Étape 1 : Installer les Bibliothèques pip install pandas numpy linearmodels statsmodels matplotlib 1. Importer les Bibliothèques import pandas as pd import numpy as np import matplotlib.pyplot as plt from linearmodels.panel import PanelOLS from statsmodels.formula.api import ols from linearmodels.datasets import wage_panel # Charger les données panel data = wage_panel.load() df = data.data # Aperçu des données print(df.head()) print(df.info()) # Définir l'index de panel : individu et année df = df.set_index(['nr', 'year']) # Vérifier les données après transformation print(df.head()) # Calcul du salaire moyen par année df.groupby('year')['lwage'].mean().plot(kind='line') plt.title('Évolution du salaire moyen par année') plt.ylabel('Log du Salaire') plt.xlabel('Année') plt.show() # Modèle Pooled OLS pooled_model = PanelOLS.from_formula('lwage ~ 1 + exper + union', data=df) pooled_result = pooled_model.fit() print(pooled_result.summary) # Modèle Pooled OLS pooled_model = PanelOLS.from_formula('lwage ~ 1 + exper + union', data=df) pooled_result = pooled_model.fit() print(pooled_result.summary) # Modèle à Effets Fixes (individu) fixed_effects_model = PanelOLS.from_formula('lwage ~ 1 + exper + union + EntityEffects', data=df) fixed_effects_result = fixed_effects_model.fit() print(fixed_effects_result.summary) # Modèle à Effets Aléatoires from linearmodels.panel import RandomEffects random_effects_model = RandomEffects.from_formula('lwage ~ 1 + exper + union', data=df) random_effects_result = random_effects_model.fit() print(random_effects_result.summary) from statsmodels.stats.outliers_influence import variance_inflation_factor # Calcul du VIF pour vérifier la colinéarité entre variables explicatives X = df[['exper', 'union']] vif_data = pd.DataFrame() vif_data["Variable"] = X.columns vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])] print(vif_data) Étape 3 : Résultats et Interprétation Modèle Pooled OLS : Ce modèle suppose que tous les individus et périodes sont identiques. Le R² peut être plus faible car il ne contrôle pas les spécificités. Modèle à Effets Fixes : Ce modèle est adapté si les différences entre individus sont corrélées avec les variables explicatives. Il permet de contrôler les effets non observés constants au fil du temps. Modèle à Effets Aléatoires : Ce modèle est préférable si les effets spécifiques ne sont pas corrélés avec les variables explicatives. Test de Hausman : Il vous permet de choisir entre effets fixes et aléatoires. Si le test est significatif, vous devriez privilégier le modèle à effets fixes.

Analyse des données psychologiques à l'aide de Jamovi pour explorer les relations entre variables, tester des hypothèses et identifier des tendances comportementales.

Développement d’un modèle de prédiction des conditions météorologiques à l'aide de Python, en utilisant des données climatiques historiques et des algorithmes de machine learning.