of 49 /49

Régression Corrélation vs. Causalité Causalité au sens … · L'essentiel à retenir 1 Régression ... Des paramètres a et b qui sont inconnus et que l'on cherche à calculer

Embed Size (px)

Text of Régression Corrélation vs. Causalité Causalité au sens … · L'essentiel à retenir 1...

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Sance 2: Introduction l'conomtrie

    Sandra Nevoux

    Sciences Po

    Jeudi 10 Septembre 2015

    1 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    L'essentiel retenir

    1 Rgression

    2 Moindres carrs ordinaires

    3 Corrlation vs. Causalit

    4 Causalit au sens de Granger

    5 Dirence-en-DirencesExpriences naturellesExpriences alatoires

    2 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Mesurer un impact

    Procdure:1e tape: Thorie conomique.2e tape: Collecte des donnes relatives la thorique conomique qu'onveut tester.

    3e tape: Mthode(s) empirique(s) applique(s) ces donnes en vue de

    tester la thorie.Rgression de Y sur X : formalisation d'une relation mathmatique et graphiqueentre X et Y :

    Y = f (X )On considre dans le cours exclusivement la rgression linaire, c'est--dire uneapproximation de la relation entre X et Y par une fonction ane:

    Y = a + bXb mesure la corrlation entre X et Y .

    Causalit:Rgression "satisfaisante" b mesure l'eet causal.Rgression "insatisfaisante" Mthodes empiriques pour mesurer le"vritable" eet causal.

    3 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Rgression - DnitionRgression - Application

    Rgression - Dnition

    Dnition: Reprsentation graphique et mathmatique simplie de la relationentre, d'une part, une variable Y , et d'autre part, une ou plusieurs variable(s)X . Il s'agit de la courbe et de la fonction approchant au mieux les observationsde X et Y .

    Dimension de la rgression:Rgression simple: rgression de la variable Y sur une seule variable X .

    Rgression multiple: rgression de la variable Y sur plusieurs variables X .

    Type de rgression:Rgression linaire: relation entre la variable Y et la (ou les) variable(s) Xreprsente graphiquement par une droite et mathmatiquement par unefonction ane.

    Rgression exponentielle, logarithmique,... Rgression linaire simple: "meilleures" droite et fonction ane qui relientles observations de X aux observations ajustes de Y .

    Terminologie des variables:La variable Y est endogne = dtermine par une (ou plusieurs) autre(s) variable(s).

    La (ou les) variable(s) X est (sont) exogne(s) = dtermine(s) indpendamment

    d'autres variables. 4 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Rgression - DnitionRgression - Application

    Rgression - Application

    Donnes Nuage de points dans le plan (Conso, Esprance) Rgressionlinaire simple de l'Esprance sur la Conso:

    Droite passant au plus prs des observations relatives la Conso et l'Esprance.

    Equation linaire: fonction ane correspondant cette droite:

    Esprance = a + b Conso 5 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Moindres carrs ordinaires

    6 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Dnition

    Comment dterminer la droite qui passe au plus prs des observations de X et Y ? Mthode des moindres carrs ordinaires (MMCO).

    Dnition: La MMCO consiste rechercher la droite qui minimise la sommedes carrs des carts verticaux entre les observations de la variable Y et lesobservations ajustes de la variable Y .

    Notation:Les observations relles de la variable Y sont notes Y .

    Les observations ajustes de la variable Y sont notes Y . Quelle droite est la meilleure approximation des observations? Pourquoi?

    7 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    quation linaire

    Y = a + bX

    L'quation linaire est compose:Des variables X et Y , qui sont connues.

    Des paramtres a et b qui sont inconnus et que l'on cherche calculer

    an d'estimer une corrlation, voire une causalit, entre X et Y .

    Interprtation des paramtres a et b de la droite:

    b:Dnition: coecient directeur (ou pente) de la droite.Interprtation: une augmentation d'une unit de X est associe une variation de b units de Y .

    a:Dnition: ordonne l'origine de la droite.Interprtation: Quand la variable X est nulle, l'agent dispose de aunits de Y .

    8 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Reprsentation graphique et mathmatique

    9 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Calcul des paramtres a et b

    b = (x1x)(y1y)+(x2x)(y2y)+(x3x)(y3y)+...(x1x)2+(x2x)2+(x3x)2+...

    a = y bx y = a + bx

    x est la moyenne de X et y est la moyenne de Y .

    La droite de rgression passe par (x ,y).

    10 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Calcul des paramtres a et b - Application

    Quelle est la valeur de b? Comment l'interprter?

    Quelle est la valeur de a? Comment l'interprter?

    11 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Modle vs. Ralit

    Modle RalitY = a + bX Y = a + bX +

    Y est la valeur de Y prdite par le mod-le.

    Y est la valeur relle de Y .

    est le rsidu, c'est--dire l'cart (verti-cal) entre la valeur prdite Y et la valeurrelle Y .

    12 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Qualit de l'ajustement linaire - Coecient dedtermination R2

    Coecient de dtermination R2.

    Dnition: R2 est le coecient de dtermination, c'est--dire la part de lavariabilit de Y explique par les variables du modle (ici, X ) et se dnitcomme:

    R2 = (Y1Y )2+(Y2Y )2+(Y3Y )2+...

    (Y1Y )2+(Y2Y )2+(Y3Y )2+...

    R2 est compris entre 0 et 1.

    plus R2 est proche de 1, plus la part de la variabilit de Y explique par lesvariables du modle est importante (plus Y est proche de Y ), et plus R2 rvleune bonne qualit d'ajustement linaire et un pouvoir explicatif important.

    plus R2 est proche de 0, plus la part de la variabilit de Y explique par lesvariables du modle est faible (plus Y est loigne de Y ), et plus R2 rvle unemauvaise qualit d'ajustement linaire et un faible pouvoir explicatif.

    13 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    R2 - Reprsentation graphique

    14 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Prcision des paramtres a et b - cart-type et intervalle deconance

    conomtrie Les paramtres a et b sont eux aussi des variables alatoires et laMMCO va seulement permettre d'approcher ces coecients avec une erreur

    cart-type.

    Lorsque l'on reporte les paramtres a et b estims d'une rgression, on met engnral en dessous du paramtre l'cart-type entre parenthses.Dnition: l'cart-type d'un paramtre est la racine carre de la variance de ceparamtre.Interprtation: l'cart-type, dnot ea (respectivement eb), constitue unindicateur de la prcision du paramtre et permet de dnir l'intervalle deconance de ce paramtre.

    Le paramtre rel a a 95% de probabilit d'appartenir l'intervalle de conance[a 2ea; a + 2ea]. Le paramtre rel b a 95% de probabilit d'appartenir l'intervalle de conance[b 2eb; b + 2eb].

    15 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Calcul de l'intervalle de conance - Application

    Quel est l'intervalle de conance 95% de a?

    Quel est l'intervalle de conance 95% de b?

    Stress = 0, 28(0,03)

    + 0, 02(0,005)

    Chmage

    16 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Interprtation des paramtres a et b

    Paramtres a et b pas toujours exprims en units Interprtation dirente de cesparamtres.

    quation linaire InterprtationY = a + bX Une hausse d'une unit de X est associe une variation

    de b units de Y .log(Y ) = a + blog(X ) Une hausse de 1% de X est associe une variation de

    b % de Y .log(Y ) = a + bX Une hausse d'une unit de X est associe une variation

    de 100 b % de Y .Y = a + blog(X ) Une hausse de 1% de X est associe une variation de

    b100 units de Y .

    17 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Rsum

    Rgression linaire (simple et multiple): dnition reprsentation graphiqueet mathmatique:

    Y = a + bX + e

    Y = a()

    + b()

    X

    R2 =

    Mthode des moindres carrs ordinaires (MMCO): dnition reprsentationgraphique.

    Paramtres a et b: calcul, dnition et interprtation (en fonction des units).

    Coecient de dtermination R2: dnition et interprtation.

    carts-types et : interprtation et dnition de l'intervalle de conance.

    18 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Dnitionquation linaireReprsentation graphique et mathmatiqueCalcul des paramtres a et bModle vs. RalitQualit de la rgressionInterprtation des paramtres a et bRsum

    Rsum - Application

    19 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Causalit vs. Corrlation

    20 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Causalit

    Dnition: mcanisme thorique particulier, identi par la thorie conomiqueet dont on souhaite tester s'il se vrie empiriquement. Lorsqu'on tented'identier un eet causal prcis, on teste dans quelle mesure X cause Ylorsqu'on sait que, d'aprs la thorie conomique, X doit causer Y .

    Dynamique:

    Causalit positive: une hausse (respectivement baisse) de X est identiecomme entrainant une hausse (respectivement baisse) de Y .Causalit ngative: une hausse (respectivement baisse) de X est identiecomme entrainant une baisse (respectivement hausse) de Y .

    Causalit nulle: une variation de X est identie comme n'ayant aucun

    eet sur la variation de Y .

    Exemples:

    Travail et eort Admission Sciences Po.Bonne hygine de vie Bonne sant.

    21 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation

    Dnition: accumulation des causalits existant potentiellement entre X et Yet qui se traduit par un lien statistique. La corrlation est donc la part de lavariation de Y explique par la variation de X . La corrlation ne tmoigne en rien d'un eet causal de X sur Y .

    Dynamique:

    Corrlation positive: une hausse (respectivement baisse) de X est associe une hausse (respectivement baisse) de Y .Corrlation ngative: une hausse (respectivement baisse) de X estassocie une baisse (respectivement hausse) de Y .

    Corrlation nulle: une variation de X n'est associe aucune variation de

    Y .

    Exemples:

    Parapluie Pluie.Prix du tabac Consommation de tabac.Etudes Salaire.

    22 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation vs. Causalit

    Causalit implique ncessairement corrlation.

    Corrlation n'implique pas ncessairement causalit:

    Erreur(s) de mesure de X et/ou Y .Facteurs manquants: variables Z , P, D qui ne sont pas incluses dans largression et qui pourtant ont un eet causal sur Y. L'omission de cesfacteurs explicatifs supplmentaires peut renforcer la corrlation entre Xet Y , sans toutefois qu'il y ait un lien de causalit entre X et Y .Simultanit:

    Causalit double: X cause Y et Y cause X (causalit simultane(X cause Y et Y cause X en mme temps); causalit rciproque(X cause Y qui son tour cause X qui son tour cause Y et ainside suite)).Causalits multiples: X cause Y , Z cause Y , Z cause X , Y causeX .Causalit inverse: Y cause X .

    23 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation vs. Causalit - Application (1) Quelle corrlation observe-t-on sur ce graphique ? Comment pourrait-on interprter cette relation ? l'accs facilit aux tudes suprieures permet-il d'amliorer la situation conomiquedes travailleurs ?

    24 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation vs. Causalit - Application (2) Existe-t-il une corrlation entre l'esprance de vie et la consommation d'alcool ? Sioui, est-elle positive ou ngative? (on pourra s'aider d'un graphique)

    Existe-t-il une causalit? Si oui, dans quel sens?

    25 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation vs. Causalit - Application (2)

    26 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation vs. Causalit - Application (3) Existe-t-il une corrlation entre la pointure d'un lve et le nombre de fautesralises lors d'une dicte? Si oui, est-elle positive ou ngative? (On pourra s'aiderd'un graphique)

    Qu'est ce qu'un point aberrant?

    Existe-t-il une causalit? Si oui, dans quel sens?

    27 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation vs. Causalit - Application (3)

    28 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Corrlation vs. Causalit - Application (4)

    Dans le guide de l'tudiant de Freakonomics, les auteurs observent une trsforte corrlation entre la vente de glaces et le nombre de noyades.

    Peut-on en dduire une causalit? Pourquoi?

    Dans Le Monde du 23 septembre 2007, "l'usage rgulier du cannabisaugmenterait de 41% les risques de dvelopper ultrieurement une aectionpsychiatrique de nature psychotique". En outre, ce risque augmenterait avecl'intensit et la dure de la consommation.

    Les auteurs de ce travail se sont refuss tablir une relation directe decausalit entre la consommation de cannabis et les aections psychotiques.Pourquoi?

    29 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    CausalitCorrlationCorrlation vs. CausalitCorrlation vs. Causalit - ApplicationsIdentication

    Identication

    Identication de l'eet causal de X sur Y Plusieurs mthodes:

    Causalit au sens de Granger.

    Dirence-en-Dirences:

    Expriences naturelles.

    Expriences alatoires.

    30 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Causalit au sens de Granger - DnitionCausalit au sens de Granger - Applications

    Causalit au sens de Granger - Dnition

    Dnition: X cause Y au sens de Granger si les valeurs passes de X ont unimpact statistique sur la valeur actuelle ou future de Y .

    Dynamique:Causalit positive au sens de Granger: les valeurs passes de X ont unimpact statistique positif sur la valeur actuelle ou future de Y .

    Causalit ngative au sens de Granger: les valeurs passes de X ont un

    impact statistique ngatif sur la valeur actuelle ou future de Y .Timing et squentialit des vnements.Comprhension de la causalit double (simultane et/ou rciproque).

    Limites:Corrlation vs. Causalit.

    Anticipations des agents Fausse causalit.Exemples:

    Parapluie Pluie.Sport: Salaire Victoires.Macroconomie: Taux de croissance conomique Consommation.

    31 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Causalit au sens de Granger - DnitionCausalit au sens de Granger - Applications

    Causalit au sens de Granger - Application (1) Observe-t-on un lien entre le taux de croissance aux tats-Unis et en France? La relation est-elle synchronise? Comment pourrait-on interprter cette relation?

    32 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    Causalit au sens de Granger - DnitionCausalit au sens de Granger - Applications

    Causalit au sens de Granger - Application (2)

    Football: %Victoirest = 0, 327 + 0, 191 Salairet1

    Baseball: %Victoirest = 0, 404 + 0, 097 Salairet1

    Observe-t-on un lien entre le salaire et le pourcentage de victoires au football et aubaseball?

    La relation est-elle synchronise?

    Comment pourrait-on interprter cette relation?

    33 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Dirence-en-Dirences

    34 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Contrefactuel

    Identication de l'eet causal de X sur Y Contrefactuel.

    Dnition: le contrefactuel est la situation gnralement non observe qui seserait produite en l'absence d'un phnomne particulier dont on cherche mesurer l'impact causal. L'cart entre la situation observe, aecte par lephnomne en question, et le contrefactuel, est prcisment l'impact causal.En comparant la valeur de Y quand X a agi avec la valeur du contrefactuel deY (c'est--dire quand X n'a pas agi), on obtient l'impact causal.

    Thorie vs. Ralit:En thorie, le contrefactuel de Y est le clone de Y : il lui est identique entout point, sauf au regard de la variable X dont on veut estimer l'eet surY .

    Dans la ralit, il est impossible d'avoir un contrefactuel parfait. On

    essaye donc de s'en approcher le plus possible.

    Exemples:Jumeaux Rendements de l'ducation.Un individu bnciant ou non d'une politique d'aide au retour l'emploi

    Retour l'emploi. 35 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Groupes de traitement et de contrle

    Le groupe de traitement est le groupe qui bncie d'une mesure de politiqueconomique dont on souhaite tester l'eet.

    Le groupe de contrle est le groupe aussi proche que possible du groupe detraitement mais qui s'en distingue par le fait qu'il n'a pas bnci de la mesurede politique conomique dont on souhaite tester l'eet.

    Le groupe de contrle illustre ce qui se serait pass pour le groupe de traitementen l'absence de la mesure de politique conomique. Il sert de contrefactuel.

    36 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Dirence-en-Dirences - Dnition

    La mthode de dirence-en-dirences consiste comparer l'volution d'uncertain comportement du groupe de traitement l'volution du mmecomportement au cours de la mme priode du groupe de contrle.

    On conclut sur l'impact de la mesure de politique conomique en comparantla dirence dans le comportement du groupe de traitement sur la priode derfrence la dirence du comportement du groupe de contrle sur la mmepriode: c'est la dirence de la dirence. L'eet causal est identi par laDIFFRENCE entre le groupe de traitement et le groupe de contrle.

    37 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Dirence-en-Dirences - Estimation

    Traitement ContrleAvant YT ,avant YC ,avantAprs YT ,apr YC ,apr

    Dirence de traitement= YT ,apr YT ,avant

    Dirence de contrle= YC ,apr YC ,avant

    Eet causal = Dirence de traitement - Dirence de contrle= (YT ,apr YT ,avant) (YC ,apr YC ,avant)

    38 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Dirence-en-Dirences - Explications

    Eet causal vs. Dirence de traitement (YT ,apr YT ,avant):La dirence de traitement (YT ,apr YT ,avant) ne peut tre interprtecomme un eet causal, car le contexte peut aussi jouer sur l'volution dugroupe de traitement.

    Le changement de contexte sera pris en compte par la dirence de

    contrle, qui reprsente ce qui serait arriv au groupe de traitement s'il

    n'avait pas bnci de la mesure de politique conomique.

    Eet causal vs. Dirence entre les groupes de traitement et de contrle aprs

    le traitement (YT ,apr YC ,apr ):

    La dirence entre les groupes de traitement et de contrle aprs le

    traitement (YT ,apr YC ,apr ) ne peut tre interprte comme un eetcausal, car ces deux groupes peuvent avoir ex ante des caractristiques

    direntes qui inuent sur l'volution de Y .

    39 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Dirence-en-Dirences - Reprsentation graphique

    40 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Dirence-en-Dirences - ApplicationOn cherche estimer l'impact du fait d'avoir le manuel d'Etienne Wasmer sur lesrsultats de microonomie des tudiants de 1e anne. Je choisis alatoirement dans laclasse un groupe de 10 tudiants auquel j'ore le livre d'Etienne Wasmer. An d'identier l'impact causal de cette mesure, quelle(s) hypothse(s) faut-il fairesur les caractristiques des tudiants de la classe? Cette hypothse est-elle vrie?

    On mesure la moyenne des deux groupes avant et aprs la mesure:

    Groupe de traitement:Avant la mesure: moyenne de 12/20.

    Aprs la mesure: moyenne de 15/20.

    Groupe de contrle:Avant la mesure: moyenne de 13/20.

    Aprs la mesure: moyenne de 15/20. Est-ce que la dirence entre avant et aprs pour le groupe de traitement permetd'estimer l'eet causal de la mesure? Est-ce que la dirence entre les groupes de traitement et de contrle aprs permetd'estimer l'eet causal de la mesure? Quel est l'eet causal de la mesure? 41 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Dirence-en-Dirences - Expriences

    La mthode de la dirence-en-dirences est applicable deux types d'expriences:

    xpriences naturelles Les groupes de traitement et de contrle sont "naturels".xpriences alatoires Les groupes de traitement et de contrle sont "construits".

    42 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Expriences naturelles - Dnition

    Dnition: Une exprience naturelle (ou mthode quasi-exprimentale) consisteen l'identication d'un groupe de contrle et d'un groupe de traitement suite un choc exogne qui produit une variation substantielle dans les donnes. Legroupe de traitement est celui qui a subi l'vnement alors que le groupe decontrle est un groupe qui a t pargn par l'vnement. Le comportement desdeux groupes en amont de l'vnement est compar an de s'assurer de lasimilarit des deux groupes.Dans le cadre d'une exprience naturelle, les groupes de traitement et decontrle sont naturels.

    Thorie vs. Ralit:En thorie, le choc est exogne en ce sens qu'il n'est pas anticip et estpotentiellement subi par les deux groupes de la mme manire.

    Dans la ralit, il est trs rare que le choc soit parfaitement exogne, dans

    la mesure o il est en gnral corrl d'autres caractristiques du groupe

    de traitement qui peuvent directement aecter Y .

    Exemples:vnement naturel.

    Mesure rglementaire ou loi: instauration du salaire minimum. 43 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Expriences naturelles - Application

    IMPACT DU SALAIRE MINIMUM SUR L'EMPLOI

    Y reprsente le taux d'emploi (la population active occupe divise par lapopulation en ge de travailler).

    X reprsente la hausse du salaire minimum:

    Avant: X = 0 pour les deux groupes.

    Aprs: X = 1 pour le groupe de traitement et X = 0 pour le groupe de

    contrle.

    Quel est l'impact causal de la hausse du salaire minimum X sur le taux d'emploi Y ?

    Traitement ContrleAvant 63, 1 61, 7Aprs 64, 2 62, 2

    44 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Expriences alatoires - Dnition

    Dnition: Une exprience alatoire (ou exprience contrle) consiste en ladtermination du groupe qui bnciera de la mesure et du groupe qui n'enbnciera pas au sein d'une population d'individus trs similaires. Les groupesde traitement et de contrle sont choisis par le chercheur de manire alatoire etselon un protocole.Dans le cadre d'une exprience alatoire, les groupes de traitement et decontrle sont fabriqus.les deux groupes sont choisis de sorte que les individus des deux groupes sontidentiques en tout point, hormis au regard de la mesure dont on veut testerl'eet causal.Lorsque l'exprience alatoire est impossible (pour des raisons thiques ou defaisabilit), le choix des groupes de traitement et de contrle doit tre imagin par le chercheur de manire ce que les groupes aient descaractristiques aussi proches l'un de l'autre que possible.

    Exemples:Exprimentations de Ple Emploi.

    Self-suciency project.

    45 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Expriences alatoires - Application

    En 1992, le Canada a lanc un programme nomm le Self-Suciency Project (SSP).Le programme tait destin 9 000 familles monoparentales vivant dans deuxprovinces du pays, le but tant de rduire la pauvret, d'augmenter l'emploi et d'aider la transition vers une situation meilleure. Son principe tait d'inciter au retour l'emploi les personnes vivant d'allocations sociales, en leur versant un complment desalaire si elles retrouvaient seules un emploi temps plein. Ce complment de salairepouvait atteindre 25% du salaire obtenu. Une particularit de ce programme est que laslection des 9 000 familles a t purement alatoire et qu'un suivi de famillesrpondant aux critres mais ne bnciant pas de l'aide a galement t mis en place.Ce programme contenait donc dans son principe celui de sa propre valuation.

    De nombreuses tudes ont tent d'valuer si cette politique publique a eu des eetssignicatifs sur la situation de ces familles. Nous allons ci-dessous en tudier lapertinence.

    46 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Expriences alatoires - Application

    Une faon d'valuer la politique serait d'analyser la dimension temporelle,c'est--dire qu'on va comparer la situation des familles qui ont bnci de l'aide aumoment o elles ont reu cette aide et leur situation un certain nombre de mois aprs.Supposons qu'on remarque que le taux d'emploi a augment parmi ces individus.Peut-on conclure l'ecacit du programme?

    Une autre faon de procder serait de considrer le taux d'emploi des adultes defamilles monoparentales dans la province ayant bnci de la mesure et celui d'uneprovince n'en ayant pas bnci. Est-ce une faon satisfaisante de procder?

    Qu'entend-on par groupe de traitement et groupe de contrle ? Expliquez.

    47 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Expriences alatoires - Application

    En quoi le fait que ces familles ont t choisies de manire alatoire rend l'tude decas pertinente? Par exemple, pourquoi douterions-nous des rsultats prsents si l'aidenancire avait t attribue en fonction de la richesse du mnage ou si les famillesavaient t choisies de faon discrtionnaire par des organismes sociaux locaux?

    Qu'entend-on par variables de contrle ? Pourquoi un grand nombre d'tudesdoivent s'appuyer sur de telles variables? L'tude dcrite ci-dessus doit-elle considrerde telles variables?

    Le rsultat principal de l'tude est le graphique qui se trouve ci-dessous. Leprogramme a dmarr au mois numrot 12 et s'est achev au mois 48. Les deuxgroupes ont t suivis 24 mois aprs la n du programme (jusqu'au mois 71).Commentez ce graphique.

    48 / 49

  • RgressionMoindres carrs ordinairesCorrlation vs. Causalit

    Causalit au sens de GrangerDirence-en-Dirences

    ContrefactuelGroupes de traitement et de contrleDirence-en-DirencesExpriences naturellesExpriences alatoires

    Expriences alatoires - Application

    49 / 49

    RgressionMoindres carrs ordinairesCorrlation vs. CausalitCausalit au sens de GrangerDiffrence-en-DiffrencesExpriences naturellesExpriences alatoires