La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Exploiter les Discontinuités pour Bien Évaluer Eric Mvukiyehe, Columbia University.

Présentations similaires


Présentation au sujet: "Exploiter les Discontinuités pour Bien Évaluer Eric Mvukiyehe, Columbia University."— Transcription de la présentation:

1 Exploiter les Discontinuités pour Bien Évaluer Eric Mvukiyehe, Columbia University

2 Introduction (1) Contexte Nous souhaitons établir leffet causal dune intervention Une assignation aléatoire nest pas faisable On ne peut pas exploiter le processus de sélection pour définir un groupe de comparaison En général Individus, ménages, villages, ou autres entités sont exposés ou non au traitement La sélection dindividus dans le groupe de traitement empêche la comparaison traités/non-traités Exemple: Les individus qui souhaitent participer dans un programme de micro-finance et ceux qui ne le souhaitent pas

3 Introduction (2) Quand lassignation aléatoire nest pas faisable, comment exploiter le mode de mise en œuvre dun programme afin dévaluer son impact? Proposition: La méthode « quasiment expérimentale » Stratégie didentification par la Discontinuité de la Régression (Regression Discontinuity Design, RDD)

4 La stratégie didentification par la Discontinuité de la Régression (RDD) RDD est un cousin proche de la méthode expérimentale Beaucoup plus proche que le reste des méthodes non- expérimentales RDD se base sur la compréhension du processus de sélection Il nous faut établir une règle de sélection bureaucratique/officielle et claire Un score quantifiable et simple Lassignation des unités au traitement se fait, de manière discontinue, sur base dun seuil établi au préalable dans ce score. Cad, les unités qui obtiennent un score en dessous du seuil sont assigne a une condition et ceux qui scorent au dessus du seuil sont assigne a une autre condition. La stratégie RDD consiste a comparer les unités qui sont juste en dessous du seuil et celles qui scorent juste au dessus du seuil

5 RDD: Mise en application concrète (1) Réinsertion économique des anciens combattants: Supposons que vous voulez allouer les bénéfices aux individus les plus vulnérables: Hypothèse: Le niveau de vulnérabilité affect la capacité des individus a sintégrer économiquement (ex; un bon emploi ou avoir un bon revenu) On peut utiliser lâge comme un critère de vulnérabilité (en terme de état de santé, compétences, intelligence, expérience etc.) pour établir léligibilité. Par exemple, toute personne qui a 21 ans ou moins reçoit les bénéfices et toute personne qui a 21 ans ou plus nen reçoit pas. Observation: Cette politique implique que: Les individus dâge 20 ans, 11 mois et 29 jours peuvent recevoir les bénéfices Les individus dâge 21 ans, 0 mois et 1 jour ne peuvent pas recevoir les bénéfices Mais peut-on réellement penser quune différence dâge de quelques jours pourrait affecter le niveau de vulnérabilité en terme de état de sante, compétences etc.?) Les individus nés avec quelques jours décart (c.a.d, situés de part et dautre du seuil) sont traités différemment par ce critère Cette différence est entièrement attribuable à un seuil arbitraire

6 RDD: Mise en application concrète (2) En théorie, loctroi des bénéfices aux individus vulnérables peut faciliter la réintégration économique. Pour identifier limpact des cette assistance sur la réintégration économique (ex, type demploi, revenu) on peut comparer: Groupe de Traitement: individus dâge 20 ans et 11 mois Groupe de Contrôle: individus qui viennent davoir 21 ans Autour du seuil, on peut pratiquement imaginer que les individus ont été assignés au traitement de façon aléatoire On peut dès lors estimer limpact causal des bénéfices sur la réintégration des individus situés au voisinage du seuil

7 RDD: no effect

8 RDD: effect

9 RDD: Analyse Généralement lanalyse se fait en régressant the résultats (observed outcomes) sur le critère dassignation au traitement Leffet de traitement causera un déplacement de la ligne de régression qui lie le critère de sélection aux résultats vers le haut ou vers le bas Ce déplacement doit se faire exactement au niveau du seuil. Cest pourquoi on appelle ce technique régression discontinue. Note: Généralement lanalyse se limite aux observations qui sont dans le voisinage du seuil. Extrapoler au-delà de cette région requiert quon assume la création dun contrefactuel pour chaque unité sur base dextrapolation du modèle.

10 RDD: Analyze

11 Logique de la RDD Assignation au traitement est faite sur la base dun score continu, ou dun classement Exemples: Ventes, âge, note dexamen, index de pauvreté, etc. One ne peut pas utiliser les critères qui ne sont pas continue (par exemple comme sexe ou appartenance ethnique) Les participants potentiels sont classés en fonction du score Le seuil (point de discontinuité) qui définit léligibilité est Clairement établi Déterminé au préalable Lassignation sur la base dun seuil est souvent liée à une décision de type administratif Participation doit être limitée dû a des contraintes budgétaires Transparence de la sélection est essentielle

12 Exemple: Subvention Partielle (1) Gouvernment propose une subvention partielle pour PMEs (formelles) Éligibilité déterminée sur la base des ventes de lannée écoulée: Ventes < 5,000: Entreprise reçoit loffre de subvention Ventes >= 5,000: Entreprise ne reçoit pas loffre Si le chiffre de ventes est mesuré avant lannonce du plan de subvention In nest pas possible de manipuler le chiffre de ventes Exemple: Chiffre de lannée écoulée déjà établi et enregistré Facile à mesurer et à faire respecter

13 Subtilités de la méthode 2 types de discontinuités Nette (sharp) Floue (Fuzzy) Retour a lexemple…

14 Exemple: Discontinuité Floue Subvention Partielle Que faire si les entreprises ventes < 5,000 ne réclament pas toutes la subvention? Raisons: Pas toutes au courant, peu dinformation Pas toutes intéressées (subvention partielle) Ces 2 raisons introduisent un biais de sélection (les entreprises qui réclament la subvention sont différentes à plusieurs niveaux) Cependant: La proportion dentreprises qui réclament varie de façon discontinue autour du seuil déligibilité De zéro à moins de 100% Cest ce que lon appelle une discontinuité floue (Fuzzy RDD)

15 Taux de Participation: Assignation Nette vs. Floue (Sharp vs. Fuzzy) 100% 0% 75% 0% Variations au-dessus du seuil

16 Discontinuité Nette vs. Floue (1) Cas Idéal: Discontinuité Nette Discontinuité détermine de façon précise lexposition au traitement Ex.: Seules les individus de 21 ans et plus boivent de lalcool, et ils en boivent tous (!!!) Ex.: Toutes les entreprises au chiffre < 5,000 réclament la subvention; les autres ne la reçoivent jamais Ex.: régime de taxation

17 Discontinuité Nette vs. Floue (2) Discontinuité Floue Taux de participation au programme change de façon discontinue au niveau du seuil déligibilité, mais pas à 100% Certains individus de moins de 21 ans consomment de lalcool et/ou certains individus de plus de 21 ans nen boivent pas Certaines entreprises au chiffre < 5,000 ne réclame pas la subvention La règle déligibilité est respectée, mais lensemble du groupe de traitement ne sy conforme pas

18 Validité Interne Idée Générale Si le seuil déligibilité est arbitraire, les individus situés immédiatement à gauche et à droite du seuil sont, par construction, extrêmement similaires Différences de résultats peuvent être directement attribués au programme Hypothèse Principale In ne se passe rien dautre: en labsence du programme, nous nobserverions pas de discontinuité de résultat autour du seuil en question Pourrait ne pas être vérifiée si Alcool: Ceinture de sécurité cesse dêtre obligatoire à 21 ans Subvention: Un taux de taxation réduit est en place visant les entreprises au chiffre < 5,000

19 Diagnostique: Profile de résultats avant et après lintervention Forme différente

20 Validité Externe Cette méthode produit-elle des résultats généralisables? Groupe Contrefactuel pour la RDD Individus exclus du groupe de traitement de justesse Exemples: Individus qui ont mois de 21 ans mais plus de 20 ans et 10 Entreprises au chiffre de ventes supérieur à 5,000 mais inférieur à 5,500 La mesure dimpact ne sapplique quaux individus / ménages / villages situés au voisinage du seuil déligibilité. Et donc on doit avoirs suffisamment dobservations dans cette région. Extrapoler au-delà de cette région requiert davantage dhypothèses, souvent peu testables Une discontinuité floue exacerbe ce problème de mesure locale

21 La mise en oeuvre dune RDD Avantages majeurs Transparence Illustration graphique simple, intuitive Désavantages majeurs Demande beaucoup dobservations autour du seuil déligibilité Les observations situées plus loin du seuil doivent porter un poids plus faible Pourquoi? Seuls les individus proches du seuil se trouvent,par chance, de part et dautre du seuil Si on pense aux entreprises qui ont un chiffre de 5,000 et celles qui rapportent 500 Ou bien un jeune de 21 ans comparé à un de 16 ans

22 Analyse graphique

23 Conclusions RDD se prête à lévaluation prospective lorsque la randomisation nest pas faisable Stratégie applicable à tout programme qui se base sur un critère déligibilité (politique sur la base Possibilité dexploiter plusieurs seuils pour améliorer la validité externe Menu de subventions qui visent différentes tailles dentreprises

24 Merci 24


Télécharger ppt "Exploiter les Discontinuités pour Bien Évaluer Eric Mvukiyehe, Columbia University."

Présentations similaires


Annonces Google