MA STAT Descriptifs-Cours

5/20/2018 MA STAT Descriptifs-Cours

1/17

Descriptif des cours pour le Master de Statistique

Advanced Statistical Inference Elvezio RONCHETTI4311005CR 2+26 crdits Hiver

Examen crit.

Objectifs:

Statistical inference is presented by covering the theory and the applications at an advanced level.

Contenu:

In the first part we focus on the general theory of estimation, tests and confidence intervals by derivingin particular the asymptotic properties of the maximum likelihood estimator and the likelihood ratio,Wald, and score tests (and their generalizations). The results for some important models are discussedin detail. In the second part we give an overview on some recent developments including e.g.robustness ,nonparametrics, and resampling techniques.

1. Introduction2. Principles of data reduction3. Optimal estimators4. Maximum likelihood estimator5. Tests and confidence regions for general parametric models6. Introduction to Bayesian statistics7. Robust statistics8. Generalized linear models and generalized additive models9. Second-order asymptotic theory

Bibliographie:

Azzalini, A. (1996). Statistical Inference Based on the Likelihood. Chapman and Hall, London.Casella G. and Berger, R.L. (1990). Statistical Inference. Duxbury Press, Belmont (CA).Cox, D.R. and Hinkley, D.V. (1986). Theoretical Statistic.Chapman and Hall, New York.Knight, K. (2000).Mathematical Statistics. Chapman and Hall, New York.Silvey, S.D. (1991). Statistical Inference. Chapman and Hall, New York.Welsh, A.H. (1996).Aspects of Statistical Inference. Wiley, New York.

Advanced Topics in Survey Methods Service de mthodes statistiques (OFS)4311017CS 23 crdits EtExamen crit.

Objective:Learn up-to-date methodological tools to handle and analyze surveys as they are actually applied in

public statistics. The course will be given by methodology experts of the Swiss Federal StatisticalOffice and illustrated by real-life case-studies from their own experience.

Content:

Data stemming from a survey with random sampling design undergo several steps of treatment andanalysis. These steps will be treated in this course module in the order as they occur in practice:Treatment of erroneous and missing data, handling of outliers and non-response; development ofappropriate estimation procedures (usually leading to extrapolation weights) and calibration to known

population totals; variance estimation methods for finite populations. Multivariate analysis of surveydata give rise to special problems: they will be illustrated by the analysis of compositional data and bythe analysis of complex survey data whose dependence structure requires special treatment.


2/17

Bibliographie:Aitchison, J. (1986). The Statistical Analysis of Compositional Data. Chapman and Hall.Chambers , R. L. and Skinner, C. J. Eds, (2003).Analysis of Survey Data, John Wiley & Sons.Hampel, F., Ronchetti, E., Rousseeuw, P. and Stahel, W. A. (1986). Robust Statistics: the Approachbased on Influence Functions. John Wiley & Sons.Lundstrm, S. and Srndal, C.-E. (2005). Estimation in Surveys with Nonresponse, John Wiley &Sons.Srndal, C.-E., Swensson, B. and Wretman, J. (1992). Model Assisted Survey Sampling. SpringerSeries in Statistics.Wolter, K.M. (1985).Introduction to variance estimation. New York, Springer.

Concepts et langages orients objets P. Dugerdil et C. Pellegrini1827CR01 3+23 crdits EtCe cours est valid par un examen pratique attestant une participation active aux exercices.

Objectifs:Ce cours a pour but d'introduire les concepts fondamentaux de la programmation par objets. Il portel'accent principalement sur les mthodes d'analyse et de conception et il est illustr par l'tude d'unlangage de programmation orient objet (Java).

Contenu:

Concepts de base: objets, messages, instances, classes, encapsulation, polymorphisme et hritage,Processus de modlisation: analyse, conception et reprsentation de modles objets, Concepts demicro-architectures: prsentation des micro-architectures les plus utilises, de leur fonctionnement etde leur contexte d'utilisation.

Data confidentiality and Ethics NN4311006CS 23 crdits HiverExamen crit.

Ce cours ne sera pas dispens l'anne acadmique 2005-2006.

Econometrics Jaya KRISHNAKUMAR4311007CR 2+26 crdits EtExamen crit.

Objectifs :To present the fundamental models and methods in econometrics.

Contenu:

The aim of this course is to cover important econometric models and methods. After a briefintroduction recalling the classical regression model, the course will go on to the generalizedregression model, examining successively the autocorrelated errors model, the heteroscedastic errorsmodel (including the conditionally heteroscedastic case) and the seemingly unrelated regressionsmodel. Then we will introduce the stochastic regression framework in which the instrumentalvariables method and the generalized method of moments will be presented and applied in the contextof dynamic and simultaneous equation models. Finally we will briefly look at some special topics suchas qualitative variables models, panel data models and cointegration models.


3/17

Bibliographie:

Baltagi, B.H. (1998).Econometrics. Springer, Berlin-Heidelberg.Davidson, R. and MacKinnon, J. (2004). Econometric Theory and Methods. Oxford University Press,Oxford.Greene, W.H. (2003).Econometric Analysis. 5e d., Upper Saddle River, N.J., Prentice Hall.Johnston, J. and J. Dinardo (1997).Econometric Methods.4thed., The McGraw-Hill Companies Inc.,

New York.Judge, G.G, W. Griffiths, C. Hill, T. Lee and Lutkepol, H. (1985). The Theory and Practice of

Econometrics. John Wiley, New York.Maddala, G.S. (2001). Introduction to Econometrics. John Wiley and Sons, U.S.A.Verbeek, M. (2000).A Guide to Modern Econometrics. John Wiley and Sons, Ltd., New York.Wooldridge, J.M. (2002). Econometric Analysis of Cross Section and Panel Data. The MIT Press,Cambridge, MA.

Experimental design Grard ANTILLE4311008CS 13 crdits Et

Examen crit.

Objectifs :

Familiarize the participants with the main ideas to design experiments so that meaningful inferencecan be made from the data.

Contenu:

Randomisation. Blocking techniques. Factorial designs. Fractional factorial designs. Confoundingtechniques. Split-plot designs. Sequential designs. Optimal design.

Bibliographie :

Atkinson, A.C. and Donev, A.N. (1992). Optimal experimental designs. Oxford University Press.

Cochran, W.G. and Cox, G.M. (1958).Experimental designs. Wiley, N.Y.Cox, D.R., and Reid, N. (2000). The theory of the design of experiments. Chapman And Hall.Dean, A. and Voss, D. (1999).Designs and analysis of experiments. Springer, N.Y.Fedorov, V.V. (1972). Theory of optimal experiment. Academic Press, N.Y.Montgomery, D.C. (1999).Design and Analysis of experiments. Wiley, N.Y.Pukelsheim, F. (1993). Optimal design of experiments. Wiley, N.Y.

Generalized Linear and Additive Models Eva CANTONI RENAUD4311001CR 2+26 crdits HiverExamen crit.

Objectifs:

Provide a set of tools for the analysis of the relationship between measurements made on (groups of)subjects or objects for large classes of responses (e.g. nominal, ordinal and continuous data).

Contenu:

In this course we will consider extensions of the well known linear model in two different directions:parametrically through the family of generalized linear models (GLM) and non parametrically viageneralized additive models (GAM).In the first part we will study in particular logistic, Poisson, and Gamma regression. Extensions torelated models for survival analysis, and to clustered and longitudinal analysis will be addressedshortly. The second part of the course will deal with the nonparametric counterpart of GLM which

replaces the parametric relationship with a more flexible nonparametric form.


4/17

Bibliographie :

Dobson, A. (2002).An Introduction to Generalized Linear Models, Chapman & Hall.Lindsey, J. K. (1997).Applying generalized linear models.Springer Verlag.McCullagh, P. and Nelder, J. A (1989). Generalized Linear Models, Chapman & Hall, 2nd ed.Green, P. J. and Silverman, B. W. (1994). Nonparametric Regression and Generalized Linear

Models: A Roughness Penalty Approach. Chapman & Hall.Hastie, T. and Tibshirani, R. (1990). Generalized Additive Models. Chapman & Hall.Simonoff, J. S. (1996). Smoothing Methods in Statistics. Springer Verlag.

Introduction to latent variable models Michael EID73101CR 2+26 crdits EtExamen crit.

Objectifs :

Le cours donne une introduction sur les principes des modles psychomtriques.

Contenu :1. La thorie de la rponse litem et les diffrents modles qui font partie de cette thorie (parexemple, le modle de Rasch),2. Les modles classes latentes. Des exemples seront analyss l'aide du logiciel WINMIRA.

Bibliographie :

Baker, F. B. (2001). The basics of item response theory. ERIC Clearing House on Assessment andEvaluation. (http://edres.org/irt/baker/)Baker, F.B. and Kim, S.-H. (2004). Item Response Theory. Parameter Estimation Techniques. NewYork : Dekker.Eid, M., Langeheine, R. and Diener, E. (2003). Comparing typological structures across cultures bymultigroup latent class analysis. Journal of Cross-Cultural Psychology, 34, 195-210.

Fischer, G.H. and Molenaar, I.W. (1995).Rasch models. New York: Springer.Frederiksen, N., Mislevy, R.J. and Bejar, I. (1993). Test theory for a new generation of tests. Mahwah:Erlbaum.Hambleton, R., Swaminathan, H. and Rogers, H. (1991). Fundamentals of item response theory.

Newbury Park, CA: Sage.Hambleton, R. K. and Swaminathan, H. (1985). Item response theory. Principles and applications.Boston: Kluwer-Nijhoff Publishing.McCutcheon, A.L. (1987).Latent class analysis. Beverly Hills: Sage Publications.Rasch, G. (1969, 1980, 1992). Probabilistic models for some intelligence and attainment test.Copenhagen: Danish Institute for Educational Research (Reprinted by the Chicago University Press,1980).Rost, J. and Langeheine, R. (1997). Applications of latent trait and latent class models in the socialsciences. Mnster: Waxmann.Van der Linden, W.J. and Hambleton, R.K. (1997).Handbook of modern item response theory. NewYork: Springer.

Invited Lecture in Statistics Elvezio RONCHETTI4311009CS 46 crdits EtExamen crit.

Special topics presented in the form of short courses by invited lecturers.Ce cours ne sera pas dispens l'anne acadmique 2005-2006.


5/17

Master thesis in statistics4311023ME Mmoire30 crdits HiverSoutenance orale.

Objectif:

The student is expected to develop theoretical or applied research skills through a project in statisticsunder the supervision of a teacher of the master in statistics. The master thesis can take the form ofeither a traditional research project or an internship in a institution/private company followed by aninternship report showing the application of statistical skills in practice. The project content must besubmitted to the scientific committee for approval before the beginning of the research project orinternship.

Voir les directives pour le mmoire pour plus dinformation

Mathmatiques I Grard ANTILLE / Daniel ROYER4103005CR 2+2

6 crdits HiverExamen crit.

Objectifs :

Prsenter et tudier les notions mathmatiques de base ncessaires la comprhension et lutilisationefficace des mthodes quantitatives utilises dans les domaines de lconomie et de la gestion.

Contenu :

Analyse: Drivation, Intgration. Fonctions de deux variables. Extremums libres. Optimisation souscontraintes. Algbre linaire : Calcul matriciel Espaces vectoriels. Applications linaires.

Bibliographie (identique pour G. Antille et D. Royer) :

Ayres, F., Calcul diffrentiel et intgral. Srie Schaum.Esch, L.,Mathmatiques pour conomistes et gestionnaires.Haenni Amo, A.V, Ch. Khaw et D. Royer, Mathmatiques de base: sciences conomiques et gestion,

Exercices corrigs avec rappels de thorie. Economica.Royer, D., Mathmatiques de base: sciences conomiques et gestion. Economica.Simon C. P. et L. Blume, Mathematics for Economists. WW Norton & Company, (traductionfranaise: Mathmatiques pour conomistes. De Boeck Universit, Ouvertures conomiques).

Mathmatiques II Daniel ROYER4203043CR 2+26 crdits Hiver

Examen crit.

Objectifs :

Approfondissement des concepts mathmatiques ncessaires l'conomiste.

Contenu :

Suites, sries. Fonctions spciales. Dveloppements limits. Fonctions de plusieurs variables.Thorme des fonctions implicites. Approfondissement des notions d'extremums et d'optimisationsous contraintes. Espaces vectoriels. Applications linaires. Calcul matriciel avanc.

Bibliographie :

Haenni Amo, A.V, Ch. Khaw et D. Royer, Mathmatiques de base: sciences conomiques et gestion,

Exercices corrigs avec rappels de thorie, EconomicaRoyer, D., Mathmatiques de base: sciences conomiques et gestion, Economica.


6/17

Simon C. P. et L. Blume, Mathematics for Economists, WW Norton & Company, (traductionfranaise: Mathmatiques pour conomistes, De Boeck Universit, Ouvertures conomiques).

Mthodes numriques Manfred GILLI4203039CR 2+2

6 crdits HiverExamen crit.

Objectifs :

Cet enseignement, caractre rsolument pratique, dispense un savoir-faire indispensable pourentreprendre une analyse quantitative des problmes conomiques. Les principaux thmes enseignssont la problmatique du calcul en prcision finie, la complexit des algorithmes et les algorithmes lis la rsolution des systmes d'quations linaires et non linaires.

Contenu :

Arithmtique en prcision finie. Complexit des algorithmes. Systmes triangulaires. FactorisationLU. Factorisation de Cholesky. Mthodes itratives stationnaires. Mthodes de Krylov

Bibliographie :

Golub and Van Loan (1991).Matrix Computations. John Hopkins.Heath (1997). Scientific Computing: An Introductory Survey. McGraw Hill.

Mthodes Statistiques Maria-Pia VICTORIA FESER4201017CR 2+26 crdits HiverExamen crit.

Objectifs :

Les objectifs du cours sont dune part de donner une base solide en statistique, plus prcisment sur lesprincipes gnraux de lestimation et de linfrence, et dautre part de former les tudiants la pratiquede lanalyse des donnes laide dun logiciel statistique. Avec ce cours, les tudiants devraient trecapables de suivre un cours plus spcialis dans nimporte quel domaine de la statistique (par exempleun cours sur les modles de rgression ou danalyse multivarie).

Contenu :

Plan du cours- Introduction la mthodologie statistique- Rappel sur les distributions de probabilit (Binomiale, Poisson, Exponentielle, Normale)- Distributions bivaries- Mthodes destimation (mthode des moments, du maximum de vraisemblance)

- Proprits des estimateurs (biais, convergence, variance)- Distribution des estimateurs et intervalles de confiance- La technique du bootstrap- Formalisation des tests dhypothses- Dcisions, p-valeurs et puissance- Infrence pour modles simples (tests de localisation, tests dadquation, comparaison de moyennes,de proportions, tests dindpendance).

Bibliographie :

Howell, David C. (1998). Mthodes Statistiques en Sciences Humaines. DeBoeck Universit,Bruxelles.Weiss, Neil A. (1995). Introductory Statistics (4th edition). Addison Wesley, World Student Series

Edition.


7/17

Mixed Linear Models Maria-Pia VICTORIA FESER4311014CR 2+26 crdits EtExamen crit.

Objectifs

In this course, the student will learn how to model complex data design, how to analyse the data andperform statistical inference. The models will include ANOVA with repeated measures (split plotdesign), multilevel models, growth curves, etc.

Bibliographie

McCulloch, C. E. and Searle, S. R. (2001). Generalized, Linear and Mixed Models.John Wiley, Seriesin Probability and StatisticsPinheiro and Bates, 2000.Mixed-effect models in S and S-PLUS. New York, N.Y.: Springer.Searle, S. R., Casella, G., and McCulloch, C. E. (1992), Variance Components. New York: Wiley.Skrondal, A. and Rabe-Hesketh, S. (2004). Generalized Latent Variable Modeling.Chapman and Hall.

Modlisation statistique Maria-Pia VICTORIA FESER4201008CR 2+26 crdits EtExamen crit.

Objectifs :

Les objectifs du cours sont l'apprentissage des modles de relations causales linaires (rgression) et lapratique de lanalyse des donnes dans ce contexte laide dun logiciel statistique. Avec ce cours, lestudiants devraient tre capables de formaliser un problme de relation causale en termes de modlesstatistiques, analyser les donnes disposition sur la base de ces modles et interprter les rsultats.

Contenu :

- Distributions normales (multivaries, conditionnelles)- Corrlation linaire (Pearson et Spearman)- Rgression linaire simple (estimation classique et robuste, analyse des rsidus, transformations,tests de significativit, prdiction)- Rgression multiple (estimation, analyse des rsidus, transformations, tests dadquation, critresglobaux de qualit du modle, multicollinarit, slection de modle)- Rgression multiple avec variables muettes (analyse de contrastes, choix du modle)- Rgression logistique (fonctions lien, estimation, infrence, vrification du modle).

Bibliographie :

Howell, D.C. (1998).Mthodes Statistiques en Sciences Humaines. DeBoeck Universit, Bruxelles.Weiss, N.A. (1995). Introductory Statistics (4th edition). Addison Wesley, World Student SeriesEdition.Freedman, D., Pisani, R. and Purves, R. (1998). Statistics(Third Edition). W. W. Norton & Co, NewYork, London.Daly, F, Hand, D. J., Jones, M.C., Lunn, A. D. and McConway, K. J. (1995). Elements of Statistics.Addison-Wesley, London.Hamilton, L. C. (1992).Regression with Graphics: A second course in Applied Statistics. Wadsworth,Belmont CA.Miller, A.J (1990). Subset selection in regression. Chapman & Hall., London.Collet, D. (1996).Modelling Binary Data. Chapman & Hall, London.


8/17

Modern statistical methods for psychologists Olivier RENAUD72179CR 2+26 crdits HiverTravail rendre.

Objectifs :

Etudier des mthodes statistiques et informatiques qui permettent d'analyser des types de donnes quis'cartent des conditions d'applications usuelles.

Contenu :

Ce cours fourni une introduction des mthodes statistiques modernes faisant appel plus intensment l'ordinateur. Une grande partie du cours sera dvolu au bootstrap et ses mthodes apparentes et leurs applications dans divers problmes et type de donnes. Il sera galement question d'uneutilisation plus approfondie des logiciels travers la simulation et l'automatisation des manipulations(lments de programmation).Ce cours comporte un important travail individuel sous la forme delecture de chapitres ou darticles, de rsolution de problmes et de programmation.

Bibliographie :Efron, B. and Tibshirani, R. (1993).An introduction to the bootstrap. London: Chapman & Hall.Davison, A. C. and Hinkley, D. V. (1997). Bootstrap methods and their application. Cambridge:Cambridge University Press.Good, P. (2005). Permutation, Parametric, and Bootstrap Tests of Hypotheses. Berlin: Springer.

Multidimensionnal psychometric models Michael EID73101CS 23 crdits Et

Objectifs :

Le cours traite des modles multidimensionnels de la psychomtrie.

Contenu :

Les tudiants font connaissance de la thorie psychomtrique des modles multidimensionelsmodernes comme les modles dtats-traits et les modles multimthodes pour les variables continueset catgorielles. Les tudiants apprennent comment ces modles sont dfinis sur la base dune espace

probabiliss appropris. De plus les tudiants apprennent comment on peut utiliser les logicielsstatistiques comme Mplus. Ce cours comporte un important travail individuel sous la forme de lecturede chapitres ou darticles et de rsolution de problmes.

Bibliographie :

Eid, M. (1996). Longitudinal confirmatory factor analysis for polytomous item responses: Modeldefinition and model selection on the basis of stochastic measurement theory. Methods ofPsychological Research - online (http://www.hsp.de/MPR/), 1, 65-85.Eid, M. (2000). A multitrait-multimethod model with minimal assumptions. Psychometrika, 65, 241-261.Eid, M. and Diener, E. (Eds.) (in press). Handbook of multimethod measurement in psychology.Washington, DC: American Psychological Association.Eid, M. and Hoffmann, L. (1998).Measuring variability and change with an item response model for

polytomous variables. Journal of Educational and Behavioral Statistics, 23, 193-215.Eid, M., Lischetzke, T., Nubeck, F. and Trierweiler, L. (2003). Separating trait effects from trait-specific method effects in multitrait-multimethod analysis: A multiple indicator CTC(M-1) model .Psychological Methods, 8, 38-60.Steyer, R., Schmitt, M. and Eid, M. (1999). Latent state-trait theory and research in personality and

individual differences.European Journal of Personality, 13, 389-408.


9/17

Multilevel models Paolo GHISLETTA73122CR 23 crdits EtExamen crit.

Objectifs et contenu :

Les modles multi-niveaux (MMN) sont apparus dans diffrents domaines scientifiques sousdiffrents noms (par exemple, "random effects models", "hierarchical linear models", "mixed effectmodels", etc.). Ils consistent gnralement en une extension de modles de rgression linaire,appliques des donnes qui sont structures hirarchiquement. L'exemple classique est celui dedonnes d'lves, organises par classes scolaires, elles-mmes organises par coles ; les diffrencesentre les lves sont potentiellement dues aux caractristiques des lves mmes, mais aussi auxconditions des classes scolaires (comme la mthode et qualit d'enseignement) ou mme aux effets dus l'cole (comme le voisinage gographique). Les analyses multi-niveaux tiennent compte desdiffrentes sources de variabilits sans en confondre les effets.Les objectifs de ce cours, destin surtout aux tudiants du troisime cycle (DEA et doctorat) de laFPSE, mais ouvert aussi aux tudiants du troisime cycle d'autres facults, notamment de SES de

l'UniGe et aux tudiants de l'UniL, consistent en(1) Familiariser les tudiant(e)s aux situations mthodologiques ncessitant une analyse en MMN ;(2) Prsenter l'application des MMN diffrents plans exprimentaux ;(3) Appliquer ces mthodes l'aide de logiciels spcialises. Les participant(e)s seront encourag(e)s analyser leurs propres donnes.Les prsentations thoriques ainsi que les syntaxes des logiciels seront disponibles sur les site Web dePaVie (http://www.unil.ch/pavie) sous forme de fichiers Microsoft Power Point ou fichiers text.La validation du cours consistera en un travail d'analyse multi-niveaux de donnes en deux parties. La

premire partie comportera le plan d'analyse multi-niveaux des donnes, ainsi que les analyses dergression traditionnelle prliminaires. La deuxime partie consistera en l'analyse multi-niveaux ellemme et sera donc la continuation et actualisation de la premire partie.

Bibliographie :Goldstein, 1995. Multilevel statistical models(2nd ed.). London, U.K.: Edward Arnold.Kraft, I. and de Leeuw, J. (1998).Introducing multilevel modeling. London, U.K.: Sage Publications.Pinheiro and Bates, 2000. Mixed-effect models in S and S-PLUS. New York, N.Y.: Springer.Snijders, T. A. B. and Bosker, R. J. (1999).Multilevel analysis: An introduction to basic and advancedmultilevel modeling.London, U.K.: Sage.Verbeke and Molenberghs, 2000. Linear mixed models for longitudinal data. New York, N.Y.:Springer.

Multivariate Analysis Maria-Pia VICTORIA FESER4311015CR 2+26 crdits HiverExamen crit.

Objectifs :

Les objectifs du cours sont lapprentissage des techniques statistiques pour lanalyse des donnesmultivaries. Les techniques descriptives ainsi que les modles pour ces donnes seront tudis. Avecce cours, les tudiants devraient tre capables partir dun problme gnral danalyse et des donnescorrespondantes, de formaliser le problme en termes de modles statistiques, danalyser les donnes disposition sur la base de ces modles et dinterprter les rsultats.

Contenu :

Analyse exploratoire des donnes multivaries. Estimation de matrices de corrlation. Traitement des

donnes manquantes. Analyse en composantes principales. Bootstrap pour lACP. Analyse factorielleexploratoire. Analyse typologique. Positionnement multidimentionnel. Rgression ordinale.


10/17

Bibliographie :

Everitt, Brian S. and Dunn, Graham (1998).Applied multivariate data analysis. London: Arnold; NewYork: J. Wiley.Mardia, K. V., Kent, J. T. and Bibby, J. M. (1979).Multivariate Analysis. London: Academic PressKaufman, L. and Rousseeuw, P. J. (1990). Finding Groups In Data: An Introduction to Cluster

Analysis. New York: Wiley, series in probability and mathematical statistics.Everitt, Brian S. (1996).Making Sense of Statistics in Psychology. Oxford: Oxford University Press.

Numerical Optimization and Simulation Manfred GILLI4311010CR 2+26 crdits EtExamen crit. Cours prrequis : Mthodes numriques (4203039CR)

Objectifs :

Give a practical introduction to the most important optimization techniques encountered in statisticsand econometrics.

Contenu:Classification of optimization problems. Optimality conditions. Newton and Quasi-Newton typemethods. Problems with special structure(LP, QP, LS). Random numbers and stochastic simulation.Heuristic optimization.

Bibliographie:

Gill, Murray and Wright (1981). Practical Optimization. Academic Press.Ross (1990).A Course in Simulation.Macmillan.

Outils informatiques en conomie Manfred GILLI4103010CR 2+26 crdits EtExamen crit.

Objectifs et contenu :

L'objectif du cours est de familiariser l'tudiant en conomie avec un choix d'outils informatiques debase tels que le traitement de texte scientifique (LaTeX), le calcul numrique (MATLAB) et le calculsymbolique (MAPLE). Ces outils serviront de support pour la ralisation des exercices et travaux

pratiques des enseignements de mthodes quantitatives et appliques.

Bibliographie :

Polycopi: Introduction la programmation avec Matlab, (www.unige.ch/ses/metri/gilli/Matlab-Cours.pdf)

Practice of Experimental Design Adreas Rytz (Nestl Suisse)4311018CS 23 crdits HiverExamen crit.

Ce cours nest pas donn lanne acadmique 2005-2006.

Practice of Statistical Learning Gilbert RITSCHARD4311012CR 2+26 crdits EtExamen crit.


11/17

Objectifs:

This course provides a general introduction to data mining and statistical learning. Broadly, the aim ofstatistical learning is to induce a classifier or prediction model from data in order to predict theoutcome of new unseen cases. In the social sciences, the concern is more the understanding of the

phenomenon rather than classification performance. Therefore, we shall, among the various learningapproaches (linear methods of classification, kernel methods, support vector machine, neuralnetwork,...), focus on two methods, namely induction trees and Bayesian networks, that, beside goodclassification performance, provide valuable knowledge about the way the predictive attributesinfluence the predicted variable. The participants will be initiated to the practice of induction trees(with Answer Tree and Sipina) and of Bayesian Networks. Special attention will be devoted tovalidation strategies and to interpretation concerns.

Contenu:

1. General overview of statistical learning methods: linear methods of classification, kernel methods,support vector machine, neural network,...2. Induction trees: principle, validation, interpretation, practice with specialized softwares.3. Bayesian networks: principle, validation, interpretation, practice.

Bibliographie:

Hastie, T., R. Tibshirani, and J. Friedman (2001). The Elements of Statistical Learning.New York:Springer.

Probabilits II Elvezio RONCHETTI4203031CR 2+26 crdits HiverExamen crit.

Objectifs :

Le but de ce cours est de donner les bases formelles de la thorie des probabilits et de discuter

quelques applications dans diffrents domaines comme, par exemple, la finance.

Contenu:

Aprs une rvision des notions de base du calcul des probabilits et des variables alatoires discrtes,on discute en dtail les proprits des variables alatoires continues univaries et multivaries. Lechapitre final est consacr aux thormes limites : la loi des grands nombres et le thorme centrallimite.Le sminaire fait partie de l'enseignement. Il est obligatoire.

1.Rappel des notions de base du calcul des probabilits2.Variables alatoires discrtes3.Variables alatoires continues4.Variables alatoires simultanes5.Thormes limites

Bibliographie :

Pitman, J. (1993). Probability. Springer, New York.Ross, S.M. (1987). Initiation aux probabilits. Presses Polytechniques et Universitaires Romandes,Lausanne.

Processus alatoires avec application en finance Olivier SCAILLET4313054CR 2+26 crdits Et

Examen crit.


12/17

Objectifs :

Aprs avoir rappel les lments fondamentaux sur les espaces probabiliss, variables et vecteursalatoires ainsi que les lois classiques, ce cours fera une prsentation complte des processusstochastiques en gnral, puis dfinira et exposera les proprits des processus de Markov, des

processus de Poisson et Poisson composs, et des processus marqus ponctuels. Des applicationsillustreront leur utilisation en finance et en assurance. Les proprits du mouvement brownien serontensuite tudies, ainsi que les premires rgles de calcul stochastique et le lemme de It. Ces rsultatsseront appliqus dune part au calcul de prix doptions ainsi qu la modlisation probabiliste de

problme dassurance vie et de choix de portefeuille. Les travaux pratiques font partie delenseignement. Ils sont obligatoires.

Contenu :

Rappels de probabilits. Chanes de Markov. Processus de naissance et de Poisson. Processusponctuels. Martingales. Processus de Diffusion (mouvement browniens, intgrale stochastique dto,formule de Black-Sholes, assurance vie indexe, modle intertemporel de Merton).

Bibliographie :

Livres et articles prciss au cours.

Research methodology Michael EID73100SE 23 crdits HiverExamen crit.

Objectifs :

Amener les tudiants planifier, effectuer et comprendre une analyse de donnes (issues desrecherches en psychologie) en utilisant diffrents outils de la statistique.

Contenu :

Une premire partie du cours est consacre la planification d'expriences d'un point de vue thorique,plans exprimentaux, quasi-exprimentaux, manipulation et contrle de variables, etc. La deuximepartie traitera l'ANOVA et ses multiples extensions : ANOVA simple et multiple, ANOVA mesuresrptes et ANCOVA (analyse de la covariance).

Bibliographie :

Breakwell, G. M., Hammond, S. and Fife-Schaw, C. (1995). Research methods in psychology.London: Sage.Campbell, D. T., and Stanley, J. C. (1976).Experimental and quasi-experimental designs for research.Chicago: Rand McNally Coll.Cronbach, L. J. (1990).Essentials of psychological testing. New: Harper & Row.Girden, E. R. (1992).ANOVA : repeated measures. London: Sage.Howell, David C. (1998). Mthodes statistiques en sciences humaines. Bruxelles : De BoeckUniversit.Kirk, R. E. (1995). Experimental design : procedures for the behavioral sciences (3rd ed). PacificGrove Calif.: Brooks/Cole.Laveault, D. and Jacques Grgoire, J. (1997). Introduction aux thories des tests en scienceshumaines. Bruxelles : De Boeck UniversitMaxwell, S. E., and Delaney, H. D. (1990). Designing experiments and analyzing data : a modelcomparison perspective. Pacific Grove : Brooks/Cole.Myers, A. and Hansen, C. H. (2003). Psychologie exprimentale. Bruxelles: deBoeckShadish, W.R., Cook, D. T. and Campbell, D. T. (2002).Experimental and quasi-experimental designs

for general causal inference. Chicago : Rand McNally.


13/17

Research seminar Sylvain SARDY4311002SE

Talks by outside speakers and faculty members on research topics. Also includes presentations bystudent and faculty members of their ongoing research, as well as seminars for developing researchskills.

Sampling techniques Grard ANTILLE4311003CS 13 crdits HiverExamen crit.

Objectif:

Familiarize the students with the general objectives of sampling techniques in studying well knownstatistical sampling methods and conditions where each is appropriate.

Contenu:

Estimation in finite population.Sampling design : Basic sampling. Stratified sampling. Cluster sampling. Multistage sampling.Adaptive sampling.

Bibliographie:

Cassel, C.M., Srndal, C.E. and Wretman J.H. (1977). Fondations of inference in survey sampling.Wiley, N.Y.Chaudhuri, A. and Stenger, H., (1992). Survey sampling.Dekker , N.Y.Cochran, W.G., (1977). Sampling techniques. Wiley, N.Y.Hajek, J., (1981). Sampling from a finite poulation, Dekker, N.Y.Hedayat, A.S. and Sinha, B.K., (1991). Design and inference in finite population sampling. Wiley,

N.Y.

Jensen, A.L., (1978). Statistical survey techniques, Wiley, N.Y.Levy, P.S., Lemeshow, S., (1991). Sampling of populations; Methods and applications. Wiley, N.Y.Till, Y., (2001). Thorie des sondages. Dunod.Srndall, C.E., Swenson, B. and Wretman, J. (1992).Model assisted survey sampling. Springer.

Selected Topics in Statistics Elvezio RONCHETTI4311013CR 2+26 crdits HiverExamen crit.

Selected topics in statistics. Examples include the bootstrap, robust statistics, nonparametric

regression.

Bibliographie:

Selected papers and books depending on the topics.

Single case analysis Olivier RENAUD70000CS 23 crdits EtExamen crit.

Objectifs :

Introduction la planification et l'analyse des cas uniques.


14/17

Contenu :

Il n'est pas rare en psychologie que la recherche doive se concentrer sur un seul ou un trs petitnombre de sujets, qu'on peut cependant observer plusieurs reprises. Ce type de recherche est appelcas unique, cas singulier, ou encore tude de cas. Ce cours traitera de l'ensemble des problmesmthodologiques lis de telles recherches, de la planification la modlisation statistique et l'interprtation des rsultats. Des exemples seront analyss l'aide du logiciel S-Plus.

Bibliographie :

Cook, T. D. and Campbell, D. T. Campbell (1979). Quasi-experimentation: design & analysis issuesfor field settings.Chicago: Rand McNally.Breakwell, G.M., Hammond, S. and Fife-Schaw C. (1995).Research methods in psychology. London :Sage.Franklin, R., Allison D. and Gorman B. (1997). Design and analysis of single-case research.Lawrence Erlbaum, Mahwah New Jersey.

Statistical Consulting Diego Kuonen, Statoo consulting4311016CS 2

3 crdits Et

Objectifs :

The objective is to provide an introduction to the practice of statistical consulting and related skills. Atthe end of the course students will have the skills to understand and be able to put to practice basicskills in statistical consulting such as helping the client to fully state and assess their problem anddetermining the statistical analysis techniques that might be necessary to address real world consulting

problems.

Contenu :

Statistical consulting is best learned by doing it. As such, the course will focus on the themes:- understanding the statistical consulting process;

- developing effective communication skills, both written and verbal;- obtaining experience through case studies.The lectures will be centred around case studies. Students will be divided into three (to five)consulting teams containing at least three students. Consulting teams are given an assignment forevery case study, with the full data set and they must produce a report and give a presentation. Forevery case study the teams have a leader that will give the presentations and write the report. The

position of team leader will rotate for different case studies.

Statistique II Eva CANTONI RENAUD4203033CR 2+2

6 crdits EtExamen crit.

Objectifs :

Le cours prsente les notions importantes de la statistique qui sont la base de la modlisation et dutravail empirique sur les donnes. Le sminaire fait partie de lenseignement. Il est obligatoire. Poursuivre cet enseignement, il est conseill davoir suivi au pralable lenseignement: "4203031CRProbabilits II"


15/17

Contenu :

La premire partie du cours est consacre l'induction statistique et l'chantillonnage. On y abordebrivement les principes des sondages et la notion de distribution dchantillonnage. On discuteensuite les deux thmes centraux du cours: lestimation et linfrence. Pour la partie estimation,laccent est mis sur les diffrentes mthodes destimation (ponctuelle et par intervalles) ainsi que surleurs proprits. En ce qui concerne linfrence, la thorie des tests dhypothses est prsente dansdiffrentes situations (tests sur les paramtres, test-t, ANOVA, tests dajustements, testsdindpendance, etc.)

Bibliographie :

Moore D. S. and McCabe J. P. (1993).Introduction to the Practice of Statistics. Freeman, New York.Rice, J. A. (1995). Mathematical Statistics and Data Analysis. Duxbury Press, Belmont (CA), 2ndedition.

Structural equation modelling Paolo GHISLETTA73121MD 23 crdits Hiver

Examen crit.

Objectifs et contenu:

Les modles d'quations structurales (MES) constituent un ensemble de techniques statistiques quisont devenues trs populaires ces vingt dernires annes dans le cadre des sciences sociales. Ils

peuvent tre considrs comme une combinaison du modle gnral de rgression et des modlesd'analyses factorielles ; leur puissance provient de la possibilit qu'ils offrent de formaliser et de testerstatistiquement des thories complexes qui impliquent des variables latentes. Des variations, un peumoins connues, de ces modles peuvent aussi tre appliques aux plans exprimentaux, quasi-exprimentaux, et aux donnes longitudinales.Un accent particulier sera plac sur l'intrt de telles approches pour l'tude du dveloppement,notamment dans le cadre des tudes longitudinales.

Les objectifs de ce cours, destin surtout aux tudiants du troisime cycle (DEA et doctorat) de laFPSE de l'UniGe, mais ouvert aussi aux tudiants du troisime cycle d'autres facults, notamment deSES de l'UniGe et aux tudiants de l'UniL, consistent en :

1. Familiariser les tudiant(e)s la terminologie des MES ;2. Prsenter les potentiels et les limites des MES ;3. Dvelopper un certain sens critique par rapport la littrature base sur

les MES ;4. Appliquer ces mthodes l'aide de logiciels spcialises (LiSRel). Les

participant(e)s seront vivement encourag(e)s analyser leurs propre donnes.Les prsentations thoriques seront distribues sous forme de fichiers Microsoft Power Point et toutesles syntaxes des logiciels seront distribues sous forme lectronique.La validation du cours consistera en un travail d'analyse MES de donnes en deux parties. La premire

partie comportera le plan d'analyse MES des donnes, ainsi que les analyses de rgressiontraditionnelle prliminaires. La deuxime partie consistera en l'analyse MES elle mme et sera donc lacontinuation et actualisation de la premire partie.

Bibliographie :

Bollen, (1989). Structural equations with latent variables. New York, N.Y.: John Wiley and Sons.Byrne, (1998). Structural equation modeling with LISREL, PRELIS, and SIMPLIS. Mahwah, N.J.:Erlbaum.Hoyle, (1995). Structural equation modeling. Thousands Oaks, C.A.: Sage Publications.Loehlin, (1998).Latent variable models. Mahwah, N.J.: Lawrence Erlbaum Associates.


16/17

Teaching Statistics Maria-Pia VICTORIA FESER4311019AT 23 crdits HiverContrle continu valu hors session.

Objectifs:

Ce cours a pour but de dvelopper aptitudes pdagogiques des tudiants dans le domaine de lastatistique. Il permet aussi de renforcer et dapprofondir les connaissances en analyse des donnes.

Contenu :

Le travail de ltudiant consistera superviser les tudiants suivant les cours de mthodes statistiqueset/ou modlisation statistique (programme de bachelor) lors de sances d'appui (tous les 15 jours) ainsiqu' aider les assistants lors des sminaires en salle informatique. En plus, il leur sera demand de

prparer quelques exercices originaux d'analyse de donnes (en relation avec le cours), ce qui impliqueune recherche de donnes (sur internet par exemple) et une analyse complte de ces dernires.

Times Series Elvezio RONCHETTI

4311004CR 2+26 crdits HiverExamen crit.

Objectifs :

Statistical analysis of time series from the point of view of modelling and prediction.

Contenu:

We present ARMA models for stationary series and give some basic ideas about models for non-stationary series. Both the theoretical aspects and the practical analysis of data sets from differentfields will be discussed.1. Introduction

2. Stochastic processes3. Models for stationary time series4. Non-stationarity5. Model specification6. Parameter estimation and choice of the order of the model7. Examples8. Prediction9. Kalman filter

Bibliographie :

Box, G.E.P., Jenkins, G.M. (1976). Time Series Analysis: Forecasting and Control. 2nd ed., Oakland(CA): Holden-Day.Abraham, B., Ledolter, J. (1983). Statistical Methods for Forecasting. New York: Wiley.Cryer, D.J. (1986). Time Series Analysis. Boston: Duxbury Press.Chatfield, C. (2000). Time-Series Forecasting. London: Chapman & Hall.Mills, T.C. (2000). The Econometric Modelling of Financial Time Series. 2nd ed., CambridgeUniversity Press.

Visual Data Analysis Eugen HORBER4311020 2+26 crdits HiverContrle continu valu hors session.Le cours et le sminaire peuvent tre pris sparment (3 crdits chacun)


17/17

Objectifs :

This course introduces the principles and tools of visual data analysis. Its main aim is to show thatvisual tools are as essential to statistical practice as are numerical tools. Although graphical tools havealways been used by statisticians and data analysts, it is only with the appearance of John Tukey's

pioneering 1977 book "Exploratory Data Analysis" that visualization became far more concrete andeffective, as well as an important field in statistical research. Modern (statistical) software now offersa great many graphical and visual tools, often ignored by many users. Visual, exploratory tools haverecently become an essential component of "Data Mining", "Knowledge Discovery" or similarlylabelled areas, stressing data and objective driven analysis, where visual interaction with the user playsa key role. In addition to introducing participants to a wide variety of visual tools, the course aims tostimulate a general attitude and awareness towards methodological problems based on a creative visualapproach. Participants are expected to present a research paper at the end of the course.

Contenu:

Topics include: The philosophy of visual data exploration; classical and modern graphical tools andtheir role in highly interactive data analysis; visual navigation of data tables, multivariate (high-dimensional) exploration and visualization; visual perception; tool design and ergonomic issues;

software for data exploration and visualization.

Bibliographie:

Chambers, J.M. et al (1983). Graphical Methods for Data Analysis. Duxbury Press, Boston.Cleveland W.S. (1993). Visualizing Data. Murray Hill, AT&T Bell Laboratories/Hobart Press.

Documents

MA STAT Descriptifs-Cours