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.
On multiplie chaque membre de l’équation par [ w = p(<br />
x)]<br />
:<br />
[ w = p(<br />
x)]<br />
y = [ w = p(<br />
x)][(<br />
1=<br />
w)<br />
y + wy ] = wy = p(<br />
x)(<br />
1=<br />
w)<br />
y = p(<br />
x)<br />
wy<br />
wm1( x )<br />
0<br />
= p x)(<br />
1=<br />
w)<br />
m ( x)<br />
= p(<br />
x)<br />
wm ( x)<br />
avec ( x)<br />
= E(<br />
y / x),<br />
j = 0,<br />
1<br />
( 0<br />
1<br />
1<br />
1<br />
m j<br />
j<br />
2<br />
p x)<br />
m ( x)<br />
= p(<br />
x)[<br />
1=<br />
p(<br />
x)]<br />
m ( x)<br />
= [ p(<br />
x)<br />
m ( x)<br />
= p(<br />
x)[<br />
1=<br />
p(<br />
x)][<br />
m ( x)<br />
= m ( x)]<br />
ave<br />
( 1<br />
0<br />
1<br />
1<br />
0<br />
p ( x)<br />
= E(<br />
w / x)<br />
Si l’on remplace ce résultat dans l’expression de l’ATE, on retrouve bien l’expression simple de<br />
l’ATE.<br />
Pour estimer l’ATE et l’ATE1, on a besoin dans un premier temps, d’avoir une estimation de<br />
cette probabilité.<br />
On peut utiliser des méthodes non paramétriques ou bien des méthodes paramétriques ; ce qui<br />
est le cas dans ce projet. Pour cela, on définit le propensity score de la manière suivante :<br />
)<br />
p ( x)<br />
= F(<br />
x,<br />
ˆ<br />
) avec ) qui est obtenu dans une première étape par un logit de w sur x. Les<br />
valeurs du logit étant strictement dans l’intervalle [0,1], il n’y a donc pas de risque que cette<br />
probabilité soit égale à un ou zéro.<br />
Dans un second temps, on obtient les ATE suivants en fonction de cette probabilité estimé.<br />
ATˆ<br />
E = N<br />
N<br />
1<br />
<br />
i=<br />
1<br />
[ w pˆ<br />
( x )] y /<br />
i<br />
i<br />
i<br />
{ pˆ<br />
( x )[ 1<br />
pˆ<br />
( x )] }<br />
<br />
<br />
De même pour ATˆ<br />
1<br />
1 1<br />
E1<br />
= ( N wi) N<br />
<br />
N<br />
i<br />
<br />
<br />
N<br />
i=<br />
1 i=<br />
1<br />
i<br />
[ w pˆ<br />
( x )] y<br />
i<br />
i<br />
i<br />
i<br />
0<br />
<br />
/[ 1<br />
pˆ<br />
( xi<br />
)] <br />
<br />
Enfin, on peut également estimer l’effet moyen du traitement en utilisant une régression MCO<br />
qui inclut le propensity score estimé comme régresseur, y = + + ˆ<br />
i<br />
1wi 2 p(<br />
xi<br />
) + ,et1 représente l’ATE.<br />
L’idée est que la probabilité d’avoir accès à la formation par exemple contient toute l’information<br />
des variables x qui sont importantes pour estimer l’effet moyen de la formation et joue ainsi le<br />
rôle d’une fonction de contrôle du biais de sélection. L’avantage de cette méthode par rapport à<br />
celle précédentes incluant toutes les variables x dans l’équation et qu’elle permet de lever les<br />
hypothèses sur la forme fonctionnelle des E(v0/x) et E(v1/x), soit sur l’hypothèse de linéarité<br />
entre la formation et ses déterminants. Il peut ainsi exister des effets d’interaction entre les<br />
variables x sur la formation, avec par exemple un accès particulier à la formation pour les femmes<br />
cadres comparé aux femmes ouvrières.<br />
Cependant, cette régression suppose que E(y1-y0/x)=m1(x)-m0(x) est incorrélé à la<br />
Var(w/x)=p(x)[1-p(x)], avecmj(x)=E(yj/x), la différence entre le salaire moyen des formés et le<br />
salaire moyen des non formés sachant x n’est pas corrélé à la dispersion de la probabilité d’avoir<br />
1<br />
210