Je vérifie surtout s'il a une approche du 21ème siècle ou une approche du 20ème siècle. Certaines indications incluent

• accorde-t-il une attention démesurée aux sujets qui ont fait leur temps, comme le test de Durbin-Watson, les équations simultanées, etc.
• d'autres signaux d'alarme incluent une trop grande attention accordée aux régresseurs fixes, des résultats d'échantillons finis exacts dans les paramètres des jouets, aucune attention aux choses qui sont courantes de nos jours comme les erreurs standard d'Eicker-White
• de la même manière, passe-t-il mécaniquement par des "violations des hypothèses classiques" dans le sens de "si vous trouvez de l'hétéroscédasticité, faites GLS", "si vous trouvez une corrélation sérielle, faites Cochrane-Orcutt" etc. - il n'y a rien mal avec l'une de ces techniques, mais il est rare en pratique que ces problèmes se produisent de manière isolée. (Pour être honnête, il est beaucoup plus facile d'expliquer ce que ne pas faire que ce qu'il faut faire.)
• fait-il attention à la mise en œuvre numérique, c'est-à-dire comment effectuer réellement une analyse empirique à l'aide d'un logiciel, de préférence un logiciel permettant une reproductibilité facile, comme R ou Stata?
• en particulier dans les textes de premier cycle, inclut-il des applications empiriques intéressantes plutôt que des échantillons artificiels qui peuvent être introduits dans une calculatrice pour illustrer le calcul de certaines statistiques à la main
• Dernier point mais non le moindre, est-il correctement composé?

Question intéressante.

Et je suis d'accord avec chaque point de la réponse de Christoph.

J'ajouterais peut-être:

• un bon manuel doit avoir un public clair. Personnellement, j'aime, par exemple, le manuel Econometric Analysis of Cross Section and Panel Data de Jeffrey Wooldridge. Cependant, je l'utilise pour rafraîchir quelque chose que je connaissais déjà, ou pour vraiment comprendre certains sujets (par exemple en préparation aux examens de doctorat de deuxième ou troisième année) mais je recommanderais à not ce manuel de cours d'économétrie de niveau débutant ou intermédiaire.

• J'aime que les auteurs utilisent un chapitre pour décrire un sous-domaine avec lequel ils sont familiers même si cela n'est pas discuté partout (j'ajouterai un exemple ici, en cours de réflexion). Si vous parvenez à ne pas vous perdre dans les détails, ces experts peuvent souvent donner des informations intrigantes que vous ne trouvez pas pour des sujets de tous les jours.

• Un bon manuel doit utiliser des définitions qui sont à jour et largement utilisées. Comme Christoph l'a écrit, n'utilisez pas de régresseurs fixes et indiquez aux élèves pourquoi vous changez soudainement le «monde» (en passant de certains concepts «fixes» à des concepts aléatoires). N'utilisez pas non plus une autre définition de ce qu'est un effet fixe ou aléatoire.

• Étant donné qu'une grande partie de la littérature est devenue beaucoup plus appliquée au cours des dernières décennies, je pense qu'il est important de faire la différence entre les approximations théoriques (asymptotiques) et le comportement réel des estimateurs. Mostly Harmess Econometrics par Joshua Angrist et Jörn-Steffen Pischke pourrait être ici un bon exemple qui écrit, par exemple, que la différence entre logit / probit et OLS importe souvent peu dans la vraie vie (j'espère m'en souvenir correctement). C'est une expérience que j'ai également faite qui peut vous faire gagner beaucoup de temps! En même temps, veuillez faire en sorte que not ignore du tout les aspects théoriques (voir le point suivant).

• Depuis que j'ai quitté le monde universitaire, je lis aujourd'hui plus de manuels liés à l'apprentissage automatique (si je trouve le temps de continuer à me pencher sur les manuels). Ici, ma petite impression d'échantillon est que la qualité des meilleurs manuels est extrêmement élevée. Et souvent, vous pouvez lire les manuels en ligne gratuitement, c'est incroyable (certains manuels d'économétrie sont également disponibles sur le web mais je ne sais jamais s'ils sont légalement ou non donc je ne les ai pas liés ici)! Personne n'est obligé de rendre son livre disponible gratuitement, mais les étudiants adorent les livres gratuits. Faites-leur prendre conscience de la bonne littérature gratuite! Exemples: Deep Learning par Ian Goodfellow, Yoshua Bengio et Aaron Courville, An Introduction to Statistical Learning par Gareth James, Daniela Witten, Trevor Hastie et Robert Tibshirani ou Les éléments de l'apprentissage statistique par Trevor Hastie, Robert Tibshirani et Jerome Friedman. Bien que je pense personnellement que ces livres devraient couvrir plus de théorie (peut-être jeter un œil à l'économétrie?!), Il y a beaucoup à apprendre de ce domaine en ce qui concerne la visualisation, le style d'écriture, la qualité du codage etc.

• L'intérêt des exemples donnés dans le manuel devrait être élevé! Personnellement, je n'aime pas les exemples de jouets ou les ensembles de données (obsolètes) que j'ai déjà revus encore et encore. C'est beaucoup plus intéressant pour les étudiants si vous disposez de données toujours pertinentes.

• Les bons manuels devraient prendre du temps pour expliquer des concepts difficiles tels que le problème des paramètres accessoires (et ce que cela signifie pour les modèles linéaires et non linéaires) ou éviter de tels termes.

• Enfin et surtout, répondez à la question que les élèves se posent encore et encore. Quelques exemples

  • OLS groupé vs effets aléatoires vs effets fixes

  • Pourquoi mettre au carré la différence au lieu de prendre la valeur absolue de l'écart type?

  • Quand un estimateur biaisé est-il préférable à un estimateur sans biais? ou en général, les différences entre "prévision" et (dans l'échantillon) "régression" (par exemple ici).

  • Différences entre la microéconométrie, la macroéconométrie et les séries chronologiques (et plus?), par exemple ici

  • Régression et / ou correspondance?

Quelques autres réflexions:

• Donnez un contexte historique, soyez critique sur ce qui est actuellement en vogue. Expliquez aux élèves, par exemple, pourquoi un lauréat du prix Nobel comme Angus Deaton ou James Heckman est critique à propos des approches de forme réduite. Tout en disant bien sûr que ce sont les avantages / alternatives.

• Si vous ne voulez pas parler de l'histoire. Puis peut-être mentionner brièvement d'autres sujets «nouveaux» pertinents pour l'économétrie tels que les systèmes de contrôle de version et les codes reproductibles ou comment traiter les mégadonnées pour lesquelles les estimateurs économétriques classiques ne sont souvent pas adaptés?

• Comme Christoph l'a écrit: certains sujets sont à un moment donné (comme les équations simultanées mentionnées) mais ne jouent pratiquement plus aucun rôle une décennie plus tard. Cependant, certains auteurs devraient toujours chercher à donner un aperçu général du domaine ( Analyses économétriques par William Greene ou Microéconométrie: méthodes et applications par Colin Cameron et Pravin Trivedi en seraient deux exemples). Il y a beaucoup de confusion sur la nécessité d'utiliser des modèles d'équations simultanées (en ce qui concerne la cohérence, le biais et l'efficacité). Ou pourquoi la correction de Heckman (ou d'autres premiers modèles «quasi causaux») ne sont plus si populaires. Alors parfois, je trouve agréable de mentionner de tels sujets sur 1-2 pages et peut-être de dire au lecteur pourquoi ce sujet n'est plus si important.