Chapitre 1 : Analyse de données

Économétrie (ECON0212)

Natalia Bermúdez

HEC Liège

September 2026

Utiliser des données

Les données sont centrales en économétrie.

Selon un article du New York Times de 2014, “les data scientists […] passent de 50 % à 80 % de leur temps plongés dans ce travail plus prosaïque de collecte et de préparation de données numériques rebelles, avant de pouvoir les explorer”
Aujourd’hui : les basiques de l’analyse de données (préparation, visualisation et statistiques descriptives)

Installation de `Stata`

Cf. guide sur lola

1. Téléchargement depuis DOX (version Stata StataNow/SE)

Mot de passe = stata19hec
Version Windows : https://dox.uliege.be/index.php/s/dXvpvWNjR7KXSkX
Version Mac : https://dox.uliege.be/index.php/s/Qrg86PtLILkOdeI

2. Installation

Lancer l’installateur et choisir la version StataNow/SE.
Ensuite encoder les credentials ci-dessous :
- Nom: Auchoix
- Organization: HEC Liège
- Authorization : rnje
- Code : 0n0b koke $m7k xamu 26b7 v9fm hd83 zm7t cq4y t
- Serial number : 401909325829

Interface utilisateur de `Stata`

Glossaire

Stata : le nom du logiciel qu’on va utiliser pendant tout le cours pour analyser des données

Une commande : une instruction écrite que vous donnez à Stata, et que le logiciel comprend et exécute (-> ouvrir une base de données, créer une variable, calculer une moyenne…)
- ⚠️ Une seule commande par ligne
Un dofile : un fichier texte (extension .do) qui contient une suite de commandes, écrites les unes en dessous des autres
- Chaque commande doit être séparée par une nouvelle ligne
- Stata lit et exécute les commandes dans l’ordre où elles apparaissent, de haut en bas
- Ouvrir un dofile :
Pour lancer une commande écrite dans un dofile :
- Sélectionner la ou les lignes à exécuter
- Taper Ctrl+D (Windows) ou Command+Shift+D (Mac), ou cliquer sur Do

Commande : c’est le langage dans lequel on parle à Stata. Insister sur l’avertissement — les débutant·es essaient souvent de mettre plusieurs instructions sur une seule ligne, alors que Stata attend un saut de ligne entre chaque commande.

Dofile : analogie utile — une recette de cuisine ou une liste de courses, une suite d’étapes à suivre dans l’ordre. L’intérêt pédagogique à souligner : au lieu de taper des commandes une à une dans la console et d’en perdre la trace, on les garde dans un fichier qu’on peut réexécuter, corriger, partager — c’est ce qui rend le travail reproductible.

Exécution : bien montrer le geste concret (en live si possible) — sans le Ctrl+D (ou le bouton Do), écrire une commande dans le dofile ne fait rien tant qu’elle n’a pas été “lancée”.

Progression suggérée à l’oral : vocabulaire (Stata, commande) → pourquoi le dofile plutôt que la console (traçabilité, reproductibilité) → geste pratique pour exécuter une ligne, souvent ce qui aide le plus à démarrer.

Exercice 1

Créer un nouveau dofile (File → New → Do-file). Sauvegarder quelque part sous le nom 1-analyse-de-donnees.
Écrire le code suivant dans le dofile et compiler (Ctrl+D ou Ctrl+Maj+D). (Vous pouvez surligner le code à compiler, ou compiler sur tout le dofile)

set obs 10 /* Génère 10 observations */
gen x = 1 /* crée une variable nommée x et égale à 1 */

Bravo ! Vous avez créé votre première variable !

Créer une nouvelle variable y égale à $x^2$.

Trouver de l’aide

Directement dans Stata :
- Limite : il faut connaître le nom de la commande. Par exemple :
```
help regress
help summarize
```
Sur internet :
- Parfois plus efficace
- Il vaut mieux faire une recherche en anglais pour avoir plus de réponses
- Renvoie souvent sur la documentation officielle
Intelligence artificielle (ChatGPT, Claude, Prodigy…) :
- Potentiellement encore plus efficace !
  - Surtout utile quand on a déjà une idée de ce qu’on fait
- Exemple d’utilisation

Collaborer !

Quand ça tourne mal

Du rouge ? C’est une erreur ! Que faire ?

La lire → souvent, la source de l’erreur est expliquée
La rechercher sur internet car $P(\textrm{quelqu'un a déjà eu cette erreur}) > 99\%$

. summarize salaire age educaton

variable educaton not found
r(111);

Importer des données

`Stata` peut importer des données depuis différents formats :

Format Stata : extension .dta
```
use dataset_name.dta, replace
```
Format Excel : extension .xls ou .xlsx
```
import excel using dataset_name.xlsx, firstrow replace
```
- Attention au format du fichier excel : une ligne est une observation, une colonne une variable
Format CSV : extension .csv
```
import delimited using dataset_name.txt, delimiters(",") replace
```
- Chaque élément est séparé de l’ensemble des données par un delimiter qui peut être : une tabulation, une virgule, un point-virgule…

Importer des données : chemin absolu ou relatif ?

1️⃣ Chemin absolu = l’adresse complète du fichier

On indique à Stata exactement où se trouve le fichier sur l’ordinateur.

* Windows
use "C:/Data/Projet/analyse/mydata.dta", clear

* macOS
use "/Users/alice/Data/Projet/analyse/mydata.dta", clear

Le chemin commence depuis la racine de l’ordinateur.

⚠️ Attention : utilisez / dans les chemins. Cela fonctionne sous Windows, macOS et Linux.

2️⃣ Chemin relatif = l’adresse à partir du dossier de travail

Stata part du répertoire de travail courant (cd).

* Définir le dossier de travail
cd "C:/Data/Projet/analyse"

* mydata.dta se trouve dans ce dossier
use "mydata.dta", clear

Inspecter des données

Une fois l’ensemble de données chargé, vous pouvez commencer à l’explorer :

browse : Ouvre les données dans la fenêtre d’exploration.
describe : Affiche la liste des variables, leur type et leur étiquette.
codebook : Fournit des informations détaillées sur les variables : type, valeurs manquantes, valeurs uniques, étendue, etc.
sum nom_de_la_variable : Donne le nombre d’observations, la moyenne, l’écart-type, le minimum et le maximum.
sum nom_de_la_variable, detail : Fournit des statistiques descriptives plus détaillées, notamment les percentiles, la médiane, l’asymétrie et l’aplatissement.
tab nom_de_la_variable : Produit un tableau de fréquences indiquant le nombre d’observations pour chaque valeur de la variable.

Exercice 2

Importez la base gapminder.dta en format dta (disponible sur lola).
- Cette base contient des données sur l’espérance de vie et le PIB par habitant de nombreux pays.
Quelles variables contiennent les données ? Vous pouvez utiliser codebook ou describe.
Inspectez visuellement les données. Plusieurs solutions pour ouvrir la base de données grâce à browse :
1. Naviguer dans le menu : Data, Data Editor
2. Bouton browse
3. Commande : browse [varlist] [if] dans la fenêtre de commande ou un dofile
À quoi correspond la variable pop ? Quel pays compte le moins d’habitants ?

Types de variables

Numérique (float, int) :
- Exemple : âge → int ; revenu → float
Texte (string) :
- Exemple : pays, nom → string
Catégorielle :
- Exemple : genre
- Une variable numérique avec un label pour chaque valeur
  - 1="female" ; 2="male"

Modifier le type de la variable

texte → numérique
```
destring nom_de_la_variable, replace
```
numérique → texte
```
tostring nom_de_la_variable, replace
```

texte → catégoriel

encode nom_de_la_variable, gen(variable_encodee)

Modifier des données existantes (variables)

Supprimer une variable (ou une liste de variables)
```
drop variable_1 variable_2
```
Sélectionner une variable (ou une liste de variables) [ce qui supprime les autres]
```
keep variable_1 variable_2
```
Renommer une variable :
```
rename ancien_nom nouveau_nom
```

Créer un label :

label var nom_de_la_variable "Label de la variable"

Créer des variables

On génère une nouvelle variable en lui donnant un nom et en définissant ses valeurs dans une EXPRESSION
```
gen nouvelle_variable = EXPRESSION
```
Une EXPRESSION peut être :
- Mathématique, par exemple :
```
gen variable1 = 200
gen variable2 = variable1*2
```
- Du texte (string en Stata), par exemple :
```
gen variable1 = "coucou"
```

Une fonction de variables existantes :

gen variable3 = (variable1 + variable2)/2

Modifier la valeur d’une variable

On peut remplacer la valeur d’une variable (très similaire à gen)

Une fonction de variables existantes :

replace une_variable_qui_existe = EXPRESSION

Remplacement conditionnel :

replace age_category = "old" if age > 70

Expressions logiques

Expressions qui peuvent être utilisées pour préciser la condition :
- == : égal à
- != : non égal à
- <= : inférieur ou égal à
- >= : supérieur ou égal à
- < : strictement inférieur à
- > : strictement supérieur à
Pour combiner ces conditions, on utilise & ou | :
- & = et : si les 2 conditions doivent être vérifiées toutes les deux
```
gen age_category = "old" if age > 70 & age < 110
```
- | = ou : si une des conditions seulement doit être vérifiée
```
gen etudiant_hec = "bac" if filiere=="IG" | filiere=="SEG"
```

Sélection d’observations

Garder ou supprimer les observations sous certaines conditions
```
keep if CONDITION
drop if CONDITION
```

Par exemple :

/* Sélectionne les pays du continent américain */
keep if continent=="Americas"

/* Supprime les pays américains sauf l'Argentine */
drop if continent=="Americas" & country!="Argentina"

⚠️ Comme c’est le cas dans de nombreux logiciels, l’expression logique s’écrit ==

Exercice 3

Combien d’observations y a-t-il dans la base de données ouverte précédemment (gapminder) ?
Combien de variables ? De quel type ?
Ne gardez que les observations correspondant au continent Asia.
Chargez à nouveau la base, puis créez la variable gdppercap égale au PIB par habitant grâce au code suivant :
```
gen gdppercap = gdp / population
```

Félicitations, vous avez créé votre première variable ! Utilisez la commande browse pour la voir dans la base.

Syntaxe de Stata

La plupart des commandes ont la syntaxe suivante :

où [..] correspond à des options. Exemples :

summarize ou juste sum — statistiques descriptives pour toutes les variables
summarize gdp — statistiques descriptives pour le gdp uniquement
summarize gdp if year == 1960 — statistiques descriptives pour le gdp en 1960

Valeurs manquantes

Quand une valeur est manquante, elle est indiquée
- . pour une variable numérique
- "" pour une variable string
Dans les calculs, une valeur manquante produit généralement une valeur manquante :
```
display . + 10
```
Stata assigne la valeur $+\infty$ à une valeur manquante :

Attention à la propagation des valeurs manquantes ! :

Agrégation des données `collapse`

La commande collapse transforme la base de données en mémoire en statistiques essentielles sur celle-ci (sum=> somme ; mean=>moyenne ; sd=>écart-type ; median=>médiane).

Attention, collapse remplace les données en mémoire

Combiner des bases de données : `append`

use economy2004.dta, replace
append using economy2005.dta

Combiner des bases de données : `merge`

use economy2004.dta, replace
merge 1:1 country using economy2005.dta

Formats wide et long : `reshape`

Long → Wide

reshape (wide) lifeexp, i(year) j(country)

Wide → Long

reshape (long) lifeexpA lifeexpB lifeexpC, i(year) j(country)

Exercice 4 : Nettoyage des données

On utilise la base gapminder précédemment importée.

Quelles années ont des valeurs manquantes pour le PIB ?
Quel pays a l’espérance de vie la plus élevée pour une population de plus d’un milliard en 2007 ?
Quelle est la moyenne de l’espérance de vie par continent et par an ? (Vous pouvez utiliser la fonction collapse)

Syntaxe de collapse : collapse (mean) VAR1 VAR2 VAR3, by(VAR_CATEGORIELLE)

Visualiser des données

Comment choisir la représentation graphique adaptée ?

Ça dépend des variables étudiées, et notamment :

1, 2 (ou 3) variables
Continue ou discrète

Visualiser des données — 1 variable

Variable continue

Histogramme : visualiser la distribution d’une variable

histogram wage

Densité : visualiser la distribution d’une variable

kdensity time_worked

Visualiser des données — 1 variable

Discrète

Diagramme en bâton (bar chart) :
- Si la variable discrète est numérique :
```
graph bar (count), over(nb_enfants)
```

Visualiser des données — 2 variables

Scatter plot : montrer les valeurs d’une variable en fonction de l’autre

twoway scatter gdp gini_ineq

Diagramme en bâton (bar chart) : variable quantitative selon les valeurs d’une variable qualitative (ou catégorielle)

graph bar (mean) wage, over(type_contract)

Une base de données “propre”

Chaque colonne correspond à une variable
Chaque ligne correspond à une observation

Avant de procéder à la visualisation, il faut se demander :

Quelle information veux-je représenter ?
- Faire en particulier attention à la présence de potentielles variables manquantes
```
misstable summarize gdp fertility life_expectancy
```
Est-ce que les données contiennent cette information telle qu’une colonne/ligne correspond à ce que je veux représenter ?
- Éventuellement utiliser collapse et/ou reshape pour transformer les données

Types de visualisation

Quelques exemples des types de graphiques les plus utilisés :

Commande twoway + type de graphique

Type	Fonction
Point	`scatter`
Line	`line`, `connected`
Histogram	`histogram`
Density	`kdensity`

Commande graph + type de graphique

Type	Fonction
Bar	`bar`
Boxplot	`box`

Exercice 5 : Premiers graphiques

On utilise les données gapminder.

L’histogramme des espérances de vie en 2007. Ensuite, précisez la couleur en ajoutant l’option color(green) (il faut mettre les options après une virgule).
Un scatter plot du taux de fertilité (axe y) vs. PIB par habitant (axe x) en 2007. Ensuite, spécifiez les titres des axes.
[CHALLENGE] Représentez l’évolution de l’espérance de vie au cours du temps par continent.
- Il va falloir agréger les données au niveau continent × year → vous pouvez faire cela avec une commande collapse
- Il est ensuite plus simple de changer la forme des données pour les transformer de “long” en “wide” en utilisant un reshape

Synthétiser les données

En général, on apprend à connaître ses données par des visualisations + calculs de statistiques descriptives

C’est l’heure des statistiques descriptives !
- Utilisées pour décrire les données et simplifier l’information à partir de différentes mesures, tableaux et graphiques
- (VS. statistiques inférentielles qui permettent ensuite de généraliser les résultats à la population d’intérêt.)
En particulier, nous nous intéressons aux tendances centrales et à la dispersion.

Jusqu’à présent, nous avons vu comment visualiser les données. Mais les graphiques ne sont pas la seule manière d’apprendre à connaître nos données. On peut également les résumer à l’aide de statistiques descriptives.

Les statistiques descriptives servent simplement à décrire les données que nous observons et à synthétiser une grande quantité d’information à l’aide de quelques mesures, tableaux ou graphiques.

Par exemple, si nous avons les salaires de 1 000 travailleurs, plutôt que de regarder les 1 000 valeurs une par une, nous pouvons calculer le salaire moyen, le salaire médian, le minimum, le maximum, etc.

Il faut distinguer les statistiques descriptives des statistiques inférentielles, que nous verrons plus tard dans le cours.

Les statistiques descriptives décrivent notre échantillon. Les statistiques inférentielles vont plus loin : elles nous permettent d’utiliser les informations contenues dans notre échantillon pour tirer des conclusions sur une population plus large, tout en tenant compte de l’incertitude liée à l’échantillonnage.

Pour l’instant, nous allons nous concentrer sur deux grandes caractéristiques de nos données : les tendances centrales et la dispersion.

Les tendances centrales nous indiquent autour de quelle valeur les observations se situent — par exemple, avec la moyenne ou la médiane.

La dispersion nous indique au contraire à quel point les observations sont réparties ou différentes les unes des autres — par exemple, l’écart-type. La dispersion mesure à quel point les observations d’une variable sont concentrées autour d’une valeur centrale (comme la moyenne) ou, au contraire, étalées loin d’elle et les unes des autres.

Donc, pour résumer : nous voulons savoir où se situent nos données et à quel point elles sont dispersées autour de cette valeur.

Tendances centrales

mean(x) : la moyenne de toutes les valeurs de x.

\[\bar{x} = \frac{1}{N}\sum_{i=1}^N x_i\]

set obs 100
gen y = rnormal()
egen y_mean=mean(y)
summ y_mean

Médiane : la valeur de $x_j$ qui partage les observations en 2 parties égales (50 % au-dessus, 50 % en dessous). $m$ est la médiane si

\[\Pr(X \leq m) \geq 0.5 \text{ et } \Pr(X \geq m) \geq 0.5\]

La médiane est robuste à la présence de valeurs extrêmes.

egen y_p50=median(y)
summ y_p50

Dispersion

Une autre caractéristique intéressante est la mesure de l’écart d’une variable par rapport à son centre (la moyenne dans ce cas).

La variance est l’une de ces mesures (l’écart interquartile en est une autre).

\[Var(X) = \frac{1}{N} \sum_{i=1}^N(x_i-\bar{x})^2\]

Soit deux distributions normales ayant une moyenne égale à 0 :

Commande :

egen sd_x = sd(x)
generate y_var = sd_x^2

Statistiques descriptives : les commandes Stata

Variables numériques

La commande summarize (sum) permet d’afficher des statistiques de base sur une ou plusieurs variables numériques de la base de données :

la moyenne, l’écart-type et les valeurs extrêmes (min et max)
L’option detail permet d’afficher des statistiques plus précises sur la distribution de la ou des variables : médiane et autres centiles.

summarize gdp population, detail

Statistiques descriptives : les commandes Stata

Variable discrète

tabulate (tab) permet d’afficher les tableaux de fréquences (i.e., la distribution) des variables numériques catégorielles ou des variables textuelles :

tabulate country

Statistiques croisées

Deux variables catégorielles

Dans le cas où il y a 2 variables spécifiées, table produit une table de contingence :

table year country

Deux variables : catégorielle vs. quantitative

tabstat fertility, by(year)

Comment $x$ et $y$ sont associées ? Covariance et corrélation

On s’intéresse principalement à 2 statistiques pour caractériser la relation entre $x$ et $y$ :

Covariance
Corrélation

Covariance

La covariance est une mesure de la variabilité jointe de deux variables.

\[Cov(x,y) = \frac{1}{N} \sum_{i=1}^N(x_i-\bar{x})(y_i-\bar{y})\]

Difficile à interpréter car sensible à la dispersion des variables par rapport à la moyenne.

Corrélation

La corrélation est une mesure de la force de l’association linéaire entre deux variables.

\[Cor(x,y) = \frac{Cov(x,y)}{\sqrt{Var(x)}\sqrt{Var(y)}}\]

La fonction cor calcule la corrélation :
```
cor infant_mortality fertility
```
On ajoute l’option cov si on veut la covariance
```
cor infant_mortality fertility, cov
```

Corrélation

La corrélation est toujours entre -1 et 1 !

Un autre source : mathisfun

Exercice 6 : statistiques descriptives

Quelle est la moyenne du PIB en 2011 ?
La médiane ?
Calculez la moyenne de l’espérance de vie par année.
Calculez la corrélation entre la fertilité et la mortalité infantile en 2015.

[À retenir] Utiliser des do files

Dofile = un script contenant une suite de commandes Stata

Commande vs. script
- Ligne de commande : pratique pour tester
- Script de commandes (= dofile) :
  - permet à l’analyse d’être reproductible
- Commenter ses dofiles : //
```
di 1+1 // commentaire sur une ligne

/*
Commentaire sur plusieurs lignes
*/
```
⇒ toujours utiliser un script

Organiser son travail en plusieurs dofiles
- ayant une suite logique :
  - créer la base de données → statistiques descriptives → analyse graphique
- ayant des noms significatifs :
  - 1-construction-data.do → 2-stat-des.do → 3-graph.do

[À retenir] Commandes principales en Stata

Tâches	Commandes
Obtenir de l’aide	`help`, `findit`, `lookfor`
Utiliser les données Stata	`use`, `save`, `append`, `merge`
Gestion des données	`reshape`, `collapse`
Gérer les variables	`replace`, `rename`, `encode`, `sort`, `keep`, `drop`
Gérer les observations	`keep if`, `drop if`
Créer/modifier des variables	`generate`, `replace`, `egen`
Visualiser les données	`describe`, `list`, `tabulate`, `summarize`
Calculatrice	`display`

Question de compréhension [Groupe de 2]

Choisissez un graphique issu d’un média grand public (article, journal, site internet, rapport) qui concerne une statistique ou une donnée économique. Précisez les éléments suivants :

La source et le contexte du graphique.
Une description de ce que représente ce graphique.
Ce que vous trouvez pertinent ou problématique dans ce graphique.
Comment ce graphique peut être interprété ou discuté du point de vue de l’analyse économique et statistique.
Suggérez une analyse statistique complémentaire

Liste de sources

lien

Où en sommes-nous de notre quête de la causalité ?

✅ Comment gérer les données ? Regardez-les, ordonnez-les, visualisez-les…

❌ Comment résumer une relation entre plusieurs variables ?

❌ Qu’est-ce que la causalité ?

❌ Comment faire si nous n’observons qu’une partie de la population ?

❌ Nos résultats sont-ils uniquement dus au hasard ?

❌ Comment trouver de l’exogénéité en pratique ?

À la semaine prochaine !

Contact

natalia.bermudez@uliege.be

Un grand merci à Malka Guillot pour avoir partagé les supports de ce cours, ainsi qu’à Florian Oswald et à toute l’équipe de ScPoEconometrics pour leur livre et leurs ressources.

Chapitre 1 : Analyse de données

Utiliser des données

Au menu de cette séance

Au menu de cette séance

Installation de Stata

1. Téléchargement depuis DOX (version Stata StataNow/SE)

2. Installation

Interface utilisateur de Stata

Glossaire

Exercice 1

Trouver de l’aide

Collaborer !

Quand ça tourne mal

Importer des données

Stata peut importer des données depuis différents formats :

Importer des données : chemin absolu ou relatif ?

1️⃣ Chemin absolu = l’adresse complète du fichier

2️⃣ Chemin relatif = l’adresse à partir du dossier de travail

Inspecter des données

Exercice 2

Types de variables

Modifier le type de la variable

Modifier des données existantes (variables)

Créer des variables

Modifier la valeur d’une variable

Expressions logiques

Sélection d’observations

Exercice 3

Syntaxe de Stata

Au menu de cette séance

Valeurs manquantes

Au menu de cette séance

Agrégation des données collapse

Combiner des bases de données : append

Combiner des bases de données : merge

Formats wide et long : reshape

Exercice 4 : Nettoyage des données

Au menu de cette séance

Visualiser des données

Visualiser des données — 1 variable

Variable continue

Visualiser des données — 1 variable

Discrète

Visualiser des données — 2 variables

Une base de données “propre”

Avant de procéder à la visualisation, il faut se demander :

Types de visualisation

Exercice 5 : Premiers graphiques

Au menu de cette séance

Synthétiser les données

Tendances centrales

Dispersion

Statistiques descriptives : les commandes Stata

Variables numériques

Statistiques descriptives : les commandes Stata

Variable discrète

Statistiques croisées

Deux variables catégorielles

Deux variables : catégorielle vs. quantitative

Comment \(x\) et \(y\) sont associées ? Covariance et corrélation

Covariance

Corrélation

Corrélation

Exercice 6 : statistiques descriptives

[À retenir] Utiliser des do files

[À retenir] Commandes principales en Stata

Question de compréhension [Groupe de 2]

Où en sommes-nous de notre quête de la causalité ?

À la semaine prochaine !

Installation de `Stata`

Interface utilisateur de `Stata`

`Stata` peut importer des données depuis différents formats :

Agrégation des données `collapse`

Combiner des bases de données : `append`

Combiner des bases de données : `merge`

Formats wide et long : `reshape`