Descriptif des cours pour le Master de Statistique

Advanced Statistical Inference Elvezio RONCHETTI

4311005CR 2+2
6 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 deriving
in 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 discussed
in detail. In the second part we give an overview on some recent developments including e.g.
robustness ,nonparametrics, and resampling techniques.

1. Introduction
2. Principles of data reduction
3. Optimal estimators
4. Maximum likelihood estimator
5. Tests and confidence regions for general parametric models
6. Introduction to Bayesian statistics
7. Robust statistics
8. Generalized linear models and generalized additive models
9. 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 2
3 crdits Et
Examen 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 Statistical
Office 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 and
analysis. 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 of
appropriate estimation procedures (usually leading to extrapolation weights) and calibration to known
population totals; variance estimation methods for finite populations. Multivariate analysis of survey
data give rise to special problems: they will be illustrated by the analysis of compositional data and by
the analysis of complex survey data whose dependence structure requires special treatment.

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, J ohn Wiley & Sons.
Hampel, F., Ronchetti, E., Rousseeuw, P. and Stahel, W. A. (1986). Robust Statistics: the Approach
based on Influence Functions. J ohn Wiley & Sons.
Lundstrm, S. and Srndal, C.-E. (2005). Estimation in Surveys with Nonresponse, J ohn Wiley &
Sons.
Srndal, C.-E., Swensson, B. and Wretman, J . (1992). Model Assisted Survey Sampling. Springer
Series in Statistics.
Wolter, K.M. (1985). Introduction to variance estimation. New York, Springer.


Concepts et langages orients objets P. Dugerdil et C. Pellegrini
1827CR01 3+2
3 crdits Et
Ce 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 porte
l'accent principalement sur les mthodes d'analyse et de conception et il est illustr par l'tude d'un
langage de programmation orient objet (J ava).

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

Data confidentiality and Ethics NN
4311006CS 2
3 crdits Hiver
Examen crit.

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

Econometrics Jaya KRISHNAKUMAR
4311007CR 2+2
6 crdits Et
Examen 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 brief
introduction recalling the classical regression model, the course will go on to the generalized
regression model, examining successively the autocorrelated errors model, the heteroscedastic errors
model (including the conditionally heteroscedastic case) and the seemingly unrelated regressions
model. Then we will introduce the stochastic regression framework in which the instrumental
variables method and the generalized method of moments will be presented and applied in the context
of dynamic and simultaneous equation models. Finally we will briefly look at some special topics such
as qualitative variables models, panel data models and cointegration models.


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.
J ohnston, J . and J . Dinardo (1997). Econometric Methods. 4
th
ed., The McGraw-Hill Companies Inc.,
New York.
J udge, G.G, W. Griffiths, C. Hill, T. Lee and Lutkepol, H. (1985). The Theory and Practice of
Econometrics. J ohn Wiley, New York.
Maddala, G.S. (2001). Introduction to Econometrics. J ohn Wiley and Sons, U.S.A.
Verbeek, M. (2000). A Guide to Modern Econometrics. J ohn 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 ANTILLE
4311008CS 1
3 crdits Et
Examen crit.

Objectifs :
Familiarize the participants with the main ideas to design experiments so that meaningful inference
can be made from the data.

Contenu:
Randomisation. Blocking techniques. Factorial designs. Fractional factorial designs. Confounding
techniques. 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 RENAUD
4311001CR 2+2
6 crdits Hiver
Examen 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 via
generalized additive models (GAM).
In the first part we will study in particular logistic, Poisson, and Gamma regression. Extensions to
related models for survival analysis, and to clustered and longitudinal analysis will be addressed
shortly. 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.

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 EID
73101CR 2+2
6 crdits Et
Examen 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 (par
exemple, 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 and
Evaluation. (http://edres.org/irt/baker/)
Baker, F.B. and Kim, S.-H. (2004). Item Response Theory. Parameter Estimation Techniques. New
York : Dekker.
Eid, M., Langeheine, R. and Diener, E. (2003). Comparing typological structures across cultures by
multigroup latent class analysis. J ournal 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 social
sciences. Mnster: Waxmann.
Van der Linden, W.J . and Hambleton, R.K. (1997). Handbook of modern item response theory. New
York: Springer.

Invited Lecture in Statistics Elvezio RONCHETTI
4311009CS 4
6 crdits Et
Examen crit.

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


Master thesis in statistics
4311023ME Mmoire
30 crdits Hiver
Soutenance orale.

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

Voir les directives pour le mmoire pour plus dinformation

Mathmatiques I Grard ANTILLE / Daniel ROYER
4103005CR 2+2
6 crdits Hiver
Examen crit.

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

Contenu :
Analyse: Drivation, Intgration. Fonctions de deux variables. Extremums libres. Optimisation sous
contraintes. 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, (traduction
franaise: Mathmatiques pour conomistes. De Boeck Universit, Ouvertures conomiques).

Mathmatiques II Daniel ROYER
4203043CR 2+2
6 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'optimisation
sous 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, Economica
Royer, D., Mathmatiques de base: sciences conomiques et gestion, Economica.
Simon C. P. et L. Blume, Mathematics for Economists, WW Norton & Company, (traduction
franaise: Mathmatiques pour conomistes, De Boeck Universit, Ouvertures conomiques).

Mthodes numriques Manfred GILLI
4203039CR 2+2
6 crdits Hiver
Examen crit.

Objectifs :
Cet enseignement, caractre rsolument pratique, dispense un savoir-faire indispensable pour
entreprendre une analyse quantitative des problmes conomiques. Les principaux thmes enseigns
sont 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. Factorisation
LU. 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 FESER
4201017CR 2+2
6 crdits Hiver
Examen crit.

Objectifs :
Les objectifs du cours sont dune part de donner une base solide en statistique, plus prcisment sur les
principes gnraux de lestimation et de linfrence, et dautre part de former les tudiants la pratique
de lanalyse des donnes laide dun logiciel statistique. Avec ce cours, les tudiants devraient tre
capables de suivre un cours plus spcialis dans nimporte quel domaine de la statistique (par exemple
un 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.

Mixed Linear Models Maria-Pia VICTORIA FESER
4311014CR 2+2
6 crdits Et
Examen crit.

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

Bibliographie
McCulloch, C. E. and Searle, S. R. (2001). Generalized, Linear and Mixed Models. J ohn Wiley, Series
in Probability and Statistics
Pinheiro 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 FESER
4201008CR 2+2
6 crdits Et
Examen crit.

Objectifs :
Les objectifs du cours sont l'apprentissage des modles de relations causales linaires (rgression) et la
pratique de lanalyse des donnes dans ce contexte laide dun logiciel statistique. Avec ce cours, les
tudiants devraient tre capables de formaliser un problme de relation causale en termes de modles
statistiques, 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, critres
globaux 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 Series
Edition.
Freedman, D., Pisani, R. and Purves, R. (1998). Statistics (Third Edition). W. W. Norton & Co, New
York, London.
Daly, F, Hand, D. J ., J ones, 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.




Modern statistical methods for psychologists Olivier RENAUD
72179CR 2+2
6 crdits Hiver
Travail rendre.

Objectifs :
Etudier des mthodes statistiques et informatiques qui permettent d'analyser des types de donnes qui
s'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'une
utilisation 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 de
lecture 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 EID
73101CS 2
3 crdits Et

Objectifs :
Le cours traite des modles multidimensionnels de la psychomtrie.

Contenu :
Les tudiants font connaissance de la thorie psychomtrique des modles multidimensionels
modernes comme les modles dtats-traits et les modles multimthodes pour les variables continues
et 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 logiciels
statistiques comme Mplus. Ce cours comporte un important travail individuel sous la forme de lecture
de chapitres ou darticles et de rsolution de problmes.

Bibliographie :
Eid, M. (1996). Longitudinal confirmatory factor analysis for polytomous item responses: Model
definition and model selection on the basis of stochastic measurement theory. Methods of
Psychological 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. J ournal 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 J ournal of Personality, 13, 389-408.

Multilevel models Paolo GHISLETTA
73122CR 2
3 crdits Et
Examen crit.

Objectifs et contenu :
Les modles multi-niveaux (MMN) sont apparus dans diffrents domaines scientifiques sous
diffrents noms (par exemple, "random effects models", "hierarchical linear models", "mixed effect
models", etc.). Ils consistent gnralement en une extension de modles de rgression linaire,
appliques des donnes qui sont structures hirarchiquement. L'exemple classique est celui de
donnes d'lves, organises par classes scolaires, elles-mmes organises par coles ; les diffrences
entre les lves sont potentiellement dues aux caractristiques des lves mmes, mais aussi aux
conditions 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 des
diffrentes sources de variabilits sans en confondre les effets.
Les objectifs de ce cours, destin surtout aux tudiants du troisime cycle (DEA et doctorat) de la
FPSE, 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 de
PaVie (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 de
rgression traditionnelle prliminaires. La deuxime partie consistera en l'analyse multi-niveaux elle
mme 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 advanced
multilevel 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 FESER
4311015CR 2+2
6 crdits Hiver
Examen crit.

Objectifs :
Les objectifs du cours sont lapprentissage des techniques statistiques pour lanalyse des donnes
multivaries. Les techniques descriptives ainsi que les modles pour ces donnes seront tudis. Avec
ce cours, les tudiants devraient tre capables partir dun problme gnral danalyse et des donnes
correspondantes, 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 factorielle
exploratoire. Analyse typologique. Positionnement multidimentionnel. Rgression ordinale.

Bibliographie :
Everitt, Brian S. and Dunn, Graham (1998). Applied multivariate data analysis. London: Arnold; New
York: J . Wiley.
Mardia, K. V., Kent, J . T. and Bibby, J . M. (1979). Multivariate Analysis. London: Academic Press
Kaufman, 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 GILLI
4311010CR 2+2
6 crdits Et
Examen crit. Cours prrequis : Mthodes numriques (4203039CR)

Objectifs :
Give a practical introduction to the most important optimization techniques encountered in statistics
and econometrics.

Contenu:
Classification of optimization problems. Optimality conditions. Newton and Quasi-Newton type
methods. 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 GILLI
4103010CR 2+2
6 crdits Et
Examen crit.

Objectifs et contenu :
L'objectif du cours est de familiariser l'tudiant en conomie avec un choix d'outils informatiques de
base tels que le traitement de texte scientifique (LaTeX), le calcul numrique (MATLAB) et le calcul
symbolique (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 2
3 crdits Hiver
Examen crit.

Ce cours nest pas donn lanne acadmique 2005-2006.


Practice of Statistical Learning Gilbert RITSCHARD
4311012CR 2+2
6 crdits Et
Examen crit.

Objectifs:
This course provides a general introduction to data mining and statistical learning. Broadly, the aim of
statistical learning is to induce a classifier or prediction model from data in order to predict the
outcome 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 learning
approaches (linear methods of classification, kernel methods, support vector machine, neural
network,...), focus on two methods, namely induction trees and Bayesian networks, that, beside good
classification performance, provide valuable knowledge about the way the predictive attributes
influence 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 to
validation 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 RONCHETTI
4203031CR 2+2
6 crdits Hiver
Examen 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. Le
chapitre final est consacr aux thormes limites : la loi des grands nombres et le thorme central
limite.Le sminaire fait partie de l'enseignement. Il est obligatoire.

1.Rappel des notions de base du calcul des probabilits
2.Variables alatoires discrtes
3.Variables alatoires continues
4.Variables alatoires simultanes
5.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 SCAILLET
4313054CR 2+2
6 crdits Et
Examen crit.

Objectifs :
Aprs avoir rappel les lments fondamentaux sur les espaces probabiliss, variables et vecteurs
alatoires ainsi que les lois classiques, ce cours fera une prsentation complte des processus
stochastiques 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 applications
illustreront leur utilisation en finance et en assurance. Les proprits du mouvement brownien seront
ensuite tudies, ainsi que les premires rgles de calcul stochastique et le lemme de It. Ces rsultats
seront 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 de
lenseignement. Ils sont obligatoires.

Contenu :
Rappels de probabilits. Chanes de Markov. Processus de naissance et de Poisson. Processus
ponctuels. 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 EID
73100SE 2
3 crdits Hiver
Examen crit.

Objectifs :
Amener les tudiants planifier, effectuer et comprendre une analyse de donnes (issues des
recherches 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 deuxime
partie traitera l'ANOVA et ses multiples extensions : ANOVA simple et multiple, ANOVA mesures
rptes 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 Boeck
Universit.
Kirk, R. E. (1995). Experimental design : procedures for the behavioral sciences (3rd ed). Pacific
Grove Calif.: Brooks/Cole.
Laveault, D. and J acques Grgoire, J . (1997). Introduction aux thories des tests en sciences
humaines. Bruxelles : De Boeck Universit
Maxwell, S. E., and Delaney, H. D. (1990). Designing experiments and analyzing data : a model
comparison perspective. Pacific Grove : Brooks/Cole.
Myers, A. and Hansen, C. H. (2003). Psychologie exprimentale. Bruxelles: deBoeck
Shadish, W.R., Cook, D. T. and Campbell, D. T. (2002). Experimental and quasi-experimental designs
for general causal inference. Chicago : Rand McNally.


Research seminar Sylvain SARDY
4311002SE

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

Sampling techniques Grard ANTILLE
4311003CS 1
3 crdits Hiver
Examen crit.

Objectif:
Familiarize the students with the general objectives of sampling techniques in studying well known
statistical 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.
J ensen, 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 RONCHETTI
4311013CR 2+2
6 crdits Hiver
Examen 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 RENAUD
70000CS 2
3 crdits Et
Examen crit.

Objectifs :
Introduction la planification et l'analyse des cas uniques.


Contenu :
Il n'est pas rare en psychologie que la recherche doive se concentrer sur un seul ou un trs petit
nombre de sujets, qu'on peut cependant observer plusieurs reprises. Ce type de recherche est appel
cas unique, cas singulier, ou encore tude de cas. Ce cours traitera de l'ensemble des problmes
mthodologiques 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 issues
for 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 J ersey.

Statistical Consulting Diego Kuonen, Statoo consulting
4311016CS 2
3 crdits Et

Objectifs :
The objective is to provide an introduction to the practice of statistical consulting and related skills. At
the end of the course students will have the skills to understand and be able to put to practice basic
skills in statistical consulting such as helping the client to fully state and assess their problem and
determining 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 for
every case study, with the full data set and they must produce a report and give a presentation. For
every 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 RENAUD
4203033CR 2+2
6 crdits Et
Examen crit.

Objectifs :
Le cours prsente les notions importantes de la statistique qui sont la base de la modlisation et du
travail empirique sur les donnes. Le sminaire fait partie de lenseignement. Il est obligatoire. Pour
suivre cet enseignement, il est conseill davoir suivi au pralable lenseignement: "4203031CR
Probabilits II"






Contenu :
La premire partie du cours est consacre l'induction statistique et l'chantillonnage. On y aborde
brivement les principes des sondages et la notion de distribution dchantillonnage. On discute
ensuite 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 sur
leurs proprits. En ce qui concerne linfrence, la thorie des tests dhypothses est prsente dans
diffrentes situations (tests sur les paramtres, test-t, ANOVA, tests dajustements, tests
dindpendance, 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), 2nd
edition.

Structural equation modelling Paolo GHISLETTA
73121MD 2
3 crdits Hiver
Examen crit.

Objectifs et contenu:
Les modles d'quations structurales (MES) constituent un ensemble de techniques statistiques qui
sont 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 modles
d'analyses factorielles ; leur puissance provient de la possibilit qu'ils offrent de formaliser et de tester
statistiquement des thories complexes qui impliquent des variables latentes. Des variations, un peu
moins 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 la
FPSE de l'UniGe, 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 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 toutes
les 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 rgression
traditionnelle prliminaires. La deuxime partie consistera en l'analyse MES elle mme et sera donc la
continuation et actualisation de la premire partie.

Bibliographie :
Bollen, (1989). Structural equations with latent variables. New York, N.Y.: J ohn 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.



Teaching Statistics Maria-Pia VICTORIA FESER
4311019AT 2
3 crdits Hiver
Contrle continu valu hors session.

Objectifs:
Ce cours a pour but de dvelopper aptitudes pdagogiques des tudiants dans le domaine de la
statistique. 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 statistiques
et/ou modlisation statistique (programme de bachelor) lors de sances d'appui (tous les 15 jours) ainsi
qu' 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 implique
une recherche de donnes (sur internet par exemple) et une analyse complte de ces dernires.

Times Series Elvezio RONCHETTI
4311004CR 2+2
6 crdits Hiver
Examen 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 different
fields will be discussed.
1. Introduction
2. Stochastic processes
3. Models for stationary time series
4. Non-stationarity
5. Model specification
6. Parameter estimation and choice of the order of the model
7. Examples
8. Prediction
9. Kalman filter

Bibliographie :
Box, G.E.P., J enkins, 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., Cambridge
University Press.

Visual Data Analysis Eugen HORBER
4311020 2+2
6 crdits Hiver
Contrle continu valu hors session.
Le cours et le sminaire peuvent tre pris sparment (3 crdits chacun)


Objectifs :
This course introduces the principles and tools of visual data analysis. Its main aim is to show that
visual tools are as essential to statistical practice as are numerical tools. Although graphical tools have
always been used by statisticians and data analysts, it is only with the appearance of J ohn Tukey's
pioneering 1977 book "Exploratory Data Analysis" that visualization became far more concrete and
effective, as well as an important field in statistical research. Modern (statistical) software now offers
a great many graphical and visual tools, often ignored by many users. Visual, exploratory tools have
recently become an essential component of "Data Mining", "Knowledge Discovery" or similarly
labelled areas, stressing data and objective driven analysis, where visual interaction with the user plays
a key role. In addition to introducing participants to a wide variety of visual tools, the course aims to
stimulate a general attitude and awareness towards methodological problems based on a creative visual
approach. 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 and
their 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.