Multi-country Workshop on Development Impact Evaluation in Finance and Private Sector Development Dakar, Senegal, February 1-4, 2010 Non-Experimental Methods.

Slides:



Advertisements
Présentations similaires
Le score de propension (ou méthode de la probabilité prédite)
Advertisements

Cotonnière Saint jacques
11 mai Implications de la conformité aux normes pour les producteurs et les exportateurs ACP de produits horticoles Programme d'initiative sur les.
Africa Program for Education Impact Evaluation Dakar, Senegal December 15-19, 2008 Evaluation dimpact pour lamélioration des politiques publiques Moussa.
Module 6- Méthodes et techniques de l'évaluation
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.
Africa Program for Education Impact Evaluation Dakar, Senegal December 15-19, 2008 Les Etapes de lImplémentation dune Evaluation dImpact Moussa P. Blimpo.
Introduction to Impact Evaluation training HSRC, Pretoria, South Africa April 10, 2008 Méthodes non Expérimentales Florence Kondylis Initiative pour lévaluation.
But de la lecture critique
Collecte de données F. Kohler.
Dr DEVILLE Emmanuelle J D V 12/07/2006
l'approche ergonomique
Conception de protocoles par les élèves dans le cadre de travaux pratiques en sciences expérimentales : une étape de la démarche d'investigation.
Schémas d’étude.
1 Introduction : Quelles méthodes & techniques de collectes de données ? => Construction méthodologique à partir dinstruments empruntés à divers domaines.
La méthode expérimentale au service des politiques publiques
Les personas : une méthode pour l’intelligence client ?
DEMARCHE D’INVESTIGATION
IAS 16 « Immobilisations corporelles »
Paul-Marie Bernard Université Laval
Quelques recherches évaluatives du RISQ dans les Centres de réadaptation en toxicomanie: tentative de synthèse Michel Landry en collaboration avec Jacques.
DE LA RECHERCHE AU PLAIDOYER
M ÉTHODES NON EXPÉRIMENTALES Marie-Hélène Cloutier (Merci à Markus Goldstein pour la présentation)
DIME-FPD Dakar, February 1-4, 2010 Florence Kondylis.
Régression linéaire simple
Africa Program for Education Impact Evaluation Accra, Ghana May 10-14, 2010 Inférence Causale Aïchatou Hassane May 10,
Manuel de formation PNUEThème 13 Diapo 1 Objectifs de lÉtude dImpact Social (ÉIS) : F analyser la façon dont des propositions affectent les personnes F.
Systèmes d’équations du premier degré à deux variables
Faculté des arts et des sciences Mathématiques et statistique Partie 1 Évaluations des réserves.
La méthodologie expérimentale Fondements et bases d’application
RECHERCHE COMMERCIALE
1 Chariot-type, Panier-type et Marché local Relevé des prix Relevé des prix n° 17 Saint-Denis, le 22 octobre 2010.
1 Chariot-type, Panier-type et Marché local Relevé des prix Saint-Denis, le 25 juin 2010.
Méthodes de prévision (STT-3220)
Mattea Stein, World Bank Méthodes Non-expérimentales I
Présentation au colloque de Mons 2008
Présentation de l’étude
Les charmantes fractions
Régression linéaire multiple : hypothèses & interprétation. Partie 2.
ECOLE DES HAUTES ETUDES COMMERCIALES
Corrélation et régression linéaire
Quelques principes de référence pour l’évaluation des systèmes éducatifs Alain Mingat Décembre 2013.
Journée d’accompagnement de l’appel à recherches autisme
Méthodes de Biostatistique
Thème 8 Diapo 1 Manuel de formation PNUE Des noms différents pour le même document F Rapport d’étude d’impact environnemental (rapport d’ÉIE) F Déclaration.
Paradigmes des Langages de Programmation
Paradigmes des Langages de Programmation
Méthodologie expérimentale : l’analyse des données
Manuel de formation PNUE Thème 13 Diapo 1 Objectifs de l’ÉIS : F analyser la façon dont des propositions affectent les personnes F identifier et atténuer.
Amélioration de la Performance des Systèmes d’Information de Routine (SISR) et de l’Utilisation de l’Information pour la Gestion des Systèmes de Santé.
AIM-CDD Regression Discontinuity Design Jean-Louis Arcand The Graduate Institute | Geneva Institut de Hautes Etudes Internationales et du Développement.
1“Evaluation libre circulation”, JSS, Une évaluation des impacts de la libre circulation des personnes par le biais d’une analyse des doubles.
Activité 2 Respirer dans l’eau
Initiation à la Méthodologie de Recherche
Revue systématique et méta analyse
Avis et rapports annuels de l’Autorité d’audit au 31/12/2010 Inspection des finances Cellule audit pour les Fonds européens Avenue Bovesse (4e.
Une pédagogie de l’activité pour développer des compétences transversales Claire Herviou Alain Taurisson Juin 2003.
Programme Solidarité-Eau (pS-Eau) Formation à destination des porteurs de projets souhaitant déposer une demande de financement auprès de la Facilité.
PRINCIPE DES TESTS D’HYPOTHÈSE
Principe de l’ Evaluation d’ Impact et Randomization
Le chalut – l’échantillonnage pour connaître la composition des captures Shrimp trawler:
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
( ) Collège de Maisonneuve
GRANDEURS ET MISÈRES DE LA MÉTA-ANALYSE Jimmy Bourque, CRDE.
Cross-Country Workshop for Impact Evaluations in Agriculture and Community Driven Development Addis Ababa, April 13-16, 2009 Léandre Bassolé Africa Impact.
DIME-FPD Dakar, February 1-4, 2010 Markus Goldstein 1.
Statistiques: mesures de liaisons tests d’hypothèse
Transcription de la présentation:

Multi-country Workshop on Development Impact Evaluation in Finance and Private Sector Development Dakar, Senegal, February 1-4, 2010 Non-Experimental Methods Mattea Stein

Objectif: Nous voulons identifier l’effet causal de nos interventions (politiques publiques) sur des variables d’intérêt.  Utilisez les méthodes d’évaluation rigoureuses pour répondre aux questions opérationnelles que nous nous posons  L’affectation aléatoire au traitement est l’étalon-or des méthodologies existantes (simple, précis, pas cher)  Que faire si on ne peut pas du tout faire usage de la randomisation?  S’il est possible, recourir aux méthodes non-expérimentales

 Pourra-t-on trouver un contrefactuel plausible?  Expérience naturelle?  Chaque méthode non-expérimentale est associée à un ensemble d’hypothèses  Notre mesure de l’effet causal est d’autant moins crédible que les hypothèses sont fortes  Il faut mettre en question nos hypothèses ▪ Se conformer à la réalité, relever du bon sens 3

 Objectif principal ▪ Augmenter la productivité et les ventes des entreprises  Intervention ▪ Subvention partielle ▪ Affectation non aléatoire  Groupe cible ▪ Petites et Moyennes Entreprises avec 1-10 employés  Principale variable de résultat ▪ Ventes 4

5 (+) Impact du programme (+) Impact des facteurs externes

6 (+) Mesure BIAISEE de l’impact du program “Avant-Après” ne fournit pas des résultats crédibles

7 Différence « Après » entre participants et non-participants Différence « Avant » entre participants et non participants Quel est l’impact de notre intervention?

Contrefactuel (2 façons de le présenter) 1. Les ventes des «sans» intervention, après correction des différences «avant/après» (Différence initiale entre groupes) 2. Les ventes «avant», après correction des différences «avec/sans» l’intervention (l’influence des facteurs externes)  1 and 2 sont équivalents 8

9

10 P-NP 2008 =0.5 Impact = (P-NP) (P-NP) 2007 = = -0.2 Impact = (P-NP) (P-NP) 2007 = = -0.2 P-NP 2007 =0.7

11

12 NP NP 2007 =0.8 Impact = (P P 2007 ) -(NP NP 2007 ) = 0.6 – 0.8 = -0.2 Impact = (P P 2007 ) -(NP NP 2007 ) = 0.6 – 0.8 = -0.2 P P 2007 =0.6

Hypothèse sous-jacente: Sans l’intervention, les ventes des participants et des non participants auraient suivi la même tendance

Impact=-0.2

 Impact négatif:  Très contre –intuitif: Une subvention ne devrait pas diminuer les ventes, une fois que les facteurs externes sont pris en compte!  Hypothèse de tendance commune (Très forte)  2 groupes, in 2007, produisaient à différents niveaux ➤ Mettre à l’épreuve l’hypothèse de tendance commune! ➤ Si possible, faire ce test avec des données provenant d’années antérieures

>> Rejeter l’hypothèse des tendances communes

17

18 NP 08 -NP 07 =0.2 Impact = (P P 2007 ) -(NP NP 2007 ) = 0.6 – 0.2 = Impact = (P P 2007 ) -(NP NP 2007 ) = 0.6 – 0.2 = + 0.4

Impact = +0.4

 Impact Positif :  Plus intuitif  L’hypothèse des tendances communes est- elle raisonnable? ➤ Toujours nécessaire de questionner l’hypothèse de tendance commune!! ➤ Utiliser les données des années précédentes

>>Est-il raisonnable d’accepter l’hypothèse de tendance commune?

 Il est souvent difficile de valider l’hypothèse de même tendance  Absence de données pour tester l’hypothèse  Même si les tendances antérieures étaient similaires: ▪ Ont-elles toujours été similaires (ou sommes-nous juste chanceux?) ▪ Plus important, seront-ils toujours similaires? ▪ Exemple: D’autres projets interviennent parmi les entreprises non participantes….

 Que faire? >> Faire de l’analyse descriptive!  Vérifier les similarités sur la base des caractéristiques observables ▪ Si les caractéristiques observables ne sont pas similaires, les tendances pourraient différer de manière non prévisible >> Cependant, nous ne pouvons pas comparer ce qui n’est pas observable… Et les caractéristiques non observables sont souvent plus importantes (capacité, motivation, patience, etc)

Apparier les participants et les non-participants sur la base de caractéristiques observables Contrefactuel :  Groupe de comparaison apparié  Chaque participant au programme est apparié avec un ou plusieurs non-participants sur la base de caratéristiques observables >> En moyenne, les participants et les non- participants appariés auront les mêmes caractérisques observables (par construction) 24

Hypothèses contrefactuelles sous-jacentes  Après l’appariemment, il n’y a aucune différence entre les participants et les non-participants en termes de caractéristiques inobservables ET/OU  Les caractéristiques inobservables n’influencent ni l’affectation au traitement, ni les variables d’intérêt

 Construire un groupe témoin en trouvant des individus appariés proches en termes de caractéristiques observables  Sélectionner les variables pertinentes sur lesquelles réaliser l’appariement  De sorte qu’on retienne: ▪ Groupe Traitement: Participants qui peuvent avoir un contrefactuel ▪ Groupe de Comparaison: Non-participants assez similaires aux participants >> Nous réduisons/ tronquons une partie de notre groupe traitement!

 Dans beaucoup de cas, nous ne pouvons pas apparier tous les individus  Utile de connaitre qui est sorti de l’échantillon  Exemple Score Non-participants Participants Individus appariés Richesse Portion du groupe Traitement sorti de l’échantillon

 Avantage de la méthode d’appariemment:  Ne nécessite pas la randomisation 28

 Inconvénients:  L’hypothèse sous-jacente n’est pas plausible dans tous les contextes et est difficile à tester ▪ Utiliser le bon sens et faire des analyses descriptives  Nécessite des données de très bonne qualité: ▪ Nécessite de contrôler tous les facteurs qui influencent le traitement et les variables de résultat  Nécessite de très grands échantillons pour générer un bon groupe témoin  Ne permet pas d’apparier tous les individus 29

 Les expériences randomisées nécessitent beaucoup moins d’hypothèses et fournissent des estimations intuitives  Les méthodes non-expérimentales nécessitent des hypothèses qui doivent être attentivement testées  Plus de données  Pas toujours testables  Faire preuve de créativité:  Mélange de méthodes!  Répondre aux questions avec les techniques appropriées 30