Git Stars Git Stars

#econometrics Dépôts

Découvrez 28 dépôts GitHub open source actifs associés à #econometrics, cumulant 64,490 étoiles au total (soit une moyenne de 2,303 étoiles par projet). Le projet en tête de ce thème est statsmodels/statsmodels, avec 11,759 étoiles.

28
Total des Dépôts
64,490
Nombre total d'étoiles
2,303
Moyenne d'Étoiles/Dépôt
1
statsmodels/statsmodels

Statsmodels : modélisation statistique et économétrie en Python

statsmodels
⭐ 11,759 Python 👤 statsmodels Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2011-06-12
2
cantaro86/Financial-Models-Numerical-Methods

Collection de carnets sur la finance quantitative, avec du code Python interactif.

cantaro86
⭐ 7,547 Jupyter Notebook 👤 cantaro86 User 🕐 Mis à jour 2026-10-05 📅 Créé 2019-09-10
4
Nixtla/statsforecast

Prévisions ultra-rapides avec des modèles statistiques et économétriques.

Nixtla
⭐ 4,982 Python 👤 Nixtla Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2021-11-24
5
py-why/EconML

ALICE (Automated Learning and Intelligence for Causation and Economics) est un projet de Microsoft Research visant à appliquer des concepts d'Intelligence Artificielle à la prise de décision économique. L'un de ses objectifs est de construire un kit d'outils qui combine des techniques d'apprentissage automatique de pointe avec l'économétrie afin d'apporter l'automatisation à des problèmes complexes d'inférence causale. À ce jour, le SDK Python ALICE (econml) implémente des algorithmes d'apprentissage automatique orthogonaux tels que le travail sur l'apprentissage automatique double de

py-why
⭐ 4,861 Jupyter Notebook 👤 py-why Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2018-04-30
6
matheusfacure/python-causality-handbook

Inférence Causale pour les Braves et les Vrais. Une approche légère mais rigoureuse pour apprendre l'estimation de l'impact et la causalité.

matheusfacure
⭐ 3,520 Jupyter Notebook 👤 matheusfacure User 🕐 Mis à jour 2026-10-06 📅 Créé 2020-04-15
7
unslothai/hyperlearn

Algorithmes ML 2-2000x plus rapides, 50 % d'utilisation de mémoire en moins, fonctionne sur tout le matériel - neuf et ancien.

unslothai
⭐ 2,370 Jupyter Notebook 👤 unslothai Organization 🕐 Mis à jour 2024-11-19 📅 Créé 2018-08-27
8
paulgp/applied-methods-phd

Repo pour le cours de doctorat en méthodes empiriques appliquées de Yale

paulgp
⭐ 2,270 TeX 👤 paulgp User 🕐 Mis à jour 2026-04-30 📅 Créé 2021-01-13
9
alkaline-ml/pmdarima

Une bibliothèque statistique conçue pour combler le vide dans les capacités d'analyse de séries temporelles de Python, incluant l'équivalent de la fonction auto.arima de R.

alkaline-ml
⭐ 1,741 Python 👤 alkaline-ml Organization 🕐 Mis à jour 2026-10-19 📅 Créé 2017-03-30
10
pedrohcgs/claude-code-my-workflow

Un modèle Claude Code prêt à être forké pour la recherche universitaire — articles, analyse de données (R, Stata, Python), présentations et enseignement — avec revue multi-agents, contrôles qualité obligatoires et protocoles de réplication. Il fonctionne aussi avec Codex et Antigravity.

pedrohcgs
⭐ 1,729 HTML 👤 pedrohcgs User 🕐 Mis à jour 2026-11-07 📅 Créé 2026-02-06
11
google/meridian

Meridian est un framework MMM qui permet aux annonceurs de configurer et d'exécuter leurs propres modèles internes.

google
⭐ 1,608 Python 👤 google Organization 🕐 Mis à jour 2026-11-21 📅 Créé 2024-01-31
12
facebookexperimental/Robyn

Robyn est un package expérimental de modélisation du mix marketing (MMM) open source basé sur l'IA/ML de Meta Marketing Science. Notre mission est de démocratiser les connaissances en modélisation, d'inspirer l'industrie par l'innovation, de réduire les biais humains dans le processus de modélisation et de construire une communauté solide de science du marketing open source.

facebookexperimental
⭐ 1,538 Jupyter Notebook 👤 facebookexperimental Organization 🕐 Mis à jour 2026-11-10 📅 Créé 2020-04-30
13
brycewang-stanford/Awesome-Journal-Skills

Packs de compétences Claude Code/Codex spécifiques aux revues, couvrant les principales publications — AER, QJE, Nature, Cell, Management World, Economic Research Journal et plus de 200 autres — votre voie rapide vers la publication.

brycewang-stanford
⭐ 1,440 Stata 👤 brycewang-stanford User 🕐 Mis à jour 2026-09-27 📅 Créé 2026-05-25
14
grf-labs/grf

Forêts Aléatoires Généralisées

grf-labs
⭐ 1,121 C++ 👤 grf-labs Organization 🕐 Mis à jour 2026-04-30 📅 Créé 2016-08-12
⭐ 1,026 GAMS 👤 DREAM-DK Organization 🕐 Mis à jour 2026-11-19 📅 Créé 2022-01-07
16
google/lightweight_mmm

LightweightMMM 🦇 est une bibliothèque légère de modélisation bayésienne du mix marketing (MMM) qui permet aux utilisateurs d'entraîner facilement des MMM et d'obtenir des informations sur l'attribution des canaux.

google
⭐ 1,019 Python 👤 google Organization 🕐 Mis à jour 2025-06-17 📅 Créé 2022-02-10
17
xieliaing/CausalInferenceIntro

La version chinoise traduite de Causal Inference for the Brave and True. Tout le code est basé sur Python et s'applique à des domaines tels que l'économétrie, la sociologie quantitative, l'évaluation de stratégies, etc. Auteur original de la version anglaise : Matheus Facure

xieliaing
⭐ 968 Jupyter Notebook 👤 xieliaing User 🕐 Mis à jour 2026-03-16 📅 Créé 2021-11-07
18
aeturrell/coding-for-economists

Ce dépôt héberge le code du livre en ligne "Coding for Economists".

aeturrell
⭐ 947 Jupyter Notebook 👤 aeturrell User 🕐 Mis à jour 2026-10-16 📅 Créé 2020-11-28
19
DoubleML/doubleml-for-py

DoubleML - Double Machine Learning in Python

DoubleML
⭐ 801 Python 👤 DoubleML Organization 🕐 Mis à jour 2026-11-18 📅 Créé 2020-09-09
20
Nixtla/hierarchicalforecast

Prévision hiérarchique probabiliste 👑 avec des méthodes statistiques et économétriques.

Nixtla
⭐ 770 Python 👤 Nixtla Organization 🕐 Mis à jour 2026-11-20 📅 Créé 2022-06-21
21
hanlulong/awesome-ai-for-economists

Une sélection d’outils d’IA, de compétences d’agents, de bibliothèques et de ressources pour la recherche, l’enseignement et l’analyse des politiques économiques. Maintenue par l’équipe OpenEcon.

hanlulong
⭐ 722 👤 hanlulong User 🕐 Mis à jour 2026-11-07 📅 Créé 2026-02-21
22
fastverse/collapse

Transformation de Données Avancée et Rapide en R

fastverse
⭐ 709 C 👤 fastverse Organization 🕐 Mis à jour 2026-11-09 📅 Créé 2019-02-27
23
vincentarelbundock/marginaleffects

Package R pour calculer et tracer des prédictions, des pentes, des moyennes marginales et des comparaisons (contrastes, rapports de risque, odds, etc.) pour plus de 100 classes de modèles statistiques et de ML. Effectuer des tests d'hypothèses linéaires et non linéaires, ou des tests d'équivalence. Calculer des estimations d'incertitude à l'aide de la méthode delta, du bootstrapping ou de l'inférence basée sur la simulation

vincentarelbundock
⭐ 656 R 👤 vincentarelbundock User 🕐 Mis à jour 2026-11-09 📅 Créé 2021-09-06
24
vikjam/mostly-harmless-replication

Réplication des tableaux et figures de "Mostly Harmless Econometrics" en Stata, R, Python et Julia.

vikjam
⭐ 656 Stata 👤 vikjam User 🕐 Mis à jour 2025-06-29 📅 Créé 2014-03-20
25
JohannesPfeifer/DSGE_mod

Une collection de modèles Dynare

JohannesPfeifer
⭐ 596 AMPL 👤 JohannesPfeifer User 🕐 Mis à jour 2026-03-31 📅 Créé 2015-04-21
26
laurencium/Causalinference

Inférence causale en Python

laurencium
⭐ 581 Python 👤 laurencium User 🕐 Mis à jour 2026-09-26 📅 Créé 2014-06-04
27
mca91/EconometricsWithR

📖 Un compagnon interactif pour le manuel bien accueilli 'Introduction to Econometrics' de Stock & Watson (2015)

mca91
⭐ 532 R 👤 mca91 User 🕐 Mis à jour 2026-04-04 📅 Créé 2017-10-07
28
visprex/visprex

Visualisez vos fichiers CSV en quelques secondes sans envoyer vos données

visprex
⭐ 526 TypeScript 👤 visprex Organization 🕐 Mis à jour 2026-11-02 📅 Créé 2023-08-07

Foire aux questions

1

Quel est le dépôt #econometrics le plus populaire sur GitHub ?

Le projet #econometrics open source le mieux classé sur GitHub est statsmodels/statsmodels, avec 11,759 étoiles. Statsmodels : modélisation statistique et économétrie en Python

2

Quels langages de programmation sont les plus utilisés dans les dépôts #econometrics ?

Parmi les projets #econometrics les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Stata, R.

3

Comment le classement des dépôts #econometrics est-il calculé ?

Nous suivons 28 dépôts open source actifs associés à #econometrics (500+ étoiles), totalisant 64,490 étoiles, avec une moyenne de 2,303 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.