Git Stars Git Stars

#econometrics Repository

Scopri 28 repository GitHub open source attivi contrassegnati con #econometrics, che raccolgono un totale di 64,490 stelle (con una media di 2,303 stelle per progetto). Il progetto leader di questo argomento è statsmodels/statsmodels, con 11,759 stelle.

28
Totale Repository
64,490
Totale stelle
2,303
Media Stelle/Repo

28 repository in totale

1
statsmodels/statsmodels

Statsmodels: modellazione statistica ed econometria in Python

statsmodels
⭐ 11,759 Python 👤 statsmodels Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2011-06-12
2
cantaro86/Financial-Models-Numerical-Methods

Collezione di notebook sulla finanza quantitativa, con codice Python interattivo.

cantaro86
⭐ 7,547 Jupyter Notebook 👤 cantaro86 User 🕐 Aggiornato 2026-10-05 📅 Creato 2019-09-10
4
Nixtla/statsforecast

Previsioni fulminee con modelli statistici ed econometrici.

Nixtla
⭐ 4,982 Python 👤 Nixtla Organization 🕐 Aggiornato 2026-11-19 📅 Creato 2021-11-24
5
py-why/EconML

ALICE (Automated Learning and Intelligence for Causation and Economics) è un progetto di Microsoft Research mirato ad applicare concetti di Intelligenza Artificiale al processo decisionale economico. Uno dei suoi obiettivi è creare un kit di strumenti che combini tecniche di machine learning all'avanguardia con l'econometria al fine di portare l'automazione a problemi complessi di inferenza causale. Ad oggi, il SDK Python di ALICE (econml) implementa algoritmi di machine learning ortogonali come il lavoro sul double machine learning di

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

Inferenza Causale per i Coraggiosi e i Veri. Un approccio leggero ma rigoroso per apprendere la stima dell'impatto e la causalità.

matheusfacure
⭐ 3,520 Jupyter Notebook 👤 matheusfacure User 🕐 Aggiornato 2026-10-06 📅 Creato 2020-04-15
7
unslothai/hyperlearn

Algoritmi ML 2-2000x più veloci, 50% in meno di utilizzo della memoria, funziona su tutti i hardware - nuovi e vecchi.

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

Repo per il corso PHD di metodi empirici applicati di Yale

paulgp
⭐ 2,270 TeX 👤 paulgp User 🕐 Aggiornato 2026-04-30 📅 Creato 2021-01-13
9
alkaline-ml/pmdarima

Una libreria statistica progettata per colmare il vuoto nelle capacità di analisi delle serie temporali di Python, inclusa l'equivalente della funzione auto.arima di R.

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

Un template di Claude Code pronto da forkare per la ricerca accademica — articoli, analisi dei dati (R, Stata, Python), presentazioni e didattica — con revisione multiagente, controlli di qualità obbligatori e protocolli di replicazione. È utilizzabile anche con Codex e Antigravity.

pedrohcgs
⭐ 1,729 HTML 👤 pedrohcgs User 🕐 Aggiornato 2026-11-07 📅 Creato 2026-02-06
11
google/meridian

Meridian è un framework MMM che consente agli inserzionisti di impostare ed eseguire i propri modelli interni.

google
⭐ 1,608 Python 👤 google Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2024-01-31
12
facebookexperimental/Robyn

Robyn è un pacchetto sperimentale di Marketing Mix Modeling (MMM) open source basato su AI/ML di Meta Marketing Science. La nostra missione è democratizzare la conoscenza della modellazione, ispirare il settore attraverso l'innovazione, ridurre i bias umani nel processo di modellazione e costruire una forte comunità di marketing science open source.

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

Pacchetti di competenze Claude Code/Codex specifici per riviste, che coprono le principali pubblicazioni — AER, QJE, Nature, Cell, Management World, Economic Research Journal e oltre 200 altre — la tua corsia preferenziale per la pubblicazione.

brycewang-stanford
⭐ 1,440 Stata 👤 brycewang-stanford User 🕐 Aggiornato 2026-09-27 📅 Creato 2026-05-25
14
grf-labs/grf

Foreste Casuali Generalizzate

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

LightweightMMM 🦇 è una libreria leggera di Bayesian Marketing Mix Modeling (MMM) che consente agli utenti di addestrare facilmente MMM e ottenere informazioni sull'attribuzione del canale.

google
⭐ 1,019 Python 👤 google Organization 🕐 Aggiornato 2025-06-17 📅 Creato 2022-02-10
17
xieliaing/CausalInferenceIntro

La versione cinese tradotta di Causal Inference for the Brave and True. Tutto il codice è basato su Python ed è applicabile a campi come l'econometria, la sociologia quantitativa, la valutazione delle strategie, ecc. Autore originale della versione inglese: Matheus Facure

xieliaing
⭐ 968 Jupyter Notebook 👤 xieliaing User 🕐 Aggiornato 2026-03-16 📅 Creato 2021-11-07
18
aeturrell/coding-for-economists

Questo repository ospita il codice alla base del libro online "Coding for Economists".

aeturrell
⭐ 947 Jupyter Notebook 👤 aeturrell User 🕐 Aggiornato 2026-10-16 📅 Creato 2020-11-28
19
DoubleML/doubleml-for-py

DoubleML - Double Machine Learning in Python

DoubleML
⭐ 801 Python 👤 DoubleML Organization 🕐 Aggiornato 2026-11-18 📅 Creato 2020-09-09
20
Nixtla/hierarchicalforecast

Previsioni gerarchiche probabilistiche 👑 con metodi statistici ed econometrici.

Nixtla
⭐ 770 Python 👤 Nixtla Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2022-06-21
21
hanlulong/awesome-ai-for-economists

Una raccolta selezionata di strumenti di IA, competenze degli agenti, librerie e risorse per la ricerca economica, l’insegnamento e l’analisi delle politiche. Curata dal team OpenEcon.

hanlulong
⭐ 722 👤 hanlulong User 🕐 Aggiornato 2026-11-07 📅 Creato 2026-02-21
22
fastverse/collapse

Trasformazione Avanzata e Veloce dei Dati in R

fastverse
⭐ 709 C 👤 fastverse Organization 🕐 Aggiornato 2026-11-09 📅 Creato 2019-02-27
23
vincentarelbundock/marginaleffects

Pacchetto R per calcolare e tracciare previsioni, pendenze, medie marginali e confronti (contrasti, rapporti di rischio, odds, ecc.) per oltre 100 classi di modelli statistici e ML. Condurre test di ipotesi lineari e non lineari o test di equivalenza. Calcolare stime di incertezza utilizzando il metodo delta, il bootstrapping o l'inferenza basata su simulazione

vincentarelbundock
⭐ 656 R 👤 vincentarelbundock User 🕐 Aggiornato 2026-11-09 📅 Creato 2021-09-06
24
vikjam/mostly-harmless-replication

Replicazione di tabelle e figure da "Mostly Harmless Econometrics" in Stata, R, Python e Julia.

vikjam
⭐ 656 Stata 👤 vikjam User 🕐 Aggiornato 2025-06-29 📅 Creato 2014-03-20
25
JohannesPfeifer/DSGE_mod

Una collezione di modelli Dynare

JohannesPfeifer
⭐ 596 AMPL 👤 JohannesPfeifer User 🕐 Aggiornato 2026-03-31 📅 Creato 2015-04-21
26
laurencium/Causalinference

Inferenza causale in Python

laurencium
⭐ 581 Python 👤 laurencium User 🕐 Aggiornato 2026-09-26 📅 Creato 2014-06-04
27
mca91/EconometricsWithR

📖 Un compagno interattivo per il ben accolto testo 'Introduction to Econometrics' di Stock & Watson (2015)

mca91
⭐ 532 R 👤 mca91 User 🕐 Aggiornato 2026-04-04 📅 Creato 2017-10-07
28
visprex/visprex

Visualizza i tuoi file CSV in pochi secondi senza inviare i tuoi dati

visprex
⭐ 526 TypeScript 👤 visprex Organization 🕐 Aggiornato 2026-11-02 📅 Creato 2023-08-07

Domande frequenti

1

Qual è il repository #econometrics più popolare su GitHub?

Il progetto open source #econometrics più alto in classifica su GitHub è statsmodels/statsmodels, con 11,759 stelle. Statsmodels: modellazione statistica ed econometria in Python

2

Quali linguaggi di programmazione sono più utilizzati nei repository #econometrics?

Tra i progetti #econometrics più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, Stata, R.

3

Come viene calcolata la classifica dei repository #econometrics?

Monitoriamo 28 repository open source attivi contrassegnati con #econometrics (500+ stelle), per un totale di 64,490 stelle e una media di 2,303 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.