mattea stein world bank m thodes non exp rimentales i n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Mattea Stein, World Bank Méthodes Non- expérimentales I PowerPoint Presentation
Download Presentation
Mattea Stein, World Bank Méthodes Non- expérimentales I

Loading in 2 Seconds...

play fullscreen
1 / 30

Mattea Stein, World Bank Méthodes Non- expérimentales I - PowerPoint PPT Presentation


  • 98 Views
  • Uploaded on

Mattea Stein, World Bank Méthodes Non- expérimentales I. Que savions nous jusque-là. Objectif : Nous voulons identifier l’effet causal de nos interventions ( politiques publiques ) sur des variables d’intérêt .

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Mattea Stein, World Bank Méthodes Non- expérimentales I' - chesmu


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
que savions nous jusque l
Quesavions nous jusque-là

Objectif: Nous voulons identifier l’effet causal de nos interventions (politiquespubliques) sur des variables d’intérêt.

  • Utilisez les méthodesd’évaluationrigoureuses pour répondre aux questions opérationnellesque nous nousposons
  • L’affectationaléatoire au traitementestl’étalon-or des méthodologiesexistantes (simple, précis, pas cher)
  • Que faire si on ne peut pas du tout faire usage de la randomisation?
  • S’ilest possible, recourir aux méthodes non-expérimentales
les m thodes non exp rimentales
Les méthodes non-expérimentales
  • Pourra-t-on trouver un contrefactuel plausible?
    • Expériencenaturelle?
  • Chaqueméthode non-expérimentaleestassociée à un ensemble d’hypothèses
    • Notre mesure de l’effet causal estd’autantmoinscrédibleque les hypothèsessont fortes
    • Il fautmettre en question noshypothèses
        • Se conformer à la réalité,

relever du bon sens

exemple l appui pour l infrastructure communautaire
Exemple: L’appui pour l’InfrastructureCommunautaire
  • Objectif principal
    • Améliorer les infrastructures communautaires

– construction d’écoles primaires

  • Intervention
    • Fondscommunautaires
    • Affectation non aléatoire
  • Groupecible
    • Communautées avec unemauvaise structure

éducative et un tauxélévé de pauvreté

  • Principale variable de résultat
    • Inscription scolaire
exemple l appui pour l infrastructure communautaire avant apres
Exemple: L’appui pour l’InfrastructureCommunautaire – “AVANT-APRES”

(+) Mesure BIAISEE de l’impact du program

“Avant-Après” ne fournit pas des résultatscrédibles

6

exemple l appui pour l infrastructure communautaire double difference
Exemple: L’appui pour l’InfrastructureCommunautaire – DOUBLE DIFFERENCE

Différence « Avant »

entre participants et

non participants

Différence « Après »

entre participants et

non-participants

Quelestl’impact de notre intervention?

7

exemple l appui pour l infrastructure communautaire double difference1
Exemple: L’appui pour l’InfrastructureCommunautaire – DOUBLE DIFFERENCE

Contrefactuel (2 façons de le présenter)

  • L’inscriptionscolaire des «sans» intervention, après correction des différences «avant/après» (Différenceinitiale entre groupes)
  • L’inscriptionscolaire «avant», après correction des différences «avec/sans» l’intervention (l’influence des facteursexternes)
  • 1 and 2sontéquivalents
slide10

Impact = (P-NP)2008-(P-NP)2007

= 5.1 - 9.3 = -4.2

P-NP2008=5.1

P-NP2007=9.3

slide12

Impact = (P2008-P2007)-(NP2008-NP2007)

= 10.6 – 14.8 = -4.2

P2008-P2007=10.6

NP2008-NP2007=14.8

strat gie d identification par double diff rence
Stratégied’Identification par Double Différence

Hypothèsesous-jacente:

Sans l’intervention, l’inscriptionscolairedans les communautées participantes et l’inscriptionscolairedans les communautés non-participantesauraientsuivi la mêmetendance

double diff rence hypoth se de m me tendance
Double Différence: Hypothèse de mêmetendance

“Impact”=-4.2

Impact vrai=+2.0

double diff rence exemple 1 r sum
Double Différence – Exemple (1): Résumé
  • Impact négatif:
    • Trèscontre –intuitif: Des fonds pour la construction de nouvellesécoles primaires ne devrait pas diminuer le taux d’inscription scolaire, une fois que les facteurs externes sont pris en compte!
  • Hypothèse de tendance commune (Très forte)
    • Les 2 groupes , en 2007, avaient des tauxd’inscriptionscolaire différents
    • Peut-être, les 2 groupesauraienteu des taux de changement de l’inscriptionscolaire différents en l’absence du projet
  • Mettre à l’épreuvel’hypothèse de tendance commune!
    • Si possible, faire ce test avec des donnéesprovenantd’annéesantérieures
examen de l hypoth se de tendance commune utilisation de donn es ant rieures
Examen de l’hypothèse de tendance commune: Utilisation de donnéesantérieures

>> Rejeterl’hypothèse des tendances communes

slide18

Impact = (P2008-P2007)-(NP2008-NP2007)

= 10.0 – 4.0 = + 6.0

P08-P07=10.0

NP08-NP07=4.0

double diff rence exemple 2 r sum
Double Différence - Exemple 2: Résumé
  • Impact Positif :
    • Plus intuitif
  • L’hypothèse des tendances communes est-elleraisonnable?
  • Toujoursnécessaire de questionnerl’hypothèse des tendances communes!!
    • Utiliser les données des annéesprécédentes
examen de l hypoth se de tendance commune utilisation de donn es ant rieures1
Examen de l’hypothèse de tendance commune: Utilisation de donnéesantérieures

>>Est-ilraisonnabled’accepterl’hypothèse

de tendance commune?

attention 1
Attention (1)
  • Il estsouventdifficile de validerl’hypothèse de tendance commune
    • Absence de données pour tester l’hypothèse
    • Mêmesi les tendancesantérieuresétaientsimilaires:
      • Ont-ellestoujoursétésimilaires (ousommes-nous justechanceux?)
      • Plus important, seront-ilstoujourssimilaires?
        • Exemple: D’autresprojetsinterviennentparmi les entreprises non participantes….
attention 2
Attention (2)
  • Que faire?

>> Faire de l’analyse descriptive!

    • Vérifier les similaritéssur la base des caractéristiques observables
      • Si les caractéristiques observables ne sont pas similaires, les tendancespourraientdifférer de manière non prévisible

>> Cependant, nous ne pouvons pas comparer ce qui n’est pas observable… Et les caractéristiques non observables sontsouvent plus importantes (capacité, motivation, patience, etc)

m thode d appariement 1
Méthoded’Appariement (1)

Apparier les participants et les non-participants sur la base de caractéristiquesobservables

Contrefactuel :

  • Groupe de comparaisonapparié
          • Chaque participant au programmeestapparié avec un ouplusieurs non-participants sur la base de caratéristiques observables

>> En moyenne, les participants et les non-participants appariésauront les mêmescaractérisques observables (par construction)

m thode d appariement 2
Méthoded’Appariement (2)

Hypothèsescontrefactuellessous-jacentes

  • Après l’appariemment, iln’y a aucunedifférence entre les participants et les non-participants en termes de caractéristiquesinobservables

ET/OU

  • Les caractéristiquesinobservablesn’influencentnil’affectation au traitement, ni les variables d’intérêt
m thode d appariement comment proc de t on
Méthoded’Appariement -Comment procède t-on?
  • Construire un groupetémoin en trouvant des individusappariésproches en termes de caractéristiques observables
    • Sélectionner les variables pertinentessurlesquellesréaliserl’appariement
    • De sortequ’onretienne:
      • GroupeTraitement: Participants qui peuventavoir un contrefactuel
      • Groupe de Comparaison: Non-participants assezsimilaires aux participants

>> Nous réduisons/ tronquonsunepartie de notregroupetraitement!

implications
Implications
  • Dans beaucoup de cas, nous ne pouvons pas apparier tous les individus
    • Utile de connaitre qui est sorti de l’échantillon
  • Exemple

Individus

appariés

Portion du groupe

Traitement sorti de l’échantillon

Non-participants

Participants

Score

Richesse

conclusion 1
Conclusion (1)
  • Avantage de la méthode d’appariemment:
    • Ne nécessite pas la randomisation
conclusion 2
Conclusion (2)
  • Inconvénients:
    • L’hypothèsesous-jacenten’est pas plausible danstous les contextes et estdifficile à tester
      • Utiliser le bon sens et faire des analyses descriptives
    • Nécessite des données de trèsbonnequalité:
      • Nécessite de contrôlertous les facteurs qui influencent le traitement et les variables de résultat
    • Nécessite de trèsgrandséchantillons pour générer un bon groupetémoin
    • Ne permet pas d’appariertous les individus
conclusion 3
Conclusion (3)
  • Les expériencesrandomiséesnécessitent beaucoup moinsd’hypothèses et fournissent des estimations intuitives
  • Les méthodes non-expérimentalesnécessitent des hypothèses qui doiventêtreattentivementtestées
          • Plus de données
          • Pas toujourstestables
  • Faire preuve de créativité:
    • Mélange de méthodes!
    • Répondre aux questions avec les techniques appropriées