300 likes | 418 Views
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 .
E N D
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 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’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
(+) Impact du programme Exemple: L’appui pour l’InfrastructureCommunautaire – RANDOMISATION (+) Impact des facteurs externes 5
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’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’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
Impact = (P-NP)2008-(P-NP)2007 = 5.1 - 9.3 = -4.2 P-NP2008=5.1 P-NP2007=9.3
Impact = (P2008-P2007)-(NP2008-NP2007) = 10.6 – 14.8 = -4.2 P2008-P2007=10.6 NP2008-NP2007=14.8
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 Différence: Hypothèse de mêmetendance “Impact”=-4.2 Impact vrai=+2.0
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’hypothèse de tendance commune: Utilisation de donnéesantérieures >> Rejeterl’hypothèse des tendances communes
Impact = (P2008-P2007)-(NP2008-NP2007) = 10.0 – 4.0 = + 6.0 P08-P07=10.0 NP08-NP07=4.0
Hypothèse de tendance commune: Implication graphique Impact = +6.0
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’hypothèse de tendance commune: Utilisation de donnéesantérieures >>Est-ilraisonnabled’accepterl’hypothèse de tendance commune?
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) • 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)
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)
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
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 • 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) • Avantage de la méthode d’appariemment: • Ne nécessite pas la randomisation
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) • 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