Machine learning pour l’économétrie est un ouvrage destiné aux économistes qui souhaitent appréhender les techniques de machine learning modernes – de leurs performances en matière de prédiction au traitement révolutionnaire des données non structurées – afin d’établir des relations de causalité à partir des données.
Il aborde la sélection automatique de variables dans divers contextes de grande dimension, l’estimation de l’hétérogénéité des effets du traitement, les techniques de traitement du langage naturel (NLP), ainsi que le contrôle synthétique et les prévisions macroéconomiques.
Les fondements des méthodes de machine learning sont introduits de manière à proposer à la fois un traitement théorique approfondi de la façon dont elles peuvent être utilisées en économétrie, ainsi que de nombreuses applications économiques. Chaque chapitre contient une série d’exemples empiriques, de programmes et d’exercices pour faciliter l’adoption et la mise en œuvre des techniques par le lecteur.
Ce livre s’adresse aux étudiants de master ou de grandes écoles, aux chercheurs et aux praticiens désireux de comprendre et perfectionner leur connaissance du machine learning pour l’appliquer dans un contexte traditionnellement réservé à l’économétrie.
* * *
Christophe GAILLAC est chercheur à l’Université d’Oxford.
Jérémy L’HOUR est chercheur chez Capital Fund Management (CFM).
Tous deux sont Administrateurs de l’Insee, chercheurs affiliés au Centre de Recherche en Économie et Statistique (CREST) – Institut Polytechnique de Paris, et ont enseigné le cours de Machine learning pour l’économétrie à l’ENSAE Paris pendant plusieurs années.
