De l'apprentissage automatique à l'économétrie structurelle avec des variables discrètes – MLSEDV

L'apprentissage automatique (ML) connaît un développement exceptionnel dans de nombreux domaines. Le succès du ML s'explique notamment par sa capacité à capter des relations plus complexes que celles impliquées par les modèles économétriques habituels. Une méthode importante en ML est la méthode de l'arbre, dont l'idée principale est de créer des classes d'individus homogènes, ce qui correspond en pratique à une discrétisation des variables d'intérêt. L'idée principale du projet est d'étudier les modèles structurels et de les appliquer à des variables discrétisées afin d'utiliser la puissance du ML. Le projet développera la théorie dans le cas des séries temporelles, de la microéconométrie et des modèles spatiaux. L’identification des chocs dans le cas dynamique sera étudiée. Un avantage de l'approche en micro-économétriques est la possibilité d'assouplir certaines hypothèses fortes utilisées pour étudier les modèles non linéaires et non séparables. Le projet sera confronté à certaines difficultés qui seront abordées : les conséquences de la discrétisation sur la mauvaise spécification ; la définition et l'interprétation des paramètres structurels des modèles discrets ; la manière optimale de discrétiser les variables ; la parcimonie du modèle. Pour le dernier problème, les solutions sont le regroupement de classes ; l'utilisation de modèles factoriels ; les méthodes de sparsité et de régularisation ; et le travail avec l'identification partielle. Nous ferons plusieurs analyses empiriques comme l’étude des effets de l'incertitude sur la croissance économique ; les réponses asymétriques aux chocs pendant les booms et les récessions ou les chocs pétroliers ; la gestion du risque systémique ; les effets d'adoption technologique et leur externalités spatiales dans l'agriculture ; l'impact de la première guerre mondiale sur la localisation de l'industrie française ; les jeux d'entrée ; l'impact socio-économique des programmes de construction d'écoles en Afrique.