PDF, FR, 219 p., 3,1 Mo - Femise
PDF, FR, 219 p., 3,1 Mo - Femise
PDF, FR, 219 p., 3,1 Mo - Femise
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Pour leur part les inférences causales, ont pour objectif de chercher à déterminer les effets d’une<br />
situation particulière, d’une politique sur un élément économique, c’est-à-dire d’évaluer le lien de<br />
causalité entre deux variables, qui est initialement suggéré par la théorie économique.<br />
Ces deux types de recherche sont généralement complémentaires, c’est-à-dire, que dans un<br />
premier temps, on constate par exemple que les inégalités de salaire s’accentuent avec les analyses<br />
descriptives, et dans un second temps on cherche les causes de ce changement par les inférences<br />
causales. Dans cet article, on est dans le cadre des inférences causales.<br />
Au départ de ce type de recherche, il est nécessaire de définir la relation de causalité on souhaite<br />
mettre en évidence. Et à partir de là, on va d’abord se poser la question du choix de la stratégie<br />
d’identification et donc de la méthode économétrique à appliquer. Et ensuite on s’interrogera sur<br />
la base de données à sélectionner, sur les erreurs de mesures et enfin sur la robustesse de<br />
l’estimation.<br />
Une autre question importante dans ce type de recherche est celle posée par Thurow L. (1983),<br />
qui constate que la théorie économique ne spécifie presque jamais quelles sont les variables qui<br />
doivent être tenu constantes pour isoler les effets de la variable d’intérêt. Il prend l’exemple de<br />
l’impact de l’éducation sur les salaires, et se demande s’il faut contrôler, le QI, l’effort de travail,<br />
l’origine familiale, etc, pour obtenir « le toutes choses égales par ailleurs ». Sachant que le<br />
coefficient des variables d’intérêt dépend presque toujours fortement des autres variables qui sont<br />
intégrées dans l’équation principale, il est donc important de différencier les variables de résultat,<br />
les variables qui ont un lien de causalité avec la variable de résultat, les variables d’intérêt, et les<br />
variables de contrôle. C’est ce type d’approche qui a été mis en place dans nos différentes<br />
estimations<br />
Définition de l’ATE<br />
On va pouvoir maintenant définir brièvement l’effet moyen d’un traitement, c’est-à-dire l’ATE<br />
(Average Treatment Effect).<br />
Quand on étudie une relation de causalité, on veut en fait évaluer l’impact d’une variable d’intérêt<br />
sur une variable de résultat. Donc, l’effet moyen d’un traitement est l’effet moyen de cette<br />
variable d’intérêt sur la variable de résultat. Mais on considère le cas particulier où cette variable<br />
d’intérêt est binaire, c’est-à-dire ne peut prendre que deux valeurs possibles. Elle est égale à 1 s’il y<br />
a le traitement et 0 sinon.<br />
Initialement, ces modèles s’appliquaient au domaine médical avec l’indicateur binaire représentant<br />
un traitement médical. Puis par la suite ce type de formulation s’est étendu à d’autres cas, et le<br />
traitement a fait alors référence à la participation à un programme spécifique comme le passage<br />
202