. Contrôle des connaissances La notation sera à la fois collective et individuelle et portera sur le suivi de l’encadrant, le rapport rendu à mi-projet, le rapport final et la soutenance prévue début décembre. Références bibliographiques • JACOBSON I. (2004) Object Oriented Software Engineering, A Use Case Driven Approach, Addison Wesley (traduction française chez le même éditeur). • C. CHRISTMENT, O. TESTE, M. TUFFERY, K. PINEL-SAUVAGNAT (2008), Bases de données relationnelles, Hermès Science. Langue d’enseignement Français. 29 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-04 – Matière 2AECO01 – Semestre 1 Econometrics I Econométrie I Cours : 15h TD : 6h Enseignant Correspondant : Purevdorj Tuvaandorj (Ensai) : Purevdorj Tuvaandorj Objectif de la matière Ce cours a pour but de présenter deux types de notions : d’une part la spécification et l’analyse des modèles micro-économétriques, et d’autre part les modèles de base et les techniques d’inférence utilisés par les micro-économètres. A l’issue de cet enseignement, les élèves devront être capables de mettre en relation la forme structurelle d’un modèle issu de la théorie (ou tout au moins d’un raisonnement) économique et son estimation à l’aide d’une technique statistique appropriée. Ce cours se concentre sur les spécificités (i) de la modélisation des comportements microéconomiques et (ii) des méthodes d’inférence statistiques employées en micro-économétrie. Le cours et organisé en trois grandes parties. La première partie présente les problèmes liés à l’endogénéité des variables explicatives dans les modèles économétriques : leur origine (simultanéité, variables explicatives pertinentes omises et erreurs de mesure sur les variables explicatives) et leurs effets sur le choix des outils d’inférence statistique (variables instrumentales, en information limitée ou complète). La seconde partie présente l’intérêt des modèles à variables latentes (choix discret, censure et troncature) et leur estimation. La troisième partie présente le problème de la mesure statistique des effets de traitement lorsque le choix du traitement est endogène. Ce problème combine les éléments présentés dans les deux parties précédentes pour résoudre une question économique importante, celle de la mesure des effets des politiques publiques. Contenu de la matière Introduction 1. Qu’est-ce que l’économétrie, à quoi ça sert ? 2. Rappels de théorie statistique asymptotique et notations Partie A. Modèles linéaires 1. Exogénéité et identification 2. Variables explicatives exogènes : modèles de régression et MC 3. Problèmes d’endogénéité 4. Variables explicatives endogènes : modèles à VI et Méthode des Moments 5. Eléments d’analyse des systèmes d’équations simultanées Partie B. Modèles à variables latentes 1. Variables latentes, et mécanismes d’observation et de décision 2. Bref rappels sur le Maximum de Vraisemblance (Conditionnel) 3. Modèles de choix dichotomique 4. Problèmes de censure et de troncature 5. Modèles à régime 30 Ensai Programme des enseignements de 2ème année 2016/2017 Documents pédagogiques Support de cours et diapos Pré-requis On mobilisera ici trois cadres d’inférence statistique, i.e. Moindres Carrés, Méthode des Moments et Maximum de Vraisemblance, et des raisonnements micro-économiques simples. Contrôle des connaissances Examen écrit avec documents. Références bibliographiques • ANGRIST, J. D. and J.-S. PISCHKE, Mostly Harmless Econometrics, an empiricist companion, Princeton University Press, 2008. • CAMERON A.C. and P.K. TRIVEDI, Microeconometrics. Methods and Applications, Cambridge University Press, 2005. • CREPON, B. et N. Jacquement, Econométrie: méthode et applications. De Boeck, 2010 th • GREENE, W.H., Econometric Analysis. Prentice-Hall (7 ed), 2011. • RUUD, P.A, An Introduction to Classical Econometric Theory, Oxford University Press, 2000. • THOMAS, A., Econométrie des variables qualitatives, Dunod, 2000. • VERBEEK, M., A guide to Modern Econometrics. Wiley (4th ed), 2012. • WOOLDRIDGE, J. M., Econometric analysis of cross-section and panel data, The MIT press nd (2 rev. ed), 2010. Langue d’enseignement Anglais 31 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-04 – Matière 2AECO02 – Semestre 1 Econometrics II Econométrie II Cours : 15h TD : 6h Enseignant Correspondant : Purevdorj Tuvaandorj (Ensai) : Purevdorj Tuvaandorj Course Description: The objective of this course is to provide an introduction to econometric theory and practice. A great deal of emphasis will be placed on regression analysis. Among other important issues, we will concern ourselves with the various approaches to the identification and treatment of violations to the assumptions associated with the specification of the multiple regression models. Time permitting we will treat other methods of estimation such as maximum likelihood estimation, method of moments and simulated based estimation methods. Suggested Textbook: Jeffrey M. Wooldridge, “Introductory Econometrics a Modern Approach”, Thomson, 2006 Course Evaluation: Midterm Test: 30% Problem Sets: 30% FinalExam: 40% Assignments: There will be assignments in the course. You are allowed to complete these assignments in groups. Questions related to these assignments will appear in both the Midterm Test and Final Exam. The due date of each assignment will be announced in class or by email/website. Topics and Reading List: 1. Introduction to the Data. Chapter 1. 2. Review of Probability Theory and Statistics. (Appendices B and C). 3. Regression Analysis with Cross Sectional Data Chapters 2 to 9. 4. Problems Regression Analysis with Time Series Data Chapters 10 to 12. 5. Advance Topics: IV and Cointegration. Chapters 15 and 18 (time permitting and subject to change). Language of Instruction English 32 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-04 – Matière 2ASTA06 – Semestre 1 Analyse de variance ANOVA Cours : 9h TP : 9h Enseignant Correspondant : Camille BRUNET : Adrien SAUMARD Objectif de la matière Être capable d'effectuer une analyse de variance, d'avoir une lecture critique d'une sortie logicielle, de traiter les points remarquables et de choisir un modèle adéquat. Connaître les bases de l’ANOVA : savoir tester l'égalité de moyennes dans des cas simples, savoir mettre en place et analyser un modèle d’analyse de covariance, maitriser la notion d’interaction. Contenu de la matière 1. 2. 3. 4. 5. Introduction Analyse de variance à un facteur Analyse de variance à deux facteurs Analyse de la covariance Introduction aux plans d’expérience Documents pédagogiques Support de cours. Pré-requis Cet enseignement nécessite la maîtrise du cours d’Econométrie I, de statistique inférentielle de 1ère année, ainsi que du cours de modèle de régression 1. Contrôle des connaissances A définir Références bibliographiques • • • • nd AGRESTI, A., An introduction to categorical analysis (2 ed.), Wiley, 2007. CORNILLON P.-A., MATZNER-LOBER E., Régression. Théorie et applications, Springer, 2007. DODGE Y., ROUSSON V., Analyse de régression appliquée (2e éd.), Dunod, 2004. KLEINBAUM D. G. et alii, Applied regression analysis and multivariate methods (4e éd.), Duxbury press, 2008. Langue d’enseignement Anglais 33 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-05 – Matière 2AHUM01 – Semestre 1 Anglais English er nd Cours/TD : 30h au 1 semestre (en cours libre optionnel au 2 ) TOEIC blancs d’entraînement facultatifs Enseignant Correspondant : Divers intervenants : Esther LALAU–KERALY Objectif de la matière Les élèves qui n’ont pas passé ou qui n’ont pas obtenu le score minimum de 785 au TOEIC l’année dernière auront progressé dans les compétences requises – c’est-à-dire la compréhension orale, les pièges grammaticaux et la compréhension écrite. Dans les cours à thème ils auront élargi leur culture générale tout en pratiquant l’anglais. Ils auront pris de l’aisance à l’oral et ils auront eu à leur disposition tous les éléments pour progresser en anglais. Contenu de la matière Tous les élèves en deuxième année auront la possibilité de faire des ateliers « English for Statistics » en début de semestre. Ces cours facultatifs sont conçus pour préparer les élèves à suivre le premier cours de statistique en anglais. Pour les élèves ingénieurs qui n’ont pas passé ou qui n’ont pas réussi le TOEIC, les cours se concentrent sur la préparation à cet examen. Les élèves attachés qui ne souhaitent pas passer le TOEIC suivent des cours dont l’objectif est d’améliorer l’expression et la compréhension orale. Tous les élèves dont le niveau le permet (score d’au moins 785 au TOEIC) choisissent deux thèmes. Voici quelques exemples des thèmes proposés par le passé : Debating, Travel, Current & Topical Affairs, English through Popular Music, et Translation. Les cours au 2nd semestre sont facultatifs et, autant que possible, en fonction des souhaits des élèves. Un groupe sera dédié à la préparation du TOEIC. Pré-requis Avoir passé le test de niveau pour les AST. Pour les cours thématiques, avoir obtenu un score d’au moins 785 au TOEIC. Contrôle des connaissances La note finale prend en compte un test de niveau commun ou le TOEIC, la note moyenne des contrôles continus, la participation, et l’assiduité. La note de contrôle continu est composée des interrogations et travaux divers définis par l’enseignant. L'objectif de la CTI pour tous les élèves ingénieurs est d'atteindre le niveau B2 sur l’échelle CECRL. Le niveau acquis apparaîtra sur le supplément de diplôme. Références bibliographiques • Azar, B., Understanding and Using English Grammar, New York: Longman, 1999. • Lecomte, Stéphane, et. al, La Grammaire au TOEIC et au TOEFL : Mode d’emploi, Paris: Ophrys, 2008. 34 Ensai • • • • Programme des enseignements de 2ème année 2016/2017 Lougheed, Lin, Longman Preparation Series for the TOEIC Test, New York: Longman, 2007. Lougheed, Lin, Préparation au Nouveau TOEIC, Paris: Pearson Education France, 2007. Oxford Preparation Course for the TOEIC, Oxford: Oxford University Press. rd Rogers, Bruce, Complete Guide to the TOEIC Test (3 ed.), Boston: Thomson, 2006. Langue d’enseignement Anglais Pour tout complément d’information, chaque élève peut consulter le Programme des enseignements : Langues étrangères, disponible sur le site de l’école. 35 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements du deuxième semestre : tronc commun pour les élèves attachés 37 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-06 – Matière 2ASTA07 – Semestre 2 Projet statistique Project in Statistics Projet : 33h, dont 7h de suivi avec le tuteur et 3h de coaching Enseignant Correspondant : Divers intervenants : Salima EL KOLEI Objectif de la matière Les projets de statistique sont encadrés par des praticiens de la statistique et ont pour objectif l'application et l'approfondissement des connaissances statistiques acquises dans le cadre des enseignements. Les élèves, répartis par groupes de quatre, traitent le sujet qu'ils ont choisi sous la conduite scientifique et technique du praticien qui l'a proposé. Ils doivent circonscrire le problème soumis et le traiter en utilisant les concepts, méthodes et outils appropriés. Contenu de la matière Les sujets traités au cours des projets sont issus de domaines divers, mais présentent une forte composante statistique, de nature méthodologique et technique. Exemples de sujets traités : • Typologie de clientèle • Étude de la dynamique de la structure par terme des taux • Analyse de l'activité des hôpitaux locaux • Typologie de consommation de soins • Mesure de la précision du nouveau recensement • Évolution des concentrations de nitrate dans les cours d'eau bretons Documents pédagogiques Un guide pratique. Pré-requis Cet enseignement demande la maîtrise de l’ensemble des enseignements de statistique de ère ème 1 et 2 année qui seront mobilisés de façon inégale, selon le sujet traité. Contrôle des connaissances Un rapport écrit, un poster et une soutenance orale. Références bibliographiques Selon sujet traité. Langue d’enseignement Français 39 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-07 – Matière 2ASTA08 – Semestre 2 Modèle linéaire généralisé et régression sur variables catégorielles Generalized Linear Models and Regression on Categorical Data Cours : 18h TP : 9h Enseignant Correspondant : : Objectif de la matière A l’issue de cet enseignement, les élèves devront en fonction du problème posé et de la nature des données disponibles, savoir choisir un type de modèle, savoir le construire, le mettre en œuvre sous SAS et en interpréter les résultats. Contenu de la matière Dans de nombreux domaines d’études la variable expliquée est catégorielle, c’est-à-dire qu’elle est représentée par un nombre fini de modalités. L’étude statistique de ces variables nécessite alors un autre outil que le modèle linéaire, à savoir le modèle linéaire généralisé. Ce cours fournira donc une méthode de régression sur variables catégorielles. Nous étudierons les modèles dichotomique, polytomique ordonné et multinomial, ainsi que la régression de Poisson. La méthode sera illustrée d’exemples utilisant les procédures LOGISTIC et CATMOD sous SAS. Pré-requis Cet enseignement demande que tous les élèves maîtrisent les cours de modèle de régression et statistique 3 (statistique inférentielle). Contrôle des connaissances Un examen écrit d’une durée de deux heures (+ éventuellement rapport de TP). Références bibliographiques • • • • rd AGRESTI A., Categorical Data Analysis (3 ed.), WILEY & Sons, 2012 e GOURIEROUX C., Économétrie des variables qualitatives, (2 éd.), Editions Economica, 1989 HOSMER D.W., LEMESHOW S., Applied Logistic Regression (3rd ed.), WILEY & Sons, 2013 e LEBART L., MORINEAU A., PIRON M., Statistique exploratoire multidimensionnelle (4 éd.), Dunod, 2006 • SAS Institute Inc. Logistic Regression. Examples. Version 6, 1995. • STOKES MAURA E., DAVIS, CHARLES S., KOCH, GARY G., Categorical Data Analysis Using the nd SAS System (2 ed.), Cary, NC : SAS Institute Inc, 2000 Langue d’enseignement Français. 40 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-07 – Matière 2ASTA10 – Semestre 2 Données manquantes Missing Data Cours : 12h TD-TP : 9h Enseignant Correspondant : Guillaume CHAUVET (Ensai) : Guillaume CHAUVET Objectif de la matière On rencontre des problèmes de données manquantes dans les enquêtes quand certaines des unités refusent de répondre, ou quand il est impossible de les contacter. On parle de nonréponse partielle lorsqu’un individu échantillonné renseigne une partie des questions de l’enquête, et de non-réponse totale lorsqu’aucune réponse n’est observée pour un individu. La non-réponse a des conséquences en termes de variance des estimateurs (la taille de l’échantillon effectivement observé diminue) et surtout en termes de biais : les estimateurs non ajustés pour la non-réponse peuvent être fortement biaisés si les répondants diffèrent des non-répondants au regard des variables étudiées. L’objectif de ce cours est de présenter les différents types de non-réponse, les facteurs qui peuvent permettre de limiter ce problème, et des méthodes classiques de traitement de la non-réponse dans les enquêtes. Contenu de la matière Partie 1 : Introduction • Rappels sur l’échantillonnage en population finie • Méthode de linéarisation • Les types de non-réponse : non-réponse totale, non-réponse partielle Partie 2 : Traitement de la non-réponse totale • Echantillonnage à deux phases • Redressement par repondération • Groupes homogènes de réponse • Applications Partie 3 : Traitement de la non-réponse partielle • Le modèle d’imputation • Méthodes d’imputation simple • Applications Documents pédagogiques Support de cours. Pré-requis Cours de Théorie des Sondages, Régression, Régression sur Variables Catégorielles. Contrôle des connaissances L'examen est un écrit. 41 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-07– Matière 2ASTA12 – Semestre 2 Méthodes de discrimination Discriminant Analysis Cours : 15h TP : 9h Enseignant Correspondant : Brigitte GELEIN (Ensai) : Brigitte GELEIN Objectif de la matière A l’issue de cet enseignement, les élèves devront être capables de mettre en œuvre et d’analyser les résultats des méthodes de discrimination et de segmentation par arbre. Les applications de l’analyse discriminante et de la segmentation sont très nombreuses : scoring bancaire, marketing, aide au diagnostic ou au pronostic médical, reconnaissance de formes, prévision d’événements, etc. Ce module présentera les fondements théoriques de ces méthodes et permettra leur mise en œuvre concrète lors de séances de TD et TP sur SAS et SPAD. Elles consisteront en des études de cas réalisées sur des jeux de données réels pour lesquelles les élèves devront définir les méthodes à utiliser, les mettre en œuvre et en interpréter les résultats. Contenu de la matière Partie 1 : Analyse discriminante Partie 2 : Segmentation par arbre (CART, CHAID) Partie 3 : Comparaison de méthodes Documents pédagogiques Polycopiés. Pré-requis Cet enseignement demande la maîtrise du cours de Statistique Exploratoire Multivariée 1, de la notion de projection et d’optimisation (lagrangien). Contrôle des connaissances Un examen écrit. Références bibliographiques • HUBERTY C.J., Applied discriminant analysis, Wiley, 1994. • McLACHLAN G.J., Discriminant analysis and statistical pattern recognition, Wiley, 1992. • CELEUX G., NAKACHE J.P., Analyse discriminante sur variables qualitatives, Polytechnica, 1994 • CONFAIS J., NAKACHE J.-P., Statistique explicative appliquée, Technip, 2003 • TUFFERY Stéphane, Data Mining et statistique décisionnelle (3e éd.), Technip, 2010 Langue d’enseignement Français 42 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-08– Matière 2INFO06 – Semestre 2 Python pour le statisticien public Python for public statistician 10h30 (répartition à déterminer) Enseignant Correspondant : A déterminer : A déterminer 43 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-08 – Matière 2AINF002 – Semestre 2 Cartographie Cartography Cours-TP : 21h (dont élaboration d’un atlas : 9h) Enseignants Correspondant : Sandra CHIRAZI (Ensai) : Sandra CHIRAZI Objectif de la matière Les objectifs de ce module sont de prendre en main un outil de cartographie et d’apprendre à réaliser des cartes sémiologiquement correctes. Les étudiants devront réaliser en binôme un atlas cartographique au format électronique à partir de données à mobiliser sur le Web. Le logiciel utilisé sera Quantum GIS Contenu de la matière • • • • • • • • Initiation aux projections et référentiels cartographiques Connaître et manipuler les différents types de fichiers (fonds de cartes vectoriels, etc.) Créer de nouvelles couches géographiques / Importer et exporter des données Cartographie élémentaire et sémiologie Connaissance avancée des objets géométriques Géocodage/géolocalisation et utilisation de données carroyées par l’analyse spatiale. La cartographie à l’Insee (initiation aux outils « maison » : Oceanis, Macros SAS, etc.) et les zonages d’études. Mobilisation et préparation des données à cartographier Documents pédagogiques Support de cours Pré-requis Aucun Contrôle des connaissances 1 examen-TP pour 1/5 de la note. Réalisation d’un atlas cartographique de 12, 4/5 de la note. Références bibliographiques • • • • Quantum Gis – Manuel de l’utilisateur P. Rouet (1991), Les données dans les systèmes d'information géographique, Ed. Hermes S-A Souiah & E. Minvielle (2003) - L'analyse démographique et spatiale. Statistiques, cartographie, télédétection, SIG. Editions du temps JM FLOCH (2012), Détection des disparités socio-économiques - L'apport de la statistique spatiale (Document de travail Insee - disponible sur internet) Langue d’enseignement Français. 44 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-09– Matière 2AECO07 – Semestre 2 Microéconométrie appliquée Applied Micro Econometrics Cours-TD : 21h Enseignant Correspondant : Ronan LE SAOUT (Ensai) : Stéphane AURAY Objectif de la matière L’INSEE présente la particularité d’être à la fois producteur de statistiques, d’analyses conjoncturelles et d’études économiques. Dans ces trois sphères, la micro-économétrie intervient mais avec des objectifs différents. Elle est un outil pour la production d’indicateurs, par exemple pour la construction d’indices de prix dits hédoniques. Elle intervient pour la détermination des hypothèses des modèles macro-économiques ou de micro-simulation (hypothèses sur l’élasticité de la demande, sur la rigidité des prix…). De manière plus naturelle, elle sert à conduire des études économiques ou des évaluations de politiques publiques. Cet enseignement apporte des compléments d’économétrie (théorique et appliquée) utiles aux micro-économistes, en s’appuyant sur les travaux menés par l’INSEE. D’un point de vue théorique, un complément sera effectué sur l’économétrie des données d’enquêtes. De manière appliquée, les enseignements du cours d’économétrie seront illustrés, en distinguant analyse descriptive et causale. Principaux acquis de la formation : à l’issue du cours, l’étudiant saura • Mobiliser les concepts de la théorie micro-économique pour la construction d’indicateurs ou la conduite d’une étude économique ; • Interpréter les résultats d’une étude économique, en distinguant approche descriptive et causale ; • Choisir les techniques économétriques appropriées aux données d’enquête ; • Lire et reproduire un texte économétrique avec un regard critique sur la qualité des données, le choix des méthodes et l’interprétation des résultats. Contenu du cours Le cours comprendra trois parties, la première consacrée à la quantification économique, par exemple la mesure de la discrimination, les indices de prix hédoniques, l’évaluation des biens non-marchands ; la deuxième consacrée aux études économiques à travers des thèmes de micro-économétrie, par exemple en économie du travail, économie industrielle, évaluation des politiques publiques ; la troisième consacrée à l’économétrie des données d’enquêtes. Pré-requis Ce cours mobilise principalement les concepts et outils présentés dans le cours d’économétrie et dans les cours de micro-économie. Contrôle des connaissances 45 Ensai Programme des enseignements de 2ème année 2016/2017 Au début de chaque séance (hormis la première), il y aura un court quizz de 5 minutes (4 questions). Il sera demandé par groupe de deux étudiants une relecture critique d’une étude économique, si possible en reproduisant les analyses menées dans l’article. Références bibliographiques Davezies, Laurent, et Xavier D'Haultfoeuille. (2012) « Faut-il pondérer ? Ou l'éternelle question de l'économètre confronté à des données d'enquête. » Acte des JMS, INSEE. Solon, Gary, Steven J. Haider, et Jeffrey Wooldridge. (2014) « What are we weighting for ? » NBER Working Paper n°18859. Langue d’enseignement Français 46 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-09 – Matière 2AECO09 – Semestre 2 Economie du risque Economics of Risk Cours : 21h Enseignant Correspondant : Olivier RENAULT : Vincenzo CAPONI Objectif de la matière Le cours se divise en 2 parties. Dans une première partie, nous étudierons le processus de décision en situation de risque et d’incertitude ainsi qu’une introduction à la théorie de l’assurance. La seconde partie sera consacrée à des applications (mesures d’inégalités, assurance, portefeuille) encore à déterminer. Contenu de la matière 1. Eléments de théorie du risque et de l’incertitude 1.1 Introduction : risque et incertitude 1.2 Quelques critères de décision 1.2.1 en situation d’incertitude 1.2.2 en situation risquée 1.3 Attitude vis-à-vis du risque 1.3.1 Le critère de l’utilité espérée 1.3.2 La dominance stochastique 1.3.3 Prime de risque et Equivalent-certain 1.3.4 Aversion au risque 1.3.5 Mesure du risque 1.4 Le risque et la théorie de l’assurance 1.4.1 Aléa moral et anti-sélection 1.4.2 Assurance optimale 2. Applications Pré-requis : Modélisation microéconomique du comportement du consommateur et du producteur Contrôle des connaissances : A déterminer Références bibliographiques : • • • The Economics of Risk and Time, Christian Gollier, MIT Press, 2001. Economic and financial decisions under uncertainty, Louis EECKHOUDT, Christian GOLLIER, Harris SCHLESINGER, Princeton University Press, 2005 rd Measuring inequality (3 ed.), Frank Cowell, Oxford University Press, 2011 http://darp.lse.ac.uk/MI3 Langue d’enseignement : Français ou anglais 47 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-09– Matière 2AECO04 – Semestre 2 Empirical Macroeconomics Macroéconomie empirique Cours : 10h30 TD : 6h Enseignant Correspondant : Stéphane AURAY (Ensai) : Stéphane AURAY Objectif de la matière Cet enseignement a pour but d’apporter des compléments d’économétrie théorique utiles aux macro-économistes et de mettre en pratique, dans le cadre de la macroéconomie, certains outils vus dans le cours d’économétrie. Contenu de la matière Plusieurs thèmes seront abordés, à la fois d’un point de vue théorique et d’un point de vue empirique, portant soit sur l’économie réelle, soit sur l’économie monétaire et financière. L’an passé les thèmes suivants ont été abordés : − Croissance et convergence du PIB par tête des économies − Analyse économique du problème du chômage − Politique monétaire et règle de Taylor − La valorisation des marchés actions Pré-requis Les cours de macroéconomie de première année sont supposés assimilés. Contrôle des connaissances A déterminer Références bibliographiques • CADORET I., BENJAMIN C., MARTIN F., HERRARD N., TANGUY S., (2009), Econométrie e appliquée (2 éd.), De Boeck e • DORMONT B., (2007), Introduction à l’économétrie (2 éd.), Montchrestien • HAIRAULT J.O. (sous la direction de), (2000), Analyse macroéconomique, La Découverte, Tomes 1 et 2 • ROMER D., (1997), Macroéconomie approfondie, Mc Graw Hill Langue d’enseignement Anglais 48 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-08– Matière 2AINF08 – Semestre 2 Panorama du Big Data Introduction to Big Data Cours : 9h Atelier : 12h Enseignant Correspondant : Yann Busnel (Ensai) et Stéphane Tuffery (Crédit Mutuel - CIC) : Yann Busnel Objectif de la matière Au cours de la dernière décennie, nous avons assisté à l’émergence d’applications numériques nécessitant de faire face à de gigantesques quantités de données, générées de plus en plus rapidement. Ces applications (surveillance de réseaux, biologie et médecine, applications financières, réseaux sociaux, etc.) nécessitent un besoin grandissant de techniques capables d’analyser et de traiter ces grandes masses d’information, avec précision et efficacité. La statistique rejoint ici les sciences du numérique, et plus précisément l’informatique répartie, pour proposer de nouvelles approches, relatives au Big Data. Les techniques et les modèles doivent prendre en compte le volume pléthorique de ces données, mais également leur génération rapide en continu (vélocité) ainsi que la diversité de leur format (variété) et la qualité de l’information (véracité), appelés communément les 4V du Big Data. Contenu de la matière • • • • • Que se cache-t-il derrière l’expression marketing « Big Data » La volumétrie : un problème de performance La vélocité : un problème d’efficacité La variété : un problème d’hétérogénéité La véracité : un problème de qualité Deux approches par la pratique seront proposées avec la vision informatique puis statistique. Pré-requis Programmation objet avec Java ; Programmation avec R. Contrôle des connaissances Un contrôle continu portant sur les différentes facettes (informatique et statistique). Références bibliographiques • • • Analyses des Big Data : quels usages, quels défis ? Note d’analyse du Comissariat général à la stratégie et la prospective Pirmin Lemberger, Marc Batty, Médéric Morel, Jean-Luc Raffaëlli. Big Data et machine learning - Manuel du data scientist, Dunod, 2015. Rudi Bruchez. Les bases de données NoSQL et le BigData : Comprendre et mettre en œuvre, Eyrolles (2015) Langue d’enseignement Français 49 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements du deuxième semestre : tronc commun pour les élèves ingénieurs 51 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-06 – Matière 2ASTA07 – Semestre 2 Projet statistique Project in Statistics Projet : 33h, dont 7h de suivi avec le tuteur et 3h de coaching Enseignant Correspondant : Divers intervenants : Salima EL KOLEI Objectif de la matière Les projets de statistique sont encadrés par des praticiens de la statistique et ont pour objectif l'application et l'approfondissement des connaissances statistiques acquises dans le cadre des enseignements. Les élèves, répartis par groupes de quatre, traitent le sujet qu'ils ont choisi sous la conduite scientifique et technique du praticien qui l'a proposé. Ils doivent circonscrire le problème soumis et le traiter en utilisant les concepts, méthodes et outils appropriés. Contenu de la matière Les sujets traités au cours des projets sont issus de domaines divers, mais présentent une forte composante statistique, de nature méthodologique et technique. Exemples de sujets traités : • Typologie de clientèle • Étude de la dynamique de la structure par terme des taux • Analyse de l'activité des hôpitaux locaux • Typologie de consommation de soins • Mesure de la précision du nouveau recensement • Évolution des concentrations de nitrate dans les cours d'eau bretons Documents pédagogiques Un guide pratique. Pré-requis Cet enseignement demande la maîtrise de l’ensemble des enseignements de statistique de ère ème 1 et 2 année qui seront mobilisés de façon inégale, selon le sujet traité. Contrôle des connaissances Un rapport écrit, un poster et une soutenance orale. Références bibliographiques Selon sujet traité. Langue d’enseignement Français 53 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-07 – Matière 2ASTA08 – Semestre 2 Modèle linéaire généralisé et régression sur variables catégorielles Generalized Linear Models and Regression on Categorical Data Cours : 18h TP : 9h Enseignant Correspondant : : Objectif de la matière A l’issue de cet enseignement, les élèves devront en fonction du problème posé et de la nature des données disponibles, savoir choisir un type de modèle, savoir le construire, le mettre en œuvre sous SAS et en interpréter les résultats. Contenu de la matière Dans de nombreux domaines d’études la variable expliquée est catégorielle, c’est-à-dire qu’elle est représentée par un nombre fini de modalités. L’étude statistique de ces variables nécessite alors un autre outil que le modèle linéaire, à savoir le modèle linéaire généralisé. Ce cours fournira donc une méthode de régression sur variables catégorielles. Nous étudierons les modèles dichotomique, polytomique ordonné et multinomial, ainsi que la régression de Poisson. La méthode sera illustrée d’exemples utilisant les procédures LOGISTIC et CATMOD sous SAS. Pré-requis Cet enseignement demande que tous les élèves maîtrisent les cours de modèle de régression et statistique 3 (statistique inférentielle). Contrôle des connaissances Un examen écrit d’une durée de deux heures (+ éventuellement rapport de TP). Références bibliographiques • • • • rd AGRESTI A., Categorical Data Analysis (3 ed.), WILEY & Sons, 2012 e GOURIEROUX C., Économétrie des variables qualitatives, (2 éd.), Editions Economica, 1989 HOSMER D.W., LEMESHOW S., Applied Logistic Regression (3rd ed.), WILEY & Sons, 2013 e LEBART L., MORINEAU A., PIRON M., Statistique exploratoire multidimensionnelle (4 éd.), Dunod, 2006 • SAS Institute Inc. Logistic Regression. Examples. Version 6, 1995. • STOKES MAURA E., DAVIS, CHARLES S., KOCH, GARY G., Categorical Data Analysis Using the nd SAS System (2 ed.), Cary, NC : SAS Institute Inc, 2000 Langue d’enseignement Français. 54 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-07– Matière 2ASTA02 – Semestre 2 Statistique computationnelle Computational Statistics Cours : 27h TD : 3h TP : 18h Enseignant Correspondant : Myriam VIMOND (Ensai) : Myriam VIMOND Objectif de la matière La statistique computationnelle a pour objet la mise en œuvre de méthodes statistiques sur les ordinateurs, y compris celles impensables avant l'âge de l'ordinateur (par exemple bootstrap, simulation), ceci pour faire face aux problèmes analytiques. A partir de modèles statistique simple (inférence sur un tableau de contingence, modèles de mélanges, données manquantes, régression logistique, régression linéaire, valeurs extrêmes, modèle d'échantillonnage), le cours présentera des algorithmes permettant l'inférence des données. Ces algorithmes sont justifiés par la théorie des probabilités. Contenu de la matière • Chapitre 1. Introduction aux chaines de Markov (Espace d'état discrets, Propriété de Markov, Classification des états, Ergodicité, Espace d'états continus). Les chaînes de Markov sont probablement l'un des concepts les plus importants de la statistique computationnelle. Les chaînes de Markov ont des applications dans les sciences exactes et naturelles : en physique statistique, la biologie, l'écologie, l'économie et le marché boursier. Cours 6h, TD 3h (pour les attachés qui suivent l’option chaîne de Markov, il y a 6h de TD) • Chapitre 2. Générateur de nombres aléatoires (Nombre pseudo-aléatoires, inversion de la fonction de répartition, acceptation-rejet, stratification). Générer des nombres aléatoires issus d'une loi de probabilité désiré est un préalable à toute expérience de Monte Carlo. Ce chapitre présente différentes méthodes permettant de générer des échantillons indépendant et identiquement distribués et de simuler des lois vectorielles. Cours 3h, TP 3h • Chapitre 3. Méthodes de Monte Carlo (Echantillon d'importance, Stratification, Evaluation d'intégrales et de quantiles, Erreur de Monte Carlo). Les méthodes de Monte Carlo sont une large classe d'algorithmes de calcul qui reposent sur un échantillonnage aléatoire répétée afin d'obtenir des résultats numériques. Elles sont principalement utilisés dans trois problèmes distincts: l'optimisation, l'intégration numérique et la production d'échantillons à partir d'une distribution de probabilité. Ce chapitre se consacre à l'un de ses problèmes, l'évaluation d'une intégrale et l'évaluation d'un quantile d'une distribution. Cours 3h, TP 3h • Chapitre 4. Monte Carlo par Chaîne de Markov (Metropolis Hastings, Gibbs, Erreur de Monte-Carlo) Les MCMC sont une classe d'algorithmes pour l'échantillonnage de lois de probabilité basé sur la construction d'une chaîne de Markov ergodique. Ces algorithmes sont communément utilisés en statistique bayésienne ou pour l'évaluation d'intégrales multidimensionnelles. Cours 3h, TP 3h • Chapitre 5. Rééchantillonnage (Mesure empirique, Estimateur plug-in, Jackknife, Bootstrap d'Efron) Le concept rééchantillonnage des données présente est utilisée pour estimer la 55 Ensai Programme des enseignements de 2ème année 2016/2017 précision d'un estimateur comme l'erreur-type, un intervalle de confiance, ou le biais d'un estimateur. Ces techniques peuvent ainsi compléter les méthodes statistiques usuelles. Cours 6h, TP 4h30 • Chapitre6. Données manquantes (Les différents mécanismes des données manquantes, l'imputation simple, l'augmentation des données). On est en présence de données manquantes lorsque l'on constate l'absence de valeurs pour une variable donnée. Les données manquantes réduisent la représentativité de l'échantillon et peuvent donc fausser inférences sur la population. Différentes méthodes d'imputation simple ou partielle sont étudiées. Cours 3h, TP 3h • Chapitre 7. L'algorithme EM L'algorithme espérance-maximisation est une méthode itérative pour évaluer l'estimateur du maximum de vraisemblance ou le mode a posteriori (MAP) dans le cas où le modèle dépend de variables latentes non observées. Cours 3h, TP 1h30 Documents pédagogiques Support de cours. Pré-requis Les notions de probabilités générales vues en première année (calcul de lois, conditionnement, théorèmes de convergence, algorithmes classiques de simulation de lois). Méthodes classiques d’estimation (méthode des moments, du maximum de vraisemblance, utilisation de la mesure empirique). Statistique Bayesienne. Le cours de programmation de première année. Des notions de programmation en R. Contrôle des connaissances Un partiel (1h) portera sur les trois premiers chapitres (coeff 1/3). Un examen écrit (2h15) avec une feuille A4 autorisée (coeff 2/3). Références bibliographiques • • • • • nd RUBINSTEIN R., Simulation and the Monte Carlo Method (2 ed.), Wiley, 2008 ROBERT Ch., Méthodes de Monte Carlo par chaînes de Markov, Economica, 1996 EFRON B., TIBSHIRANI R. J., An introduction to the bootstrap, 1993 NTZOUFRAS, I, Bayesian Modeling Using WinBUGS, Wiley, 2009 LITTLE, R., RUBIN, D. Statistical Analysis with missing data, Wiley, 2002 Langue d’enseignement Français 56 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-07– Matière 2ASTA04 – Semestre 2 Modèles de durée Survival Analysis Cours : 12h TD : 6h TP : 3h Enseignant Correspondant : Yann DE RYCKE : A déterminer Objectif de la matière Avoir identifié les hypothèses, les problèmes spécifiques et les champs d'application de l'étude des modèles de durée ; connaître correctement les outils spécifiques et le vocabulaire particulier à cette problématique ; savoir calculer en pratique les estimateurs de KaplanMeier et Nelson-Aalen, des fonctions de survie et de hasard ; savoir pratiquer, notamment sur ordinateur, une estimation paramétrique ou non-paramétrique à partir d'un jeu de données. Les logiciels SAS ou R seront utilisés lors des TP. Contenu de la matière 1. 2. 3. 4. 5. 6. 7. Motivation et exemples Outils spécifiques aux modèles de durée Modélisation paramétrique Modélisation non-paramétriques Tests de comparaison de fonctions de survie et tests d’adéquation. Modèles de régression Approche bayésienne Documents pédagogiques Comptes rendus de cours ; polycopié. Pré-requis Bonne maîtrise du calcul de probabilité tel que vu en première année. Notions d'estimation non-paramétrique, notamment maîtrise des statistiques d'ordre et de la fonction de répartition empirique. Notions d'estimation paramétrique, notamment savoir calculer une vraisemblance, un maximum de vraisemblance (cas discret et absolument continu). Contrôle des connaissances Un examen final (2 h). Références bibliographiques • J.J. DROESBEKE, B. FICHET & P. TASSI éditeurs. Analyse Statistique des durées de vie. Modélisation des données censurées, 1989 • J.P. KLEIN, M.L. MOESCHBERGER, Survival Analysis : Techniques for Censored and Truncated Data (2nd edition), Statistics for Biology and Health, Springer, 2003. • W. NELSON, Applied Life Data Analysis, Wiley series in Probability and Mathematical Statistics, 1982 Langue d’enseignement Français 57 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-08– Matière 2AINF03 – Semestre 2 Programmation objet en C++ Programming in C++ Cours : 6h TP : 21h Enseignant Correspondant : Thomas GUYET (Agrocampus Ouest/IRISA) : Samuel TOUBON Le langage C++ est apparu en 1983. Il s’agit d’une extension du langage C permettant la programmation orientée objet. Ce langage reste très utilisé et a su évoluer dans le temps puisque sa dernière révision date de 2014. Les points forts du C++ sont : • Les grandes performances de calcul en temps et en utilisation mémoire • L’utilisation de concepts de développement orienté objet • L’existence d’une grande communauté d’utilisateurs et d’un outillage de développement important (compilateurs, bibliothèques, outils de débuggage, etc.). Ce langage est utilisé dans la recherche ou l’industrie surtout lorsque le temps d’exécution ou la gestion de la mémoire deviennent des contraintes importantes : calcul scientifique, imagerie 3D, traitement vidéo, traitement du signal, calculs financiers, traitement de grandes quantités de données. Sa capacité à traiter de l'information à bas niveau en fait un langage de prédilection pour la conception d'outils modulaires. Il est ainsi possible d'intégrer les bibliothèques de fonctions développées en C++ au sein de logiciels tels que Matlab, R, SAS ou encore Python pour dépasser les contraintes natives de ces outils. Ce langage pourra donc être utile pour les élèves devant faire face à des problèmes nécessitant des exécutions efficaces ou dont les solutions doivent s'intégrer dans les outils modulaires mentionnés plus haut. Objectif de la matière Donner aux élèves les principaux concepts du langage afin qu’ils puissent comprendre et écrire des programmes en C++. Contenu de la matière Les notions de base : • Structure des programmes • Expressions, instructions et types de base • La manipulation des pointeurs, des références et gestion de la mémoire • Les opérateurs et leur surcharge • La généricité (template) Les notions de programmation orientée objet • Les classes et l’encapsulation • Vie des objets : construction, manipulation et destruction des objets • L’héritage simple et multiple • Le polymorphisme dynamique • Les classes abstraites Utilisation de la librairie standard (C++11) • fonctionnement des conteneurs de données • manipulation des entrées/sorties : affichages, saisies, fichiers 58 Ensai Programme des enseignements de 2ème année 2016/2017 Certaines de ces notions sont très proches de celles vues en Java mais le C++ a aussi des particularités. La gestion manuelle de la mémoire qui est à la l’origine de sa puissance est une de ses difficultés. Les notions de pointeurs et d'allocation dynamique de la mémoire sont des notions fondamentales d'informatique et feront l'objet d'un intérêt particulier. Documents pédagogiques Support de cours et de TP. Documents complémentaires en ligne (correction des TP, exercices corrigés en ligne, annales d'examen). Pré-requis Le contenu du cours d’algorithmique de première année, les concepts de programmation orientée objet vus en Java (incluant l'utilisation du logiciel Eclipse) ainsi que les notions de conception d’application UML. Contrôle des connaissances Un examen final (2/3 de la note), mini-projet (1/3 de la note) Références bibliographiques • • • • • S.B. LIPPMAN (1998), L’essentiel du C++, Addison-Wesley B. STROUSTRUP (2003), Le langage C++, Pearson Edition e DEITEL & DEITEL (2003), Comment programmer en C++ (3 éd.), Eyrolles nd B. ECKEL (2000), Thinking in C++ (2 ed.), Prentice Hall J. LIBERTY (1999), C++ Ressources d’experts, Campus Press. Langue d’enseignement Français 59 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-08– Matière 2AINF07 – Semestre 2 Programmation avancée en R Advanced Programming in R Cours : 3h TP : 12h Enseignant Correspondant : Thierry MATHE (Insee) : Samuel TOUBON Objectif de la matière Le langage R permet au statisticien de développer ses propres programmes. Cependant, le temps d’exécution de ces programmes peut être long. Lorsque ce temps d’exécution devient problématique il faut alors chercher à optimiser le programme. Le but de cet enseignement est de donner aux étudiants : • des outils permettant de rechercher les parties du programme qui posent problème • des pratiques de programmation en R permettant d’obtenir des programmes plus rapides • un aperçu de l’utilisation de bibliothèques C ou C++ en R Contenu de la matière 1. 2. 3. 4. Syntaxe de R – écrire des programmes efficaces en R Les outils de profilage Créer un paquet Intégrer du code C/C++ dans R Documents pédagogiques Support de cours Pré-requis Programmation en R Cours de Programmation objet en C++ Contrôle des connaissances Un examen. Références bibliographiques - http ://www.r-project.org : site du projet R, contenant en particulier des manuels d'utilisation (http ://cran.r-project.org/manuals.html) comme Writing R Extensions ou R Internals. - http ://rwiki.sciviews.org : wiki des utilisateurs de R. - http ://www.r-bloggers.com : blog(s) des utilisateurs de R. Langue d’enseignement Français 60 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2- 09 – Matière 2AECO05 – Semestre 2 Econométrie non paramétrique Nonparametric Econometrics Cours : 21h Enseignant Correspondant : Marian HRISTACHE (Ensai) : Marian HRISTACHE Objectif de la matière La donnée d’un modèle statistique paramétrique fait intervenir une famille de lois caractérisée par un petit nombre de paramètres réels inconnus. Un tel cadre peut être parfaitement approprié lorsque la famille des lois de probabilité retenue apparaît imposée par le phénomène aléatoire que l’on veut décrire. En pratique cependant, ce choix d’un modèle paramétrique n’est souvent qu’un procédé simplificateur commode, amenant des erreurs d’identification. L’approche alternative consiste à définir un modèle plus large, « non paramétrique », où une loi possible est caractérisée par une fonction (et non plus un élément de Ρk). Identifier la loi revient alors à estimer cette fonction, approche qui a connu un vigoureux développement au cours des vingt dernières années, et constituera l’objet de ce cours. Contenu de la matière 1. 2. 3. 4. 5. Modèles non et semi-paramétriques. Principes de base de l’estimation fonctionnelle. Estimation d’une densité par la méthode du noyau. Estimation d’une régression par la méthode du noyau. Estimation non paramétrique du score de propension. Méthode des moments (généralisés) et instruments optimaux. Documents pédagogiques Support de cours. Pré-requis Bonne connaissance des cours de statistique 1-4, modèles de régression et économétrie. Contrôle des connaissances Examen écrit + devoirs. Références bibliographiques • BOSQ, D., LECOUTRE, J. P. (1987), Théorie de l’estimation fonctionnelle, Economica. • HOROWITZ, J.L. (2009), Semiparametric and Nonparametric Methods in Econometrics, Springer • LI, Q., RACINE, J. S. (2007), Nonparametric Econometrics. Theory and Practice, Princeton University Press. • PAGAN, A., ULLAH, A. (1999), Nonparametric Econometrics, Cambridge University Press. • TSYBAKOV, A. B. (2004), Introduction à l’estimation non-paramétrique, Springer. • WASSERMAN, L. (2006), All of Nonparametric Statistics, Springer. Langue d’enseignement Français 61 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-09 – Matière 2AECO09 – Semestre 2 Economie du risque Economics of Risk Cours : 21h Enseignant Correspondant : Olivier RENAULT : Vincenzo CAPONI Objectif de la matière Le cours se divise en 2 parties. Dans une première partie, nous étudierons le processus de décision en situation de risque et d’incertitude ainsi qu’une introduction à la théorie de l’assurance. La seconde partie sera consacrée à des applications (mesures d’inégalités, assurance, portefeuille) encore à déterminer. Contenu de la matière 1. Eléments de théorie du risque et de l’incertitude 1.5 Introduction : risque et incertitude 1.6 Quelques critères de décision 1.6.1 en situation d’incertitude 1.6.2 en situation risquée 1.7 Attitude vis-à-vis du risque 1.7.1 Le critère de l’utilité espérée 1.7.2 La dominance stochastique 1.7.3 Prime de risque et Equivalent-certain 1.7.4 Aversion au risque 1.7.5 Mesure du risque 1.8 Le risque et la théorie de l’assurance 1.8.1 Aléa moral et anti-sélection 1.8.2 Assurance optimale 2. Applications Pré-requis : Modélisation microéconomique du comportement du consommateur et du producteur Contrôle des connaissances : A déterminer Références bibliographiques : • • • The Economics of Risk and Time, Christian Gollier, MIT Press, 2001. Economic and financial decisions under uncertainty, Louis EECKHOUDT, Christian GOLLIER, Harris SCHLESINGER, Princeton University Press, 2005 rd Measuring inequality (3 ed.), Frank Cowell, Oxford University Press, 2011 http://darp.lse.ac.uk/MI3 Langue d’enseignement : Français ou anglais 62 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements de deuxième semestre : cours électifs 63 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2ASTA16 – Semestre 2 Modèles avancés de régression Advanced Regression Models Cours : 21h Enseignant Correspondant : Marian HRISTACHE (Ensai) : Marian HRISTACHE Objectif de la matière Les modèles de régression semi-paramétriques s'imposent de plus en plus comme une alternative performante aux modèles non paramétriques et paramétriques classiques, car la présence simultanée d'un paramètre fonctionnel et d'un paramètre de dimension finie permet à la fois l'interprétation intuitive simple du paramètre euclidien, indispensable à l'utilisateur, et une plus grande flexibilité dans le choix du modèle, liée au paramètre fonctionnel. De plus, on peut ainsi échapper à deux problèmes classiques du modélisateur : 1. la très faible vitesse de convergence des estimateurs non paramétriques de régression, dès que le nombre des régresseurs est grand. 2. les erreurs de spécification usuellement inhérentes à une modélisation paramétrique trop précise. Le but du cours est la découverte de deux modèles de régression semi-paramétriques usuels. Contenu de la matière 1. 2. 3. 4. Modèles paramétriques, non paramétriques, semi-paramétriques Régression non paramétrique : estimateurs par polynômes locaux Régression partiellement linéaire Réduction de dimension : modèles à direction révélatrice Documents pédagogiques Support de cours. Pré-requis Bonne connaissance des cours de modèles statistique et estimation et modèles de régression. Avoir suivi le cours de modèle linéaire généralisé aidera à une meilleure compréhension des deux cours. Contrôle des connaissances Examen écrit. Références bibliographiques • • • • • EUBANK, R.L. (1999), Nonparametric Regression and Spline Smoothing, (2nd ed.), Dekker. FAN, J., GIJBELS, I. (1996), Local Polynomial Modelling and Its Applications, Chapman & Hall. HÄRDLE, W., LIANG, H., GAO, J. (2000), Partially Linear Models, Springer. HASTIE, T., TIBSHIRANI, R.J. (1990), Generalized Additive Models, Chapman & Hall. HOROWITZ, J. (1998), Semiparametric Methods in Econometrics, Springer. Langue d’enseignement Français 64 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2ASTA01 – Semestre 2 Chaînes de Markov Markov Chains Cours : 15h TD : 6h Enseignant Correspondant : Adrien SAUMARD (Ensai) : Adrien SAUMARD Objectif de la matière Ce cours revient des chaînes de Markov, famille importante de processus stochastiques, déjà rencontrée en ISAO, et dont le champ d’application est très large : file d'attente, gestion de stocks, fiabilité, traitement d'images, économétrie, génétique, physique, etc. Le cours nécessite la maîtrise du calcul des probabilités. Il introduira les notions nécessaires à une bonne compréhension de la modélisation des phénomènes markoviens. De nombreux exemples d’application seront étudiés en cours et sous forme d’exercice. Contenu de la matière Rappel des définitions. Équation de Chapman-Kolmogorov et formules de conditionnement. Classification des états, périodicité, temps d’atteinte, récurrence et transience. Loi stationnaire et théorèmes limites, statistiques des chaines de Markov. Contrôle des connaissances Examen écrit de 2h00. Références bibliographiques • BALDI P., MAZLIAK L. & PRIOURET P., Martingales et chaînes de Markov : théorie élémentaire et exercices corrigés, Hermann, 2001. • BENAIM M., EL KAROUI N., Promenade aléatoire, éditions de l’École Polytechnique, 2004. • BOULEAU N., Processus stochastiques et applications (nouv. éd.), Hermann, 2000. e • FOATA D. & FUCHS A., Processus Stochastiques (2 éd.), Dunod, 2004. • GRAHAM C., Chaînes de Markov, Dunod, 2008. • GRIMMETT G.R. & STIRZAKER D.R., Probability and Random Processes, Oxford Sciences rd Publications, 2001 (3 ed.). • NORRIS J.R., Markov Chains, Cambridge Series in Statistical and Probabilistic Mathematics, 1997. • PARDOUX E., Processus de Markov et applications: Algorithmes, réseaux, génome et finance. Dunod, 2007. Langue d’enseignement Français. 65 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2ASTA13 – Semestre 2 Analyse de données répétées (pour les élèves ingénieurs) Longitudinal Data Analysis Cours : 15h TP : 6h Enseignant Correspondant : : Objectif de la matière L’analyse de mesures répétées ou données longitudinales survient par exemple lorsque l’on suit des patients au cours du temps (courbes de croissance. Contrairement à ce qui a été fait jusque là pour les modèles linéaires et linéaires généralisés, les observations ne sont plus indépendantes ; en effet elles se divisent naturellement en groupes (par individu) qui sont eux indépendants. L’objet de ce cours est de voir sur 2 modèles classiques, le modèle linéaire et la régression logistique, comment écrire un modèle tenant compte de cette dépendance et estimer ces paramètres. L’implémentation se fera sous SAS. Contenu de la matière 1. 2. 3. 4. 5. Rappel sur les modèles linéaires et GLM Limites du modèle linéaire et GLM et définition des données répétées Modèle linéaire pour l’analyse de données répétées Régression logistique sur des données répétées Implémentation des modèles sous SAS Pré-requis Bonne connaissance des cours de modèle linéaire, ANOVA et GLM. Contrôle des connaissances A déterminer Références bibliographiques • Charles E. McCulloch , Shayle R. Searle , John M. Neuhaus , 2008 .Generalized, Linear, and Mixed Models (Wiley Series in Probability and Statistics) • Verbeke, Geert; Molenberghs, Geert ,1997. Linear Mixed Models in Practice A SAS-Oriented Approach • Agresti, A., An introduction to categorical analysis, Wiley, 1996 Langue d’enseignement Anglais. 66 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2ASTA15 – Semestre 2 Martingales et processus de Lévy Martingales and Levy Process Cours : 12h TD : 9h Enseignant Correspondant : Lionel TRUQUET (Ensai) : Lionel TRUQUET Objectif de la matière Connaître et savoir appliquer les techniques de bases faisant appel aux outils de type martingale. Maîtriser notamment les notions de temps d'arrêt et de crochet de martingales. Avoir une intuition de la notion de martingale en temps continu et de la propriété de Lévy. Être prêt à appliquer ces techniques dans un cadre applicatif. Contenu de la matière 1. 2. 3. 4. 5. 6. Processus stochastiques, filtrations, temps d’arrêt Martingales sous-martingales et sur-martingales en temps discret Théorèmes d’arrêt et de convergence Processus en temps continu Processus de Lévy, processus de Poisson, mouvement brownien Exemples de martingales à temps continu Pré-requis Une bonne maîtrise des techniques probabilistes telles qu'elles sont présentées dans le cours de Probabilités « maths ». Contrôle des connaissances Un examen final (2 h). Documents et calculatrices autorisés. Références bibliographiques e • FOATA D., FUCHS A., Processus stochastiques (2 éd.) (Dunod, 2004) • WILLIAMS D., Probability with martingales (Cambridge University Press, 1991) Langue d’enseignement Français 67 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-07– Matière 2ASTA04 – Semestre 2 Modèles de durée Survival Analysis Cours : 12h TD : 6h TP : 3h Enseignant Correspondant : Yann DE RYCKE : À déterminer Objectif de la matière Avoir identifié les hypothèses, les problèmes spécifiques et les champs d'application de l'étude des modèles de durée ; connaître correctement les outils spécifiques et le vocabulaire particulier à cette problématique ; savoir calculer en pratique les estimateurs de KaplanMeier et Nelson-Aalen, des fonctions de survie et de hasard ; savoir pratiquer, notamment sur ordinateur, une estimation paramétrique ou non-paramétrique à partir d'un jeu de données. Les logiciels SAS ou R seront utilisés lors des TP. Contenu de la matière 1. 2. 3. 4. 5. 6. 7. Motivation et exemples Outils spécifiques aux modèles de durée Modélisation paramétrique Modélisation non-paramétriques Tests de comparaison de fonctions de survie et tests d’adéquation. Modèles de régression Approche bayésienne Documents pédagogiques Comptes rendus de cours ; polycopié. Pré-requis Bonne maîtrise du calcul de probabilité tel que vu en première année. Notions d'estimation non-paramétrique, notamment maîtrise des statistiques d'ordre et de la fonction de répartition empirique. Notions d'estimation paramétrique, notamment savoir calculer une vraisemblance, un maximum de vraisemblance (cas discret et absolument continu). Contrôle des connaissances Un examen final (2 h). Références bibliographiques • J.J. DROESBEKE, B. FICHET & P. TASSI éditeurs. Analyse Statistique des durées de vie. Modélisation des données censurées, 1989 • J.P. KLEIN, M.L. MOESCHBERGER, Survival Analysis : Techniques for Censored and Truncated Data (2nd edition), Statistics for Biology and Health, Springer, 2003. • W. NELSON, Applied Life Data Analysis, Wiley series in Probability and Mathematical Statistics, 1982 Langue d’enseignement Français 68 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-07– Matière 2ASTA12 – Semestre 2 Méthodes de discrimination (pour les élèves ingénieurs) Discriminant Analysis Cours : 15h TP : 9h Enseignant Correspondant : Marine DEPECKER (CEA) : Brigitte GELEIN Objectif de la matière A l’issue de cet enseignement, les élèves devront être capables de mettre en œuvre et d’analyser les résultats des méthodes de discrimination et de segmentation par arbre. Les applications de l’analyse discriminante et de la segmentation sont très nombreuses : scoring bancaire, marketing, aide au diagnostic ou au pronostic médical, reconnaissance de formes, prévision d’événements, etc. Ce module présentera les fondements théoriques de ces méthodes et permettra leur mise en œuvre concrète lors de séances de TD et TP sur SAS et SPAD. Elles consisteront en des études de cas réalisées sur des jeux de données réels pour lesquelles les élèves devront définir les méthodes à utiliser, les mettre en œuvre et en interpréter les résultats. Contenu de la matière Partie 1 : Analyse discriminante Partie 2 : Segmentation par arbre (CART, CHAID) Partie 3 : Comparaison de méthodes Documents pédagogiques Polycopiés. Pré-requis Cet enseignement demande la maîtrise du cours de Statistique Exploratoire Multivariée 1, de la notion de projection et d’optimisation (lagrangien). Contrôle des connaissances Un examen écrit. Références bibliographiques • HUBERTY C.J., Applied discriminant analysis, Wiley, 1994. • McLACHLAN G.J., Discriminant analysis and statistical pattern recognition, Wiley, 1992. • CELEUX G., NAKACHE J.P., Analyse discriminante sur variables qualitatives, Polytechnica, 1994 • CONFAIS J., NAKACHE J.-P., Statistique explicative appliquée, Technip, 2003 • TUFFERY Stéphane, Data Mining et statistique décisionnelle (3e éd.), Technip, 2010 Langue d’enseignement Français 69 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2AINF01 – Semestre 2 Technologies mobiles Mobile Technologies Cours : 6h TP : 15h Enseignant Correspondant : Olivier LEVITT (Insee) : Samuel TOUBON Objectif de la matière L'arrivée des appareils mobiles entraine des changements dans le développement des applications pour tenir compte des capacités de stockage mais surtout de la spécificité des écrans de visualisation, notamment leur taille. L'objectif de ce cours est de sensibiliser les étudiants aux contraintes d'utilisation de ces supports et de leur montrer, à travers de cas pratiques, comment en tenir compte lors de la réalisation d'une application. Le développement sera effectué pour des appareils fonctionnant sous Android : smartphone ou tablette tactile. Contenu de la matière 1. 2. 3. 4. Android, les présentations a. Contexte b. Architecture Android et les applications a. Cycle de vie b. Activités Android et les interfaces a. Layouts et Views b. Menus et évènements Android et les données a. Accès aux ressources b. Content Providers Documents pédagogiques Support de cours Pré-requis Les étudiants choisissant cette option devront être très à l'aise avec les concepts objets et la programmation abordés en première année. Contrôle des connaissances Un travail pratique à faire en binôme. Références bibliographiques Langue d’enseignement Français 70 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2AINF05 – Semestre 2 Visual Basic Application (pour les élèves ingénieurs) Visual Basic Programming Using Excel TP : 21h Enseignant Correspondant : Steven GOUICHOUX (Insee) : Samuel TOUBON Objectif de la matière Découvrir et comprendre l’environnement et la logique de développement en VBA pour Excel. Être capable de développer des applications en VBA s’appuyant sur Excel. Savoir mobiliser l’information nécessaire au développement en VBA pour Excel. Contenu de la matière 1. 2. 3. L’éditeur VBA : les fenêtres et leurs éléments Les objets Visual Basic Application : classeur, feuille, cellule, graphique Le langage de programmation : variables et constantes, structures conditionnelles et boucles, procédures et fonctions 4. Traitement des chaînes de caractères 5. Le code : compilation, exécution et débogage 6. L’utilisation des principales formules d’Excel dans VBA pour le traitement de données 7. Les boîtes de messages 8. Les formulaires et leur interaction avec Excel 9. Manipulation du système de fichiers Windows 10. Manipulation de fichiers textes : création, lecture, écriture Documents pédagogiques Support de cours Pré-requis ère Les concepts algorithmiques abordés dans le cours algorithmique et programmation de 1 année doivent être maîtrisés. La maîtrise des principes de base du tableau est souhaitable. Contrôle des connaissances Un TP noté en binôme (25%) et un examen sous forme de TP individuel (75%) Références bibliographiques • Débuter en VBA Excel : https://openclassrooms.com/courses/analysez-des-donnees-avec-excel/premiers-pas-en-vba • FAQ VBA : http://excel.developpez.com/faq/?page=VBA • Support de cours : http://bidou.developpez.com/article/VBA/ Langue d’enseignement Français 71 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-08 – Matière 2AINF08 – Semestre 2 Panorama du Big Data (pour les élèves ingénieurs) Introduction to Big Data Cours : 9 h Atelier : 12h Enseignant Correspondant : Yann Busnel (Ensai) et Stéphane Tuffery (Crédit Mutuel - CIC) : Yann Busnel Objectif de la matière Au cours de la dernière décennie, nous avons assisté à l’émergence d’applications numériques nécessitant de faire face à de gigantesques quantités de données, générées de plus en plus rapidement. Ces applications (surveillance de réseaux, biologie et médecine, applications financières, réseaux sociaux, etc.) nécessitent un besoin grandissant de techniques capables d’analyser et de traiter ces grandes masses d’information, avec précision et efficacité. La statistique rejoint ici les sciences du numérique, et plus précisément l’informatique répartie, pour proposer de nouvelles approches, relatives au Big Data. Les techniques et les modèles doivent prendre en compte le volume pléthorique de ces données, mais également leur génération rapide en continu (vélocité) ainsi que la diversité de leur format (variété) et la qualité de l’information (véracité), appelés communément les 4V du Big Data. Contenu de la matière • • • • • Que se cache-t-il derrière l’expression marketing « Big Data » La volumétrie : un problème de performance La vélocité : un problème d’efficacité La variété : un problème d’hétérogénéité La véracité : un problème de qualité Deux approches par la pratique seront proposées avec la vision informatique puis statistique. Pré-requis Programmation objet avec Java ; Programmation avec R Contrôle des connaissances Un contrôle continu portant sur les différentes facettes (informatique et statistique). Références bibliographiques • • • Analyses des Big Data : quels usages, quels défis ? Note d’analyse du Comissariat général à la stratégie et la prospective Pirmin Lemberger, Marc Batty, Médéric Morel, Jean-Luc Raffaëlli. Big Data et machine learning - Manuel du data scientist, Dunod, 2015. Rudi Bruchez. Les bases de données NoSQL et le BigData : Comprendre et mettre en œuvre, Eyrolles (2015) Langue d’enseignement Français 72 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10– Matière 2INF10 – Semestre 2 Python pour l’ingénieur Python for engineer 21h (répartition à déterminer) Enseignant Correspondant : A déterminer : A déterminer 73 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-10 – Matière 2AECO03 – Semestre 2 Education, Human Capital, and Growth Education, capital humain et croissance Cours : 21h Enseignant Correspondant : Vincenzo CAPONI (Ensai) : Vincenzo CAPONI Objective This course treats microeconomic issues related to human capital: How human capital is acquired, what policies are affective in increasing the accumulation of human capital, the relationship between human capital and education, human capital as an investment etc…; and the macroeconomic relevance of human capital for growth and inequality. Contents Micro The relevance of education The demand for education Borrowing constraints Signalling e screening Production of education Education financing The return to education Mobility and Inequality Macro: The Solow Growth Model The Solow model with human capital Pre-requisites Macroeconomics; Econometrics. Evaluation Depending on feasibility there will be presentations or assignment worth 30% of the final mark, and a final exam. References • ACEMOGLU D., (2008), Introduction to Modern Economic Growth, Princeton University Press • CHECCHI D., (2008) The Economics of Education: Human Capital, Family Background and Inequality, Cambridge University Press • BREWER D. J. and mcEwan P. J., (2010), Economics of Education, Elsevier Langue d’enseignement Anglais 74 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2AECO06 – Semestre 2 Economie des contrats Contract Theory Cours : 21h Enseignant Correspondant : Reynald-Alexandre LAURENT : Vincenzo CAPONI Objectif de la matière Depuis le milieu des années 1970 l'économie des contrats est devenue un champ majeur de développement théorique d’une part car elle correspond à un développement des pratiques contractuelles dans la vie économique réelle et d’autre part car l’approche des transactions économiques réalisées sur des marchés concurrentiels s'est révélée insuffisante, sur le plan analytique, pour rendre compte de nombreux phénomènes observés. Contenu de la matière Introduction : Pourquoi une théorie économique des contrats? Première partie : L’analyse économique des contrats 1. Modèles fondamentaux et problématique 2. Les contrats face aux aléas 3. Le rôle des asymétries d'information 4. Les contrats d'agence Deuxième partie : formes fréquentes de contrat 1. Les contrats verticaux 2. Les ententes entre entreprises 3. Les enchères 4. Les contrats de franchise Pré-requis Aucun Contrôle des connaissances Un examen final de 2h. Références bibliographiques Bernard Salanié , « Théorie des contrats », 2e édition, Economica Langue d’enseignement Français 75 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-10 – Matière 2AECO08 – Semestre 2 Economie Industrielle Industrial Organization Cours : 15h TD : 6h Enseignant Correspondant : Frédéric LOSS (Université de Dauphine) : Vincenzo CAPONI Objectifs de la matière Ce cours doit permettre aux élèves d’acquérir une bonne compréhension des différentes problématiques relevant de la stratégie de développement des entreprises du secteur concurrentiel, ainsi que des enjeux et des modes de régulation relevant de l’autorité publique en matière de pratiques concurrentielles. Il doit également conduire les élèves à maîtriser la construction de modèles théoriques en permettant l’analyse. Contenu de la matière Le cours mettra l’accent sur les applications (études sectorielles, décisions de politique de concurrence) afin de montrer l’intérêt et la portée de la modélisation théorique tant pour les décideurs privés (entreprises) que pour les décideurs publics (autorités de la concurrence). Plan indicatif Chapitre 1 : Concurrence imparfaite et pouvoir de marché : Cournot versus Bertrand Chapitre 2 : La différenciation sur les marchés Chapitre 3 : La collusion Chapitre 4 : Les fusions horizontales Chapitre 5 : Les relations verticales Pré-requis Cours de Modélisation microéconomique ou équivalent Contrôle des connaissances Examen écrit Références bibliographiques • MEDAN, P. et T. WARIN. Économie industrielle. Une perspective européenne. Dunod, Collection ECO-SUP, 2000. e • CARLTON, D. et J. PERLOFF. Économie industrielle (2 éd.). De Boeck, 2008. • MOTTA, M. Competition Policy. Theory and Practice. Cambridge University Press, 2004. e • YILDIZOGLU, M. Introduction à la théorie des jeux (2 éd.). Dunod, Collection ECO-SUP, 2011. Langue d’enseignement Français 76 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements optionnels et de communication 77 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-11 ing – Matière 2AHUM07 – Semestre 1 Projet professionnel ingénieurs Professional Preparation TD : 11h Enseignant Correspondant : Divers intervenants : A déterminer Objectif de la matière L’objectif est de préparer les élèves aux candidatures pour les stages et entretiens d’embauche. Contenu de la matière Séance 1 : - rédiger des CV et lettres de motivation efficaces ; - valoriser le stage opérateur et plus généralement les expériences passées ; - communiquer efficacement sur son parcours. Séance 2 : - préparer des tests psychotechniques, fréquemment utilisés pour les recrutements. Séance 3 : - candidater à l’international avec un CV et une lettre de motivation adaptés aux usages des pays anglophones. Lors de cette séance, des anciens élèves exposeront aussi leurs parcours et expériences de l’international. Séance 4 : simulation d’entretien, avec des responsables de recrutement Pré-requis Aucun Contrôle des connaissances L’enseignement est validé par la validation des CV et lettres de motivation en français et anglais. Références bibliographiques Seront données en cours. Langue d’enseignement Français et anglais 78 Ensai Programme des enseignements de 2ème année 2016/2017 UE 2-11 att – Matière 2AHUM07 – Semestre 1 Projet professionnel attachés Professional Preparation TD : 18h Enseignant Correspondant : Divers intervenants : Valérie BROSSAUD Objectif de la matière L’objectif est de sensibiliser les attachés stagiaires aux emplois et activités dans la statistique publique, afin de mieux cerner leur projet professionnel à court et moyen terme. Contenu de la matière Les séances seront consacrées à : - Comprendre l’activité et appréhender les domaines de compétences de l’INSEE. - Connaître les familles de métiers à l’INSEE et dans la statistique publique. - Comprendre les enjeux et modalités de la campagne de mobilité. - Dégager ses motivations professionnelles et construire des parcours cohérents. Pré-requis Aucun Contrôle des connaissances Le module sera validé en fonction de l’implication de l’élève tout au long des TD. Références bibliographiques Notices Insee Langue d’enseignement Français 79 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-11 et Bonus Participation aux activités associatives Participation in ENSAI associations Correspondant : Laurent DI CARLO Objectif de la matière La participation à des activités associatives favorise l’ouverture d’esprit, le développement des relations personnelles et l’engagement collectif. De ce point de vue, l’école souhaite l’encourager, dans la limite d’un investissement compatible avec la réussite académique de l’élève qui reste bien évidemment la priorité. 1) Les activités associatives liées à l’école La participation comme dirigeant ou membre du bureau d’une association de l’école peut donner droit à des points bonus qui s’ajoutent à la moyenne du semestre concerné. La liste précise des bénéficiaires et le niveau du bonus sont fixés par la direction des études, après concertation avec les associations concernées : - en début d’année académique pour le semestre 1. - en début d’année civile pour le semestre 2. Pour bénéficier de ce bonus, les élèves doivent avoir une activité avérée au sein de l’association pendant le semestre concerné. La liste définitive des bénéficiaires est validée par le directeur des études avant chaque jury. En plus de ce dispositif, des membres des associations de l’école, dont la liste et/ou les fonctions sont précisées en début d’année académique, peuvent bénéficier d’une prise en compte plus importante de leur engagement, afin de plus valoriser l’ouverture procurée par les activités concernées (comptabilité, organisation, prospection, communication, animation…). Cette prise en compte supplémentaire consiste en la dispense d’un cours d’ouverture par semestre. Pour en bénéficier, les élèves concernés doivent faire remonter par le Président de l’association concernée une demande, puis remettre en fin de semestre un rapport d’activité détaillant les actions réalisées - à titre personnel - pour l’association. Ce rapport est noté par le directeur des études, qui en appréciera la forme et la richesse des actions entreprises pour l’école. La note est prise en compte dans l’UE 11. Hors cas de force majeure, si un élève ne remplit pas ses engagements et si son activité ne justifie pas la dispense, celle-ci est rétroactivement annulée. L’élève sera donc soumis au régime prévu dans le règlement de scolarité, c'est-à-dire qu’il devra donc composer sur deux cours d’ouverture (ou un cours de langue optionnelle) pour l’unité d’enseignement concernée. 80 Ensai Programme des enseignements de 2ème année 2016/2017 2) Les autres activités associatives La participation à des activités associatives dans un cadre hors scolaire peut aussi donner droit à des points bonus et à une dispense de cours d’ouverture. C’est notamment le cas lorsque l’activité : - traduit une compétence forte dans un domaine d’ouverture, - valorise l’école, - demande un investissement important. Par exemple, la participation au 4L Trophy peut entrer dans ce cadre, lorsque les dates sont compatibles avec la période d’examens ou de rattrapages de l’école. Les élèves souhaitant en bénéficier doivent déposer une demande argumentée à la direction des études. 81 Ensai Programme des enseignements de 2ème année 2016/2017 Bonus Sport Sports TP : 30h Enseignant Correspondant : Divers intervenants : Julien LEPAGE Enseignement destiné aux élèves-ingénieurs et aux attachés Objectif de la matière L’objectif est d’amener les élèves à maintenir un esprit sportif, sortir du strict cadre académique et développer leurs capacités physiques. Contenu de la matière 8 activités sportives sont proposées par l’école : - Badminton - Basket - Fitness - Football - Hand-ball - Tennis de table - Tennis débutant - Volley-ball - Course à pied/préparation physique/coaching sportif (nouveau) Outre les entraînements, les élèves inscrits peuvent être amenés à participer à des compétitions. Prise en compte dans la scolarité La participation à une activité sportive peut donner lieu à l’attribution d’un bonus (non cumulable) ajouté sur la moyenne du semestre concerné. Le niveau de ce bonus est précisé dans une circulaire d’application en début d’année académique. Il varie selon l’assiduité aux séances, l’engagement et la participation aux compétitions tout au long de l’année. Pour être définitive, la liste des élèves bénéficiant de ces bonus doit être validée par le directeur des études. Un bonus peut être exceptionnellement attribué en dehors des activités sportives réalisées dans le cadre Ensai. Pour y prétendre, les élèves concernés doivent remplir les 3 conditions suivantes : - pratiquer régulièrement une activité sportive et participer aux compétitions liées ; - posséder un niveau national (voir très bon niveau régional suivant le sport en question) ; - déposer une demande argumentée auprès de la direction des études et du service sport en début d'année scolaire, afin de faire valider le programme d'entraînement, des compétitions et les modalités de diffusion des performances. Pour certains ayant des contraintes sportives, des aménagements horaires pourront d'ailleurs être ainsi envisagés si besoin. 82 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-11 – Semestres 1 et 2 Cours d’ouverture General Culture Courses Cours : 21h par semestre Enseignant Correspondant : Divers intervenants : Esther LALAU-KERALY Objectif de la matière L’objectif est d’amener les élèves à maintenir un esprit ouvert sur le monde, sortir du strict cadre académique et parfois scientifique et développer leurs connaissances en culture générale. Contenu de la matière Différents cours d’ouverture sont proposés par l’école : Atelier théâtre Cinéma Dessin Histoire de l'art du XXe siècle Histoire pour comprendre le monde d'aujourd'hui Introduction à la psychologie sociale : quelques éléments de compréhension du comportement humain Média, mémoire et histoire : des rapports ambigus Peinture Philosophie générale : le temps et l'histoire Physique : une science appliquée aux enjeux sociétaux, économiques et environnementaux Relations de l'homme avec son environnement : le développement durable et les nouveaux enjeux du 21e siècle Sociologie Villes et architecture en Europe aux XIXe et XXe siècles Leur contenu et leur mode de contrôle des connaissances sont décrits dans le fascicule « Programme des enseignements : Cours libres optionnels. » 83 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-11 – Matière TALV2 – Semestres 1 et 2 Langues optionnelles Optional Languages Cours : 30h par semestre Enseignant Correspondant : Divers intervenants : Esther LALAU-KERALY Objectif de la matière L’étude d’une deuxième langue vivante est très fortement conseillée par la Commission du Titre d’Ingénieur et une période à l’étranger est obligatoire pendant la scolarité. Les objectifs varient selon le niveau et la langue. Tous les élèves auront progressé dans les quatre compétences, c’est à dire l’expression écrite et orale et la compréhension écrite et orale. Contenu de la matière 4 langues optionnelles sont proposées par l’école : Allemand Chinois Espagnol Italien Leur contenu et leur mode de contrôle des connaissances sont décrits dans le fascicule « Programme des enseignements : Cours libres optionnels. » 84 Ensai Programme des enseignements de 2ème année 2016/2017 Enseignements spécifiques aux élèves attachés ENSEIGNEMENTS Comptabilité nationale Lutte contre la discrimination LibreOffice Basic Méthodologie d’enquête Techniques rédactionnelles Total Cours 9 1,5 9 12 31,5 VOLUME HORAIRE TD/TP 3 16,5 9 13,5 42 Total 9 3 18 18 25.5 73.5 85 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-12 – Matière 2AINF09 LibreOffice Basic LibreOffice Basic Cours : 1h30 – TP : 16h30 Enseignant Correspondant : Samuel TOUBON (Ensai) : Samuel TOUBON Enseignement destiné aux élèves-attachés Objectif de la matière Découvrir et comprendre l’environnement et la logique de développement en Basic pour LibreOffice Calc. Être capable de développer des applications dans ce langage pour automatiser des traitements. Savoir rechercher et utiliser l’information nécessaire dans ce domaine. Contenu de la matière 1. 2. 3. 4. Le langage de programmation Basic : a. variables, structures conditionnelles et boucles, procédures et fonctions b. les structures de données usuelles : tableaux, matrices, structures complexes c. les formats, la gestion des dates d. le traitement des erreurs L’éditeur LibreOffice : a. les fenêtres, les boîtes de dialogue, les formulaires b. exécution et débogage du code Basic L’API LibreOffice : a. manipulation des classeurs, feuilles, cellules, graphiques b. l’utilisation de formules de Calc dans Basic et de fonctions Basic dans Calc L’accès aux bases de données Contrôle des connaissances Un examen final sous forme de TP individuel. Références bibliographiques Guide de programmation de OpenOffice.org Basic : https://wiki.openoffice.org/wiki/Documentation/BASIC_Guide Mémento sur la manipulation des feuilles de calcul : https://wiki.openoffice.org/wiki/Spreadsheet_common Langue d’enseignement Français 86 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-12 – Matière 2ASTA03 Méthodologie d’enquête Survey Methodology Cours : 9h (cours) + 9h (présentations) Enseignant Correspondant : Divers intervenants : Guillaume CHAUVET Enseignement destiné aux élèves-attachés Objectif de la matière L’objectif de ce cours est de présenter aux élèves des méthodes spécifiquement utilisées par l’Insee pour ses enquêtes, notamment auprès des ménages. La première partie de cet enseignement est constituée d’un cours durant lequel seront présentés les méthodes d’échantillonnage multidegrés avec des exemples d’application. La seconde partie de cet enseignement correspond à trois présentations de 2h50 portant sur des enquêtes menées par l’Insee. Contenu de la matière Partie Cours : • Rappels sur l’échantillonnage • Sondage par grappes • Sondage à plusieurs degrés • Exemples Documents pédagogiques Supports de cours. Pré-requis Cours de Sondages, cours de Sondages Avancés. Contrôle des connaissances Examen écrit et/ou note de synthèse. Références bibliographiques • ARDILLY P., Les Techniques de Sondage, Paris, Technip, 2006 rd • COCHRAN W.G., Sampling Techniques (3 ed.), New-York, Wiley, 1977 • SÄRNDAL C.-E., SWENSSON B., WRETMAN, Model Assisted Survey Sampling, New York, Springer Verlag, 1992 Langue d’enseignement Français 87 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-12 – Matière 2AHUM2 Techniques rédactionnelles Editorial Techniques Cours : 12h TP : 13h30 Enseignant Correspondant : Laurent BISAULT (Insee), Pascal CAPITAINE (Insee), Laurent DI CARLO : Laurent DI CARLO Enseignement destiné aux élèves-attachés Objectif de la matière L’objectif de cet enseignement est de former les futurs attachés, et en particulier les futurs chargés d’études, aux techniques rédactionnelles, c’est-à-dire à l’ensemble des règles permettant d’améliorer la lisibilité d’un texte et sa compréhension par un lecteur. Contenu de la matière Les points suivants seront abordés : 1. 2. 3. 4. 5. les lois de proximité la structure d’un texte : pyramide inversée, message essentiel, angle… les règles de lisibilité : adopter un style actif, construire des phrases courtes, éviter les enchâssements et la logique instrumentale… l’habillage : titres, inters et chapô les illustrations : tableaux et graphiques. Pré-requis Aucun. Contrôle des connaissances Rédiger une analyse de territoire dans un format de « 2 pages » à partir d’un ensemble de tableaux statistiques. Langue d’enseignement Français 88 Programme des enseignements de 2ème année Ensai 2016/2017 UE 2-12 – Matière 2AECO10 Comptabilité nationale National Accounting Cours : 9h Enseignant Correspondant : Ronan MAHIEU / Marion ANTIER (Insee) : Laurent DI CARLO Enseignement destiné aux élèves Attachés Objectif de la matière L’objet du cours est de présenter la comptabilité nationale sous l’angle de l’économie et de ses circuits. Les principaux concepts seront définis, le cadre comptable cohérent dans lequel ils s’articulent sera présenté. Contenu de la matière ère 1 séance : ème séance : ème séance : 2 3 Introduction Tableau Entrées-Sorties (TES) Tableau économique d'ensemble (TEE) Compte de capital, financier et de patrimoine Comptes trimestriels Conclusion Pré-requis Les cours d’économie. Contrôle des connaissances Pas d’examen Références bibliographiques • INSEE, (2014), L’Économie française - Comptes et dossiers,, INSEE Références. • PIRIOU J.P., BOURNAY J. (2012), La comptabilité nationale (16e édition), La Découverte, coll. Repères. Langue d’enseignement Français. 89 Ensai Programme des enseignements de 2ème année UE 2-12 – Matière 2AHUM04 Lutte contre la discrimination Fighting Discrimination Cours : 3h Enseignant Correspondant : Xavier HELFENSTEIN : A déterminer Enseignement destiné aux élèves Attachés Contenu de la matière La diversité et la prévention des discriminations 1. Le cadre européen et juridique 2. Les 20 critères prohibés par la loi +1 3. L’arsenal juridique 4. Les stéréotypes 5. La laicité Pré-requis Aucun Contrôle des connaissances Aucun Langue d’enseignement Français. 90 2016/2017