Introduction à l’étude d’impact Par : Michel Tenikue (FUNDP)

Slides:



Advertisements
Présentations similaires
1.
Advertisements

Corrélation Position du problème Définition covariance (X,Y) r =
Probabilités et statistiques au lycée
Africa Program for Education Impact Evaluation Dakar, Senegal December 15-19, 2008 Evaluation dimpact pour lamélioration des politiques publiques Moussa.
Introduction to Impact Evaluation training HSRC, Pretoria, South Africa April 10, 2008 Induction Causale Florence Kondylis Initiative pour lévaluation.
Cross-Country Workshop for Impact Evaluations in Agriculture and Community Driven Development Addis Ababa, April 13-16, Inference Causale Léandre.
Introduction to Impact Evaluation Training Dakar, December 15-18, 2008
AgroParisTech-Cemagref-Enita-Inra
MODELES POLYTOMIQUES.
Timothy J. Gilbride Greg M. Allenby Présenté par: Audrey Hamel &
Collecte de données F. Kohler.
Les TESTS STATISTIQUES
Tests de comparaison de pourcentages
Les TESTS STATISTIQUES
Dr DEVILLE Emmanuelle J D V 12/07/2006
Les Biais Item 14°) Relever les biais discutés. Rechercher d’autres biais non pris en compte dans la discussion et Relever leurs conséquences Dr Marie-Christine.
Schémas d’étude.
Impact Evaluation Click to edit Master title style Click to edit Master subtitle style Impact Evaluation World Bank InstituteHuman Development Network.
Projet Pilote des Filets Sociaux par le Cash Transfert
La méthode expérimentale au service des politiques publiques
République Démocratique du Congo Programme Intégré de Réhabilitation de lAgriculture Kinshasa, 28 février – 3 mars 2011.
Incorporation des effets compétitifs dans les programmes d’élevage afin d’améliorer les performances et le bien-être animal Dederen Priscilla Groupe.
Les variables au plan fonctionnel
Etude longitudinale d’essais multilocaux: apports du modèle mixte
CADRE LOGIQUE (Format & composantes)
Africa Program for Education Impact Evaluation Accra, Ghana May 10-14, 2010 Inférence Causale Aïchatou Hassane May 10,
Comprendre la variation dans les données: Notions de base
L’Analyse de Variance 1 Généralités Le modèle Calculs pratiques
Analyse de marchés L'utilisation de la donnée secondaire dans l'analyse des prix et de la performance Séance 10.
Objectifs du chap. 5: Plans de recherche classiques Savoir identifier et distinguer les modes de comparaison des mesures Savoir identifier et distinguer.
Objectifs du chap. 5: Plans de recherche classiques
Objectifs du chap. 5: Plans de recherche classiques Savoir identifier et distinguer les modes de comparaison des mesures Savoir identifier et distinguer.
Mattea Stein, World Bank Méthodes Non-expérimentales I
Régression linéaire multiple : hypothèses & interprétation. Partie 2.
M1 2013/2014 Implémentation des procédures statistiques Introduction aux régressions linéaires.
Quelques principes de référence pour l’évaluation des systèmes éducatifs Alain Mingat Décembre 2013.
AIM-CDD Regression Discontinuity Design Jean-Louis Arcand The Graduate Institute | Geneva Institut de Hautes Etudes Internationales et du Développement.
1 Licence Stat-info CM4 b 2004 V1Christophe Genolini Groupes appareillés : problème On veut comparer deux correcteurs On dispose de 3 copies –Le premier.
Méthodes non expérimentales E4P workshop Lisbonne – 25 mars, 2014 Lodewijk Smets Université Catholique de Louvain (KUL) Université d’Anvers (UA)
Echantillonage pour une Evaluation d’Impact
Les Techniques d’enquête quantitative
Mher Joulakian Biblio du 18/02/14. Généralités Epidémiologie évaluative Stratégies thérapeutiques/diagnostiques Programmes de dépistage/prévention Pratiques.
FR Regional Policy EUROPEAN COMMISSION Troisième rapport d’étape sur la cohésion 17 mai 2005 Vers un nouveau partenariat pour la croissance, l’emploi et.
Carole Dion, professeure UQAC ACFAS 2006
Agnès VINCENT DESC Réanimation médicale NICE JUIN 2007.
Situation de l’emploi et du chômage au Maroc Tendances de la décennie
11 octobre 2006 Projet d’étude Le retour à l’emploi à Paris.
GRANDEURS ET MISÈRES DE LA MÉTA-ANALYSE Jimmy Bourque, CRDE.
Journées du GDR "Statistique et Santé" 13 et 14 novembre 2008
Evaluation des performances des tests diagnostiques en absence de Gold Standard Christophe Combescure Laboratoire de Biostatistique, IURC.
Peuplement d’une ville virtuelle S.ESTIENNE PRE001v1.01 Exemple d’utilisation du GA 1. Initialement une population est choisie au hasard. 2. Chaque individu.
Concepts préliminaires sur les études de recherche Population: le groupe entier de personnes ou d'objets sur lequel un chercheur veut apprendre quelque.
JEAN-MARC FONTAN SOC-1101 COURS 4
Organismes à but non lucratif (OBNL)
Groupes appareillés.
DIME-FPD Dakar, February 1-4, 2010 Markus Goldstein 1.
Échantillonnage (STT-2000)
Composantes de base en démographie
Revue de la littérature : Comparaison de méta-analyses Méta-analyses Cochrane vs Méta-analyses soutenues par l’industrie Bmj, 14 Octobre 2006.
Des expériences comparatives à répartition aléatoire (autrement dit des études expérimentales aléatoires)
Claude Matricon ("le marketing du réel") propose une classification qui permet de distinguer les 4 différents marchés dont dépend l'entreprise :  marché.
Bradford Mills Kimberly Groover 22 novembre 2011
L’éfalizumab chez des patients atteints de psoriasis en plaques modéré à sévère Octobre 2009.
Être en relation avec les clients
MENU 1 Modèles de choix.
Lectures Volume du cours: Sections 12.1 à 12.6 inclusivement.
THEME: EFFET DES TRANSFERTS DES FONDS DES MIGRANTS SUR LE TAUX DE CHOMAGE DANS LA ZONE CEMAC Par MVOGO Gregory Paulin Université de Yaoundé –II Soa Cameroun.
TP1: Statistique application chapitre 2. Le tableau suivant reprend le taux d'intérêt (en %) payé par 20 banques sur les dépôts d'épargne de leurs clients.
Bienvenue au cours MAT-350 Probabilités et statistiques.
Etude coût-efficacité de 3 stratégies d’initiation de l’erlotinib en 2nde ligne de traitement chez des patients atteints d’un cancer du poumon non à.
Transcription de la présentation:

Introduction à l’étude d’impact Par : Michel Tenikue (FUNDP)

Plan Les défis Les défis  Evaluer les performances du programme  Etudier (mesurer) l’effet sur les bénéficiaires Nécessité de la connaissance du programme Nécessité de la connaissance du programme Les sources des biais de sélection Les sources des biais de sélection Un modèle économétrique simple Un modèle économétrique simple Un modèle économétrique plus élaboré Un modèle économétrique plus élaboré Conclusion Conclusion

Les défis: performances Atteinte des populations cible Atteinte des populations cible  Respect des critères d’éligibilité  Qualité du service offert Couverture Couverture  Prévalence  Incidence

Les défis : Effet moyen du « traitement » yi : Résultat pour l‘individu i M et NM indiquent le statut de l’individu i (Membre ou Non Membre) Xi caractéristiques de l’individu i Ei : Éligibilité Note : On ne peut observer à la fois Remarque: Effet conditionnel

Connaisance du programme (M = ?, Yi = ? Xi = ?) Niveau d‘analyse: individus, ménages, communautés Variable de résultat ( yi) : Dépense de consommation (par tête) du ménage; Taux de scolarisation (des filles); Nombre d‘années d‘étude, fécondité – Natalité; Utilisation des ressources (terre); Participation aux actions communautaires; Etc Participation (M): Oui- Non; Total cumulé des emprunts; Nombre de séances de formation;

Les Biais de Sélection M = 1 M = 0 Village: B Les membres potentiels constituent un groupe ciblé (éligibilité) (exo) Les membres effectifs le sont par décision personnelle Des caractéristiques observables et inobservables influencent le choix La localisation du programme n’est pas hasardeuse (A =? B) M = 0 Village: A Eligible et membre Eligible et Non membre Non Eligible (Non Membre) M = 0

Limiter les conséquences des Biais Echantillon randomisé Le statut de membre ou non membre est imposé de façon aleatoire; Très répandue en biostatistique (laboratoire et placebo) Quasi impossible pour évaluer une politique economique Groupe de contrôle (Hyp: independance conditionnelle) Très répandu en économie (Pit & Khandker, 1998; Morduch 1998) Groupe semblable « propensity score » (Ravaillon, 2001) Données de panel (Khandker 2003)

Un modèle économétrique simple yi: variable de résultat Mi =1 si membre et 0 sinon Xi: caractéristique du ménage (individu) ui: terme d‘erreur

Un modèle économétrique simple MCO ( biaisé) Mi endogène Variables omises? Atténuation du biais Variables instrumentales (choix et 2SLS) Terme d‘interaction

Modèle économétrique plus élaboré Vj: Effet fixe village Eij: Eligible =1; 0 sinon Tij = 1 si dans Village avec programme; 0 sinon De Morduch 1998: Données Bangladesh 1991

Model économétrique plus élaboré Estimer l‘effet moyen sur les éligibles “Differences-in-differences“ (double diff) a ) comparer éligibles et non éligibles des villages avec programme b) comparer éligibles et non éligibles des villages sans programme c ) comparer a) et b) De Morduch 1998: Données Bangladesh 1991

Conclusion:Attention Un programme n’est efficace que par rapport aux alternatives. Un programme n’est efficace que par rapport aux alternatives.