Africa Program for Education Impact Evaluation Accra, Ghana May 10-14, 2010 Inférence Causale Aïchatou Hassane May 10, 20101

Motivation Lobjectif en évaluation est destimer leffet CAUSAL de lintervention X sur lindicateur Y i.e.: - effet de l octroi de bourses d étude (X) sur la scolarisation (Y) - effet dun transfert monétaire (X) sur la consommation des ménages (Y) En inférence causale, il faut comprendre comment les données sont générées pour estimer de manière précise et juste leffet de l intervention X sur lindicateur Y. May 10, 20102

Causalité et Corrélation Deux variables (X and Y) peuvent évoluer de la même manière 1.Le nombre denseignantes et la performance scolaire des filles 2.La santé et le revenu dun individu. Sans avoir de lien entre eux. Les autres explications May 10, 20103

Evaluer limpact Dans quelle mesure un programme éducatif améliore-t-il les résultats scolaires? Officiellement, limpact du programme est le suivant α = (Y | P=1) - (Y | P=0) Objectif: Comparer le même individu avec et sans programme à un même moment donné dans le temps Résultat scolaire (Y) avec le programme (P=1) Résultat scolaire (Y) sans le programme (P=0) May 10, 20104

Evaluer limpact Problème: on nobserve jamais un individu avec et sans un programme au même moment Nécessité destimer ce qui arriverait aux bénéficiaires sils navaient pas reçu le programme. Solution: contrefactuel Contrefactuel: ce qui se serait passé sans le programme Différence entre lindividu traité et son contrefactuel est limpact du programme May 10, 20105

Identifier le contrefactuel Traité & contrefactuel – Caractéristiques identiques – Sauf au niveau de lavantage tiré de lintervention Aucune autre raison de différences dans les résultats des traités et des contrefactuels Seule raison dune différence dans les résultats est due à lintervention May 10, 20106

Les Faux contrefactuels Avant & après : – Même individu avant le traitement Participants & Non Participants – Ceux qui choisissent de ne pas participer au programme – Ceux à qui le programme na pas été offert Problème : On ne parvient pas à déterminer totalement pourquoi les traités sont traités et les autres ne le sont pas May 10, 20107

Avant & Après: des exemples Programme daide agricole (aide financière pour intrants) – Comparaison des récoltes de riz avant et après – Avant = pluviométrie normale & après = sécheresse Limpact du programme dassistance financière ne peut être distingué (identifié) de limpact de la pluviométrie Programme de bourses détude sur la scolarisation – Comparer les taux de scolarisation avant et après lattribution des bourses May 10, 20108

Avant & Après Comparons Y avant et après lintervention α i = (Y it | P=1) - (Y i,t-1 | P=0) Estimons le contrefactuel (Y i,t-1 | P=0) = (Y i,t | P=0) Ne saisit pas les facteurs non-stationnaires Time Y AfterBefore A B C t-1t May 10, 2010

Participants & Non participants: des exemples Programme de formation à lemploi offert: – Comparaison de la situation demploi et des salaires des inscrits et des non inscrits – Qui sinscrit ? Ceux qui ont le plus de probabilité den bénéficier, à savoir ceux ayant davantage daptitude Assurance maladie offerte – Comparaison de lutilisation des soins de santé par ceux ayant une assurance et ceux qui nen ont pas – Qui souscrit à une assurance : ceux qui sattendent à dimportantes dépenses médicales – Sans assurance : Ceux qui nont pas souscrit à une assurance ont des coûts médicaux moindres que ceux qui ont souscrit Bourse pour les jeunes filles Faible estimation du programme Impact estimé du programme confondu avec critères de ciblage May 10,

Participants & Non participants Comparaison des non participants et participants Contrefactuel : résultats des non participants Estimation dimpact : α i = (Y it | P=1) - (Y j,t | P=0), Hypothèse : (Y j,t | P=0) = (Y i,t | P=0) Problème : pourquoi nont-ils pas participé ? May 10,

Sélection biaisée Sélection biaisée: La population choisit de participer pour des raisons spécifiques Souvent les raisons sont liées à un résultat dintérêt – Formation à lemploi : aptitude et salaire – Assurance maladie : état de santé et dépenses médicales – Planning Familiale: taux de fécondité élevé On ne peut identifier séparément limpact du programme de ces autres facteurs/ raisons May 10,

Eléments á savoir Toutes les raisons pour lesquelles un individu bénéficie du programme et dautres non Raisons pour lesquelles des individus se trouvent dans un groupe de traitement ou un groupe témoin Si les raisons sont liées aux résultats – On ne peut identifier/séparer limpact du programme des autres explications dans les différences au niveau des résultats May 10,

Eléments à maitriser Garantir la comparabilité des groupes de traitement et des groupes témoins SEULE différence restante est lintervention Méthodologies existantes permettent de procéder à des évaluations rigoureuses en tenant compte des éléments présentés ci- avant et seront présentées au cours de ce séminaire: – Conception expérimentale/randomisation – Quasi-expérimentations (Régression discontinue, Double différences) – Variables instrumentales May 10,

MERCI May 10,