L’économétrie et l’apprentissage automatique semblent avoir une finalité en commun : construire un modèle prédictif, pour une variable d’intérêt, à l’aide de variables explicatives (ou features). Pourtant, ces deux approches se sont développées en parallèle, créant ainsi deux cultures différentes. La première visait à construire des modèles probabilistes permettant de décrire des phénomènes économiques. La seconde utilise des algorithmes qui vont apprendre de leurs erreurs, dans le but, le plus souvent, de classer (des sons, des images, etc.). Or, récemment, les modèles d’apprentissage se sont montrés plus efficaces que les techniques économétriques traditionnelles (bien qu’au prix d’un moindre pouvoir explicatif) et ils arrivent à gérer des données beaucoup plus volumineuses. Dans ce contexte, il devient nécessaire que les économètres comprennent ce que sont ces deux cultures, ce qui les oppose et surtout ce qui les rapproche, afin de s’approprier des outils développés par la communauté de l’apprentissage statistique pour les intégrer dans des modèles économétriques.

Article en une page

Citer cet article

Charpentier, A., Flachaire, E. & Ly, A. (2018). Econometrics and Machine Learning. Economie et Statistique / Economics and Statistics, 505-506, 147–169.
https://doi.org/10.24187/ecostat.2018.505d.1970