Africa Program for Education Impact EvaluationAccra, GhanaMay 10-14, 2010

Inférence CausaleAïchatou Hassane

May 10, 2010 1

Motivation

• L’objectif en évaluation est d’estimer l’effet CAUSAL de l’intervention X sur l’indicateur Y

i.e.: - effet de l’ octroi de bourses d’ étude (X) sur la scolarisation (Y) - effet d’un 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 l’effet de l’ intervention X sur l’indicateur Y.

May 10, 2010 2

Causalité et Corrélation

• Deux variables (X and Y) peuvent évoluer de la même manière1. Le nombre d’enseignantes et la performance

scolaire des filles2. La santé et le revenu d’un individu.

• Sans avoir de lien entre eux.

• Les autres explications

May 10, 2010 3

Evaluer l’impact

• Dans quelle mesure un programme éducatif améliore-t-il les résultats scolaires?

• Officiellement, l’impact 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, 2010 4

Evaluer l’impact

• Problème: on n’observe jamais un individu avec et sans un programme au même moment

• Nécessité d’estimer ce qui arriverait aux bénéficiaires s’ils n’avaient pas reçu le programme.

• Solution: contrefactuel• Contrefactuel: ce qui se serait passé sans le

programme• Différence entre l’individu ‘traité’ et son

contrefactuel est l’impact du programme

May 10, 2010 5

Identifier le contrefactuel

• Traité & contrefactuel– Caractéristiques identiques – Sauf au niveau de l’avantage tiré de

l’intervention

• Aucune autre raison de différences dans les résultats des traités et des contrefactuels

• Seule raison d’une différence dans les résultats est due à l’intervention

May 10, 2010 6

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 n’a 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, 2010 7

Avant & Après: des exemples

• Programme d’aide agricole (aide financière pour intrants)– Comparaison des récoltes de riz avant et après– Avant = pluviométrie normale & après = sécheresseL’impact du programme d’assistance financière ne

peut être distingué (identifié) de l’impact de la pluviométrie

• Programme de bourses d’étude sur la scolarisation– Comparer les taux de scolarisation avant et après

l’attribution des bourses

May 10, 2010 8

Avant & Après• Comparons Y avant et

après l’intervention

αi = (Yit | P=1) - (Yi,t-1| P=0)

• Estimons le contrefactuel

(Yi,t-1| P=0) = (Yi,t| P=0)

• Ne saisit pas les facteurs non-stationnaires Time

Y

AfterBefore

A

B

C

t-1 t

May 10, 2010

Participants & Non participants: des exemples

• Programme de formation à l’emploi offert:– Comparaison de la situation d’emploi et des salaires des inscrits et des

non inscrits– Qui s’inscrit ? Ceux qui ont le plus de probabilité d’en bénéficier, à savoir

ceux ayant davantage d’aptitude

• Assurance maladie offerte– Comparaison de l’utilisation des soins de santé par ceux ayant une

assurance et ceux qui n’en ont pas– Qui souscrit à une assurance : ceux qui s’attendent à d’importantes

dépenses médicales – Sans assurance : Ceux qui n’ont pas souscrit à une assurance ont des

coûts médicaux moindres que ceux qui ont souscrit• Bourse pour les jeunes fillesFaible estimation du programme Impact estimé du programme confondu avec critères de ciblageMay 10, 2010 10

Participants & Non participants

• Comparaison des non participants et participants

• Contrefactuel : résultats des non participants

• Estimation d’impact : αi = (Yit | P=1) - (Yj,t| P=0) ,

• Hypothèse : (Yj,t| P=0) = (Yi,t| P=0)

• Problème : pourquoi n’ont-ils pas participé ?

May 10, 2010 11

Sélection biaisée

• Sélection biaisée: La population choisit de participer pour des raisons spécifiques

• Souvent les raisons sont liées à un résultat d’intérêt– Formation à l’emploi : aptitude et salaire– Assurance maladie : état de santé et dépenses médicales– Planning Familiale: taux de fécondité élevé

• On ne peut identifier séparément l’impact du programme de ces autres facteurs/ raisons

May 10, 2010 12

Eléments á savoir

• Toutes les raisons pour lesquelles un individu bénéficie du programme et d’autres 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 l’impact du

programme des autres explications dans les différences au niveau des résultats

May 10, 2010 13

Eléments à maitriser• Garantir la comparabilité des groupes de traitement

et des groupes témoins

• SEULE différence restante est l’intervention• 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, 2010 14

MERCI

May 10, 2010 15