International economic expertise – 211 - Master’s Year 2

Ects : 3

Lecturer :
JULIEN BERGEOT

Total hours : 27

Coefficient : 3

Ects : 3

Lecturer :
FLORE GUBERT

Total hours : 21

Overview :

A partir de données individuelles portant sur un pays en développeemnt ou en transition (enquêtes ménages, enquêtes emploi, etc.), les étudiants apprendront à manier différents indicateurs de bien-être, établir un profil de pauvreté et analyser les inégalités intra-pays. L'objectif est que que les étudiants élaborent un diagnostic de la pauvreté et des inégalités au sein d'un pays susceptible d'aider à la formulation de politiques de réduction de la pauvreté.

Coefficient : 3

Ects : 3

Lecturer :
Elodie DJEMAI

Total hours : 21

Overview :

Ce cours a un objectif double. Concevoir et comprendre les enjeux des différentes politiques de lutte contre la pauvreté. Aller au-delà de l’approche statique : analyse des évolutions de la pauvreté et des inégalités, analyse des trappes de la pauvreté et de leurs facteurs explicatifs. Les outils mobilisés dans ce cours donnent des clés en vue de définir des politiques de développement efficaces en analysant les inégalités intra-pays en termes de vulnérabilité, de pauvreté, d’accès au marché du travail, de santé ou d’éducation par exemple. Ces outils sont également pertinents pour les pays de l’OCDE. A l’issue du cours les étudiants auront acquis des compétences dans l’utilisation des données de panel individuelles, auront été capables de mettre en oeuvre des concepts théoriques visant à mieux comprendre la dynamique de la pauvreté et les inégalités dans des pays à faible revenus. L’évaluation permettra aux étudiants de reproduire des analyses économétriques telles que préconisées par les institutions internationales dans leurs Poverty Assessment Studies.

Coefficient : 3

Ects : 3

Lecturer :
ETIENNE ESPAGNE

Total hours : 18

Overview :

Ce cours vise à familiariser les étudiants avec les enjeux économiques et le cadre de gouvernance internationale sur les enjeux environnementaux et climatiques. Il vise à expliquer les enjeux de politique publique liés aux problèmes environnementaux, avec un focus sur les enjeux liés au changement climatique, en particulier sous l’angle économique et sous celui des relations internationales.

Coefficient : 3

Ects : 6

Lecturer :
FABIEN TRIPIER

Total hours : 36

Overview :

Le cours vise à former les étudiants aux méthodes et données de l’analyse macroéconomique. La première partie, assurée par le responsable du cours, présente les principales méthodes de l’analyse macroéconomique. L’objectif de cette partie est double. Premièrement, amener les étudiants à maîtriser ces méthodes dans leur version la plus simple, y compris à partir d’applications concrètes utilisant les logiciels appropriés. Deuxièmement, apporter aux étudiants les bases requises pour l’interprétation des résultats présentés à partir de ces méthodes dans les articles de recherche et les publications des institutions de politique économique. Cette partie cours est organisé de la manière suivante.

1. Les faits stylisés du cycle économique 2. La théorie néoclassique du cycle économique 3. La théorie keynésienne du cycle économique 4. Les règles de politique monétaire 5. La modélisation VAR structurelle

Durant la seconde partie du cours, des intervenants externes présenteront des applications de l’analyse macroéconomique réalisées au sein de leurs organismes. L’objectif de cette partie est également de montrer la grande diversité des sources de données utilisées pour l’analyse macroéconomique et comment elles sont mobilisées en période de crise économique. Les interventions porteront sur les thèmes suivants.

1. L’apport des données d’enquête à la macroéconomie 2. L’apport des données microéconomiques à la macroéconomie 3. Les modèles de prévision et leur utilisation en période de crise 4. L’intégration des risques immobiliers dans l’analyse macroéconomique 5. L’intégration des risques bancaires dans l’analyse macroéconomique

Coefficient : 6

Recommended prerequisites :

Macroéconomie, économétrie.

Learning outcomes :

Modélisation du cycle économique. Etude des données macroéconomiques. Analyse des politiques économiques.

Assessment :

Examen écrit

Bibliography-recommended reading

· Blanchard, O. (2018). On the future of macroeconomic models. Oxford Review of Economic Policy 34(1-2), 43 – 54. · King, R. G. and S. T. Rebelo (1999). Resuscitating real business cycles. Handbook of macroeconomics 1, 927 – 1007. · Galí, J. (2015). Monetary policy, in?ation, and the business cycle: an introduction to the new Keynesian framework and its applications. Princeton University Press. · Kilian, L. and H. Lütkepohl (2017). Structural vector autoregressive analysis. Cambridge University Press. · Ramey, V. A. (2016). Macroeconomic shocks and their propagation. In Handbook of macroeconomics, Volume 2, pp. 71 – 162. Elsevier.

Ects : 6

Lecturer :
SYLVAIN BELLEFONTAINE

Total hours : 42

Overview :

Ce cours a pour objectifs de présenter les principes de l'analyse du risque-pays permettant aux étudiants d'appliquer un ensemble de concepts théoriques et d'outils méthodologiques, à l'appui d'études de cas ; d'exposer la méthodologie de la notation souveraine pratiquée par les agences financières internationales et de débattre du rôle des agences de notation.

Coefficient : 6

Ects : 3

Lecturer :
NICOLAS VERCKEN

Total hours : 18

Coefficient : 3

Ects : 3

Total hours : 21

Coefficient : 3

Ects : 3

Total hours : 21

Coefficient : 3

Ects : 6

Lecturer :
FABRICE ROSSI

Total hours : 36

Overview :

The course gives a thorough presentation of the machine learning field and follows this outline:

1. general introduction to machine learning and to its focus on predictive performances (running example: k-nearest neighbours algorithm)
2. machine learning as automated program building from examples (running example: decision trees)
3. machine learning as optimization:
   1. empirical risk minimization
   2. links with maximum likelihood estimation
   3. surrogate losses and extended machine learning settings
   4. regularisation and kernel methods (support vector machines)
4. reliable estimation of performances:
   1. over fitting
   2. split samples
   3. resampling (leave-one-out, cross-validation and bootstrap)
   4. ROC curve, AUC and other advanced measures
5. combining models:
   1. ensemble techniques
   2. bagging and random forests
   3. boosting
6. unsupervised learning:
   1. clustering (hierarchical clustering, k-means and variants, mixture models, density clustering)
   2. outlier and anomaly detection

Coefficient : 2 6 (M2 Economie Internationale et Développement) 6 (M2 Diagnostic économique international)

Require prerequisites :

• intermediate level in either Python or R. Students are expected to be able to perform standard data management tasks in Python or R, including, but not limited to:
  • loading a data set from a CSV file
  • recoding and cleaning the data set
  • implementing a simple data exploration strategy based on pivot table and on graphical representation
• intermediate level in statistics and probability. Students are expected to be familiar with:
  • descriptive statistics
  • conditional probabilities and conditional expectations
  • core results from statistics: bias and variance concepts, strong law of large numbers, central limit theorem, etc.

Learning outcomes :

After attending the course the students will

• have a good understanding of the algorithmic and statistical foundations of the main machine learning techniques
• be able to select machine learning techniques adapted to a particular task (exploratory analysis with clustering methods, predictive analysis, etc.)
• be able to design a model selection procedure adapted to a particular task
• report the results of a machine learning project with valid estimation of the performances of their model

Assessment :

• quizzes and tests during the course
• machine learning project

Ects : 3

Lecturer :
FREDERIC PELTRAULT

Total hours : 18

Overview :

A l’issue du cours, les étudiants doivent être capables d’automatiser des rapports sous Excel. Les points suivants sont abordés : Prise en main de VBA et généralités sur les macros ; Les principales propriétés et méthodes des objets d’Excel ; Les fonctions des bibliothèques Excel et VBA ; Les fonctions personnalisées ; Les formules ; Les boucles & les structures conditionnelles ; Les tris et la recherche de données ; Le solveur ; Les simulations ; Les interfaces (Userform). Le cours s’appuie sur une quinzaine d'exercices qui permettent d'aborder progressivement les différentes notions.

Coefficient : 3

Recommended prerequisites :

Une bonne maîtrise d'Excel est recommandée pour ce cours.

Learning outcomes :

Automatiser un tableau de bord avec VBA.

Faire des calculs avec VBA

Optimiser avec VBA

Simuler avec VBA

Assessment :

Examen en salle informatique.

Ects : 3

Lecturer :
PAOLA MONPERRUS-VERONI

Total hours : 21

Overview :

Le cours vise à expliquer la finalité et la logique de la construction européenne afin de comprendre les défis et les implications pratiques pour l'économie réelle, le secteur financier et les modèles sociaux nationaux. Il illustre le processus décisionnel en se focalisant sur trois principaux domaines de gouvernance : union budgétaire, union monétaire et union bancaire. Le cours s'attache également à comprendre les transformations intervenues au cours des différentes étapes de l'intégration. Enfin, l'incomplétude des institutions permet d'illustrer la menace qui pèse sur le projet européen.

Enseignant responsable : Paola Monperrus

Coefficient : 3

Learning outcomes :

Connaître le rôle et le fonctionnement des principales institutions européennes, les fondamentaux de la supervision budgétaire, de la politique monétaire, de l'Union bancaire et de l'assistance financière aux pays en crise.

Ects : 3

Lecturer :
MARIE BESSEC

Total hours : 18

Overview :

Ce cours vise à maîtriser les outils utilisés par les conjoncturistes en vue de faire de la prévision de court terme (ou nowcasting) des variables macroéconomiques. Nous présenterons d’abord les modèles de prévision linéaires classiques et les techniques d’évaluation des prévisions. Nous indiquerons ensuite comment ces outils peuvent être adaptés afin de prendre en compte des gros volumes d’information (modèles à facteurs, algorithmes de sélection et combinaisons). Nous introduirons aussi des modélisations multi-fréquentielles (MIDAS, bridge) qui permettent au prévisionniste d’intégrer dans son diagnostic les signaux d’indicateurs de fréquence élevée. Enfin, des modèles à changement de régime et certaines techniques du machine learning permettront de prendre en compte des liaisons plus complexes entre la variable prévue et les prédicteurs et de qualifier l’état conjoncturel. Ces outils seront illustrés sur des cas pratiques avec le logiciel Matlab.

Coefficient : 3

Require prerequisites :

Econométrie des séries temporelles ; programmation sous Matlab

Learning outcomes :

Construction de modèles de prévision variés ; application sous Matlab

Assessment :

Examen avec Matlab

Bibliography-recommended reading

• Ghysels, M. Marcellino. Applied Economic Forecasting using Time Series Methods, Oxford University Press, 2018.
• Timmermann, A. Elliott, G. Economic Forecasting, Princeton University Press, 2016.

Ects : 3

Lecturer :
FRANCOIS-XAVIER CHAUCHAT

Total hours : 21

Coefficient : 3

Ects : 3

Lecturer :
ROMAIN GATE

Total hours : 21

Coefficient : 3

Ects : 3

Lecturer :
FLORIAN ROGER

Total hours : 30

Overview :

L'objectif du cours est de fournir aux étudiants les clés nécessaires à la réalisation de diagnostics conjoncturels. Il vise ainsi à : permettre aux étudiants d'interpréter les principaux indicateurs conjoncturels ; expliquer les spécificités économiques des différentes zones géographiques (Etats-Unis, Zone euro et pays émergents) ; revenir sur les cycles/faits économiques contemporains ; apprendre aux étudiants à construire un scénario économique pour le traduire en termes de positions d'investissements et d'allocations d'actifs sur les marchés.

Coefficient : 3

Ects : 3

Lecturer :
ANNE EPAULARD
ROMAIN SCHWEIZER

Total hours : 21

Coefficient : 3