p08_chomage

# Calculs & dataframes import pandas as pd import numpy as np import scipy.stats as stat import pingouin as pg # Régression linéaire import statsmodels.api as sm import statsmodels.formula.api as smf from statsmodels.stats.outliers_influence import OLSInfluence, variance_inflation_factor from sklearn.preprocessing import StandardScaler # pour centrer-réduire les données # Librairies pour graphiques import matplotlib.pyplot as plt %matplotlib inline from matplotlib.colors import ListedColormap, LinearSegmentedColormap import seaborn as sns import plotly.express as px from plotly.subplots import make_subplots import plotly.graph_objects as go plt.rcParams.update(plt.rcParamsDefault)

# Figure : évolution du chômage (BIT) selon le sexe et l'âge data = evol_chom.loc[evol_chom.AGEQ.isin(["T1524", "T2549", "T5064", "T1564"])].\ replace({"H": "Hommes", "F": "Femmes", "E": "Ensemble", "T1524":"15-24 ans", "T2549":"25-49 ans", "T5064":"50-64 ans", "T1564":"Ensemble"}).sort_values(by=["ANNEE", "AGEQ"]) fig = px.line(data, x="ANNEE", y="TXCHOM", color="SEXE", facet_col="AGEQ", color_discrete_map=pal_sexe, labels={"ANNEE": "Année", "TXCHOM": "Taux de chômage (%)", "SEXE": "Sexe"}) fig.update_traces(mode="lines") # Personnalisation du graphique fig.for_each_annotation(lambda a: a.update(text=a.text.split("=")[-1])) fig.layout.update(title="Évolution du taux de chômage (au sens du BIT) selon l'âge et le sexe", xaxis_title="Années", yaxis_title="Taux de chômage (%)", legend_title=dict(text="Source : INSEE", side="top"), template=mon_theme, height=400) fig.update_xaxes(dtick=10) fig.update_yaxes(dtick=2) fig.show(config=config) #------------------------------------------# # Figure : évolution du chômage (BIT) selon le sexe et l'âge data = evol_chom.loc[evol_chom.AGEQ.isin(["T1524", "T2549", "T5064", "T1564"])].\ replace({"H": "Hommes", "F": "Femmes", "E": "Ensemble", "T1524":"15-24 ans", "T2549":"25-49 ans", "T5064":"50-64 ans", "T1564":"Ensemble"}).\ sort_values(by=["ANNEE", "AGEQ"]) fig = px.line(data, x="ANNEE", y="TXCHOM", facet_col="SEXE", color="AGEQ", color_discrete_map=pal_age, labels={"ANNEE": "Année", "TXCHOM": "Taux de chômage (%)", "SEXE": "Sexe"}) fig.update_traces(mode="lines") # Personnalisation du graphique fig.for_each_annotation(lambda a: a.update(text=a.text.split("=")[-1])) fig.layout.update(title="Évolution du taux de chômage (au sens du BIT) selon le sexe et l'âge", xaxis_title="Années", yaxis_title="Taux de chômage (%)", legend_title=dict(text="Source : INSEE", side="top"), template=mon_theme, height=400) fig.update_xaxes(dtick=10) fig.update_yaxes(dtick=2) fig.show(config=config)

# Régression pour le taux de chômage (moindre carrés ordinaires) var = ['TXCHOM', 'REV_MEDIAN', "TX_INFL", 'TXCDD_EMBAUCHE', 'TXTPART_EMPBIT', 'GINI', 'PROD_HW_I15', 'BALANCE_BS', 'DEP_GEN_PTPIB', 'DEP_CIB_PTPIB', 'SAL_HW_I15' ] data = df[var].copy().dropna() data['BALANCE_BS'] = data['BALANCE_BS']/1e9 # balance en milliard d'euros data['REV_MEDIAN'] = data['REV_MEDIAN']/1e3 # revenu en milliers d'euro # Définitions des variables X = data.drop(["TXCHOM"], axis=1) y = data.TXCHOM # Ajout de la constante X = sm.add_constant(X) # Modèle de régrssion (méthode des moindres carrés ordinaires) regr1 = sm.OLS(y, X, missing='drop').fit() # Affichage des résultats regr1.summary()