-
Notifications
You must be signed in to change notification settings - Fork 1
/
2e_script_new.R
384 lines (274 loc) · 17.4 KB
/
2e_script_new.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
library(tidyverse)
library(tseries)
library("Synth")
setwd("~/ENSAE/projet stat_app/Data/Données")
#import bases
capital=read_csv("Statistical_Capital.csv")
croiss=read_csv("Statistical_Growth-Accounts.csv")
travail=read_csv("Statistical_Labour.csv")
compte=read_csv("Statistical_National-Accounts.csv")
description=read_csv("Variable-Description.csv")
autre_pays=read_csv("WB_data2.csv")
codes <- read_csv("codes_pays.csv") %>% rename(country = `Country Name, Full`, country2 = `ISO2-digit Alpha`, country3 = `ISO3-digit Alpha`)
taux_change <- read_csv("taux_change.csv")
autres_donnees <- read_csv("donnees_complementaires.csv")
#pivot_longer : pour faire passer les annees en lignes
#pivot_wider : pour faire passer les variables en colonnes
#filter(code = "TOT") : pour ne garder que les valeurs agregees
compte <- compte %>% pivot_longer(c(7:29), names_to = "year", values_to = "value") %>%
pivot_wider(names_from = "var", values_from = "value") %>%
filter(code == "TOT") %>%
select(c(country, year, COMP, H_EMPE, LP_QI, VA_PI, VA_Q)) %>%
rename(country2 = country)
#str_replace_all : pour corriger le pb de nomenclature d'EU KLEMS pour G-B et Grece
compte <- compte %>% mutate(country2 = str_replace_all(compte$country2, c("EL" = "GR", "UK" = "GB"))) %>%
inner_join(codes, by = "country2")
#meme manip que pour compte
autre_pays <- autre_pays %>% select(-c(Pays_indic, `Country Name`, `Indicator Name`)) %>%
pivot_longer(c(2:20), names_to = "year", values_to = "value") %>%
pivot_wider(names_from = "Simple Indicator", values_from = "value") %>%
rename(country3 = `Country Code`) %>%
select(country3, year,pop,`unemployment rate`, gdb_hab, FBCF, exports_rate) %>%
rename(gdp_hab = gdb_hab)
#creation d'un index numérique pour chaque pays
id <- count(compte,country2) %>% mutate(id_country = row_number()) %>% select(-n)
#corriger les pb de type
compte$year <- as.numeric(compte$year)
autre_pays$year <- as.numeric(autre_pays$year)
#join avec autre pays et id
compte <- compte %>% inner_join(autre_pays, by = c("country3", "year")) %>%
inner_join(id, by = "country2")
compte <- as.data.frame(compte)
#1er modele univarie pour chomage avec juste mean
dataprep.out <- dataprep(foo=compte,
predictors = "unemployment rate", #Les variables utilisées en contrôle
predictors.op = "mean", #La manière dont on les prend en compte
time.predictors.prior = c(2000:2012), #période pré-traitement
dependent="unemployment rate", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 11, # n° de l'unité traitée
controls.identifier = c(1:10,12:30), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2000:2012), #période de maximisation
time.plot=2000:2017) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
round(synth.out$solution.w,2)
path.plot(dataprep.res = dataprep.out,synth.res = synth.out)
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#fit horrible mais modele hyper simpliste
#idem avec plein d'annees
dataprep.out <- dataprep(foo=compte,
special.predictors = list(
list("unemployment rate",2000,"mean"),
list("unemployment rate",2002,"mean"),
list("unemployment rate",2004,"mean"),
list("unemployment rate",2006,"mean"),
list("unemployment rate",2007,"mean"),
list("unemployment rate",2008,"mean"),
list("unemployment rate",2009,"mean"),
list("unemployment rate",2010,"mean"),
list("unemployment rate",2011,"mean"),
list("unemployment rate",2012,"mean")),
time.predictors.prior = c(2000:2012), #période pré-traitement
dependent="unemployment rate", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 11, # n° de l'unité traitée
controls.identifier = c(1:8,12,14:16,18:30), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2000:2012), #période de maximisation
time.plot=2000:2017) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
round(synth.out$solution.w,2)
path.plot(dataprep.res = dataprep.out,synth.res = synth.out)
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#autre pays (données Banque Mondiale)
id2 <- count(autre_pays,country3) %>% mutate(id_country = row_number()) %>% select(-n)
autre_pays <- autre_pays %>% inner_join(id2, by = "country3")
autre_pays <- as.data.frame(autre_pays)
#univarié
#chômage
dataprep.out <- dataprep(foo=autre_pays,
special.predictors = list(
list("unemployment rate",2000,"mean"),
list("unemployment rate",2002,"mean"),
list("unemployment rate",2004,"mean"),
list("unemployment rate",2006,"mean"),
list("unemployment rate",2008,"mean"),
list("unemployment rate",2009,"mean"),
list("unemployment rate",2010,"mean"),
list("unemployment rate",2011,"mean"),
list("unemployment rate",2012,"mean")),
time.predictors.prior = c(2000:2012), #période pré-traitement
dependent="unemployment rate", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 50, # n° de l'unité traitée
controls.identifier = c(1:49,51:145), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2000:2012), #période de maximisation
time.plot=2000:2018) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
poids <- round(synth.out$solution.w,2) %>% as.data.frame() %>% rownames_to_column() %>%
rename(id_country = rowname, poids = w.weight)
poids$id_country <- as.numeric(poids$id_country)
poids <- poids %>% left_join(id2, by = "id_country") %>% relocate(country3) %>% arrange(desc(poids))
path.plot(dataprep.res = dataprep.out,synth.res = synth.out, Ylab = "unemployment")
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#gdp_hab
dataprep.out <- dataprep(foo=autre_pays,
special.predictors = list(
list("gdp_hab",2000,"mean"),
list("gdp_hab",2002,"mean"),
list("gdp_hab",2004,"mean"),
list("gdp_hab",2006,"mean"),
list("gdp_hab",2008,"mean"),
list("gdp_hab",2009,"mean"),
list("gdp_hab",2010,"mean"),
list("gdp_hab",2011,"mean"),
list("gdp_hab",2012,"mean")),
time.predictors.prior = c(2000:2012), #période pré-traitement
dependent="gdp_hab", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 50, # n° de l'unité traitée
controls.identifier = c(1:49,51:145), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2000:2012), #période de maximisation
time.plot=2000:2018) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
poids <- round(synth.out$solution.w,2) %>% as.data.frame() %>% rownames_to_column() %>%
rename(id_country = rowname, poids = w.weight)
poids$id_country <- as.numeric(poids$id_country)
poids <- poids %>% left_join(id2, by = "id_country") %>% relocate(country3)
path.plot(dataprep.res = dataprep.out,synth.res = synth.out, Ylab = "gdp_hab")
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#gdp_hab base 100
autre_pays <- autre_pays %>% group_by(country3) %>% mutate(gdp_hab2000 = gdp_hab[1]) %>%
mutate(gdp_hab100 = gdp_hab / gdp_hab2000*100)
autre_pays <- as.data.frame(autre_pays)
dataprep.out <- dataprep(foo=autre_pays,
special.predictors = list(
list("gdp_hab100",2001,"mean"),
list("gdp_hab100",2003,"mean"),
list("gdp_hab100",2004,"mean"),
list("gdp_hab100",2006,"mean"),
list("gdp_hab100",2008,"mean"),
list("gdp_hab100",2009,"mean"),
list("gdp_hab100",2010,"mean"),
list("gdp_hab100",2011,"mean"),
list("gdp_hab100",2012,"mean")),
time.predictors.prior = c(2000:2012), #période pré-traitement
dependent="gdp_hab100", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 50, # n° de l'unité traitée
controls.identifier = c(1:49,51:145), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2001:2012), #période de maximisation
time.plot=2000:2018) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
poids <- round(synth.out$solution.w,2) %>% as.data.frame() %>% rownames_to_column() %>%
rename(id_country = rowname, poids = w.weight)
poids$id_country <- as.numeric(poids$id_country)
poids <- poids %>% left_join(id2, by = "id_country") %>% relocate(country3)
path.plot(dataprep.res = dataprep.out,synth.res = synth.out, Ylab = "gdp_hab")
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#sans endogénéité
dataprep.out <- dataprep(foo=autre_pays,
special.predictors = list(
list("gdp_hab100",2002,"mean"),
list("gdp_hab100",2004,"mean"),
list("gdp_hab100",2006,"mean"),
list("gdp_hab100",2008,"mean"),
list("gdp_hab100",2009,"mean"),
list("gdp_hab100",2010,"mean"),
list("gdp_hab100",2011,"mean"),
list("gdp_hab100",2012,"mean")),
time.predictors.prior = c(2000:2012), #période pré-traitement
dependent="gdp_hab100", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 50, # n° de l'unité traitée
controls.identifier = c(1:49,51:57,59:65,67:69,71:145), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2001:2012), #période de maximisation
time.plot=2000:2018) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
poids <- round(synth.out$solution.w,2) %>% as.data.frame() %>% rownames_to_column() %>%
rename(id_country = rowname, poids = w.weight)
poids$id_country <- as.numeric(poids$id_country)
poids <- poids %>% left_join(id2, by = "id_country") %>% relocate(country3) %>% arrange(desc(poids))
path.plot(dataprep.res = dataprep.out,synth.res = synth.out, Ylab = "gdp_hab")
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#taux croissance
autre_pays <- autre_pays %>% group_by(country3) %>% mutate(d_gdp = (gdp_hab - lag(gdp_hab))/lag(gdp_hab))
autre_pays <- as.data.frame(autre_pays)
dataprep.out <- dataprep(foo=autre_pays,
special.predictors = list(
list("d_gdp",2001,"mean"),
list("d_gdp",2003,"mean"),
list("d_gdp",2004,"mean"),
list("d_gdp",2006,"mean"),
list("d_gdp",2008,"mean"),
list("d_gdp",2009,"mean"),
list("d_gdp",2010,"mean"),
list("d_gdp",2011,"mean"),
list("d_gdp",2012,"mean")),
time.predictors.prior = c(2001:2012), #période pré-traitement
dependent="d_gdp", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 50, # n° de l'unité traitée
controls.identifier = c(1:49,51:145), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2001:2012), #période de maximisation
time.plot=2001:2018) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
poids <- round(synth.out$solution.w,2) %>% as.data.frame() %>% rownames_to_column() %>%
rename(id_country = rowname, poids = w.weight)
poids$id_country <- as.numeric(poids$id_country)
poids <- poids %>% left_join(id2, by = "id_country") %>% relocate(country3) %>% arrange(desc(poids))
path.plot(dataprep.res = dataprep.out,synth.res = synth.out, Ylab = "d_gdp_hab", Ylim = c(-0.2,0.4))
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#multivarié
autre_pays2 <- autre_pays %>% inner_join(autres_donnees, by = c("country3", "year")) %>%
select(-id_country)
autre_pays2 <- autre_pays2 %>% group_by(country3) %>%
mutate(salaire_minimum = mean(`salaire horaire minimum en US$ PPA`, na.rm = TRUE),
protection_emploi = mean(`indice protection de l'emploi`, na.rm = TRUE),
diplome = mean(`% des 25-64ans diplomes du superieur`, na.rm = TRUE)) %>%
filter(!(is.nan(salaire_minimum) | is.nan(protection_emploi) | is.nan(diplome))) %>%
ungroup()
id2 <- count(autre_pays2,country3) %>% mutate(id_country = row_number()) %>% select(-n)
autre_pays2 <- autre_pays2 %>% inner_join(id2, by = "country3") %>% as.data.frame()
dataprep.out <- dataprep(foo=autre_pays2,
predictors = c("taux d'imposition sur bénéfices",
"salaire_minimum",
"protection_emploi",
"diplome",
"gdp_hab"), #Les variables utilisées en contrôle
predictors.op = "mean", #La manière dont on les prend en compte
special.predictors = list(
list("unemployment rate",2012,"mean")),
time.predictors.prior = c(2000:2012), #période pré-traitement
dependent="unemployment rate", #variable d'intérêt
unit.variable = "id_country", #colonne avec les index des pays
treatment.identifier = 12, # n° de l'unité traitée
controls.identifier = c(1:9,11,13,15:32), #n° des unités de contrôles
time.variable = "year", #colonne où se trouve la date
time.optimize.ssr = c(2000:2012), #période de maximisation
time.plot=2000:2018) #période tracée sur le graphique
synth.out <- synth(dataprep.out)
poids <- round(synth.out$solution.w,2) %>% as.data.frame() %>% rownames_to_column() %>%
rename(id_country = rowname, poids = w.weight)
poids$id_country <- as.numeric(poids$id_country)
poids <- poids %>% left_join(id2, by = "id_country") %>% relocate(country3) %>% arrange(desc(poids))
path.plot(dataprep.res = dataprep.out,synth.res = synth.out, Ylab = "unemployment")
gaps.plot(dataprep.res = dataprep.out,synth.res = synth.out)
#pour avoir taux de change en 2010 (car grandeurs reelles sont exprimées en prix 2010)
taux_change2010 <- taux_change %>% filter(year == 2010) %>%
rename(`rate2010 in NAT/US$` = `rate in NAT/US$`) %>% select(-year)
compte <- compte %>% inner_join(taux_change2010, by = "country3")
#creation PIB par hab (VA_Q_hab) en valeur reelle en dollar 2010
compte <- compte %>% mutate(VA_Q_hab = VA_Q/(pop*`rate2010 in NAT/US$`))
#imputation de 3 valeurs manquantes pour VA_Q_hab en supposant même taux de croissance qu'entre les 2 dernières périodes où les données sont disponibles
#Croatie 2017
compte[234,15] <- 0.012891387
#Japon 2016 et 2017
compte[305,15] <- 0.047363271
compte[306,15] <- 0.047973711