Module 9 Professeur Filip Palda ENP 7137 Module 9 Professeur Filip Palda

Objectif : on cherche à savoir si le lien fonctionnel entre une variable dépendante et d’autres variables change soudainement. L’aléation dans ce cas n’est pas possible. Analyse avant et après. Utiliser la méthode différences-en-différences pour simuler groupes E et C avec contrôle par régression. Cette méthode s’applique aux études du type « panel » ou l’unité de l’analyse est l’individu. Avantage: la méthode n’exige pas une connaissance de théories sur les séries chronologiques.

Objectif : on cherche à savoir si le lien fonctionnel entre une variable dépendante et d’autres variables change soudainement. L’aléation dans ce cas n’est pas possible. Analyse avant et après. Si les facteurs inobservés sont constants, nous pouvons prétendre connaître la différence "normal" entre les groupes témoin et expérimental. Ensuite, nous voyons comment cette différence change au fil du temps.

Lisez les pages 116-124 pour comprendre l’arrière plan. Étude « The Economic Benefits of Pharmaceutical Innovations» par Craig L. Garthwaite. Lisez les pages 116-124 pour comprendre l’arrière plan. Participation du 3iémme age en croissance aux EU

Comparaison des personnes avec inflammation des articulations avec ceux qui ont des problèmes pas reliés aux articulations. On garde seullement les 55-75 ans

NB: La base Vioxx omet 2003 et 2006 Difference controlée NB: La base Vioxx omet 2003 et 2006

La problématique: Garthwaite, 2012.

Appliquer weights.

Ouvrir vioxx.sav. Enlever tous sauf les 55-75 ans utilisant filtre.

Reproduire Table 2:

Si les échantillons avant et après ne sont pas les mêmes personnes alors nous devons suivre les conseils suivants provenant du liens sur le site web:

La vérsion de Garthwaite est

Pas 100% comme dans Garthwaite car il n’est pas claire La régression: Pas 100% comme dans Garthwaite car il n’est pas claire Sur les variables incluses..

L’analyse des différences dans les différences n'est pas possible lorsque nous perdons de vue l'individu. Quand nous traitons avec des masses d'individus avec de longues périodes d'avant et d’après les techniques de séries chronologiques doivent être appliquées. Pour commencer, on utilise la base de données copie de tobacco history disponible sur le site Internet du cours. Défi : il nous manque un groupe contrôle. Tout ce qui est possible, c’est la comparaison avant et après.

Un «bris» (changement drastique) n’est pas évident Un «bris» (changement drastique) n’est pas évident. Alors, il faut utiliser un test statistique pour distinguer s’il existe une différence avant et après.

La chute de la consommation du tabac est continue La chute de la consommation du tabac est continue. Elle pourrait être le résultat d’un ensemble de facteurs : 1)Taxes en croissance 2) Intervention ponctuelle du gouvernement (restrictions sur la publicité). Les effets de type 1 ne révèlent pas de bris dans le graphique de la série chronologique, mais ceci est souvent le cas avec les effets de type 2.

L’analyse des séries chronologiques n’est pas nécessaire si l’effet est très évident et instantané. Mais quand l’effet prend du temps à se manifester, il nous faut une analyse par régression.

Ouvrez la base de données EXCEL sur le tabac et convertissez-la en fichier SPSS.

Variable “lagged” Créer une variable ANTITAB avant et après en lui donnant la valeur 0 entre 1964-1980 et la valeur 1 entre 1981-1993.

Faites la régression: grammes comme fonction de prix, année, gramlag, et antitab Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) 38702,801 10044,292 3,853 ,001 ANNEE -17,826 4,841 -,266 -3,682 LAGS(GRAMS,1) ,298 ,159 ,267 1,879 ,074 ANTITAB -43,259 59,019 -,042 -,733 ,472 PRIX20G -5,758 1,371 -,481 -4,199 ,000 a Dependent Variable: GRAMS

Interprétation des coefficients : Année = -17,82 indiquant que la tendance historique est vers la baisse. Prix20g = -5.75 indique que chaque augmentation de l’indice des prix de 1 point réduit la consommation de tabac de 5,75 grammes. Le coefficient de antitab est négatif mais non significatif.

Le problème avec la méthode ci-dessus est qu’on prétend que la politique n’affecte pas les autres coefficients de la régression. Le test Chow tient compte des effets croisés potentiels. Ce type de changement s’appelle un bris structurel (Structural breaks). Et le test statistique qui aide à vérifier l’existence de ce type de bris est le test Chow, inventé par l’économiste Raymond Chow.

Le test Chow prend la forme d’un test F Le test Chow prend la forme d’un test F. La statistique F est semblable à la statistique t. L’objectif est de comprendre si ce qu’on observe est peu probable si aucun bris structurel existe. Où SEC est la somme des erreurs carrées de notre régression pour la période entière (1964-1990): SECavant : somme de EC pour la période avant l’intervention gouvernementale (1964-1980); SECaprès : somme des EC pour la période après l’intervention. n1 est le nombre de cas de la période avant (17) et n2, le nombre de période après l’intervention (10). k est le nombre de variables indépendantes de la régression. Cette variable Chow est distribuée comme une statistique F avec (k, n1+n2-2k) degrés de liberté.

La logique : on compare la somme des erreurs carrées de prévision pour deux régressions qui couvrent les 2 sous-périodes avec la somme des erreurs carrées de la régression qui englobe toutes les années de l’étude. Si les deux sous-périodes ne sont pas différentes les unes des autres, la somme carrée de leurs prévisions devrait ressembler à celle de la grande régression pour toutes les périodes.

Faites la régression pour la période 1964-1990 : Maintenant mettre les erreurs au carré Faites la régression pour la période 1964-1990 : Grammes = f(année, gramlag, prix) et sauvegardez res_1 (les erreurs aléatoires).

Maintenant faire la même chose pour 1964-1980 et nommer les erreurs au carré ec2av. Maintenant faire la même chose pour 1981-1990 et nommer les erreurs au carré ec2ap.

N Sum EC2AV 16 57188,15 EC2AP 10 45847,76 EC2 26 121829,16 Valid N (listwise) N1=16, N2=10, k=4 = 0,82081817

Comment juger si la valeur de F est significative Comment juger si la valeur de F est significative? On se réfère au tableau de F. Auparavant SPSS nous gâtait en nous indiquant la signification des t (semblable aux F). On cherche une calculatrice statistique sur Internet.

Chow est distribué comme une statistique F avec (k, n1+n2-2k) degrés de liberté. Df (degree of freedom) k num, et n1+n2-2k den ; dans notre cas (4, 18).

Le F n’est pas significatif. On cherche un P<10%. Ici P = 52%. Conclusion : pour les périodes choisies, les coefficients ne différent pas. Ainsi la politique gouvernementale n’a probablement pas eu un effet sur la sensibilité de consommation du tabac par rapport aux variables indépendantes.

Devoir : Testez si les périodes 1964-1972 et 1973-1990 sont distinctes en faisant un test Chow. Aussi, créez une variable catégorique pour les mêmes périodes (0 pour la période allant de 1964 à 1972 et 1 pour 1973 à 1990) et interprétez la signification du coefficient. Utilisez la même formulation de la régression utilisée dans le cours.