PDF, FR, 219 p., 3,1 Mo - Femise
PDF, FR, 219 p., 3,1 Mo - Femise PDF, FR, 219 p., 3,1 Mo - Femise
de Panel, ou au moins deux périodes d’observations sont disponibles, on peut alors appliquer la méthode des différences premières ou des effets fixes pour éliminer ce biais. Le principe consiste ainsi à estimer l’impact de la formation sur la croissance du salaire. Un modèle un peu plus compliqué permet à l’effet moyen du traitement de varier selon l’hétérogénéité non observé, c’est-à-dire que la formation a un impact direct et un effet indirect à travers les caractéristiques inobservables. Le modèle est alors le suivant : y ij = xij + iwit + ci + withi + uit où c et h représentent l’hétérogénéité non observée. L’effet moyen de traitement se définit alors de la manière suivante : i + E( hi ) , Dans un second temps, les méthodes de matching peuvent également s’appliquer dans le cadre des données de Panel pour lever l’hypothèse de linéarité des méthodes de régression. On compare alors la croissance du salaire moyen des formés à celles des non formés. 3) Les traitements non binaires Nous pouvons aussi estimer l’effet moyen du traitement quand w prend plus de deux valeurs, comme dans le cas du nombre d’année d’éducation par exemple. Les définitions de l’ATE, l’ATE1 et LATE sont plus compliquées dans ce cas, car le contrefactuel est plus difficile à définir. Dans un cas de traitement binaire, comme le passage par la formation, le contrefactuel de référence était le fait de ne pas être formé, dans le cas d’un traitement non binaire, il peut exister une multitude de contrefactuel de référence. Wooldridge s’appuie sur un modèle à cœfficient aléatoire, et permet ainsi à l’effet du traitement de varier selon les caractéristiques x des individus et de l’hétérogénéité non observée. L’effet moyen du traitement se définit alors comme un effet partiel moyen, c’est-à-dire par exemple l’effet moyen de l’éducation pour n’importe quel niveau d’éducation. Comme dans le cas binaire, deux approches peuvent être utilisées pour identifier l’ATE : nous pouvons supposer «l’ignorabilité» de traitement, ou utiliser l’approche des variables instrumentales. Dans chaque cas, le modèle est le même : E(y/w,c)=a+bw, oùc(a,b), et a et b peuvent dépendre aussi bien des variables observables x que de l’hétérogénéité inobservée. L’estimation de = E(b) , correspond à l’effet partiel moyen du traitement. 4) Les traitements multiples Enfin, la variable de traitement peut parfois ne pas être unique. Il peut y avoir plusieurs traitements, plusieurs passages par une formation par exemple. 217
Dans le cas de l’hypothèse de «l’ignorabilité» de traitement, on peut étendre les modèles précédemment spécifiées en intégrant alors chaque variable de traitement et de les faire chacune interagir avec les variables observables x. Les méthodes IV peuvent également s’étendre aux traitements multiples. Par exemple, dans le cas de l’hypothèse d’un effet de la formation hétérogène et de la modélisation du biais de sélection restant, on peut estimer pour chaque traitement un probit, et ajouter la probabilité estimée de chaque traitement dans le modèle, avec également les différents traitements et leurs termes d’interaction avec les observables x. L’approche, basée sur la procédure d’Heckman en deux étapes, est difficile dans le cas de traitement multiples, mais peut être possible dans certains cas. 5. Conclusion Cette annexe permet de mettre en évidence les fondements statistiques des différentes méthodes d’évaluation des effets moyens de traitement. Et on a pu constater que selon la méthode économétrique appliquée, diverses hypothèses pouvaient être posées. Pour l’évaluation empirique, il est donc nécessaire d’évaluer le réalisme des hypothèses que l’on peut poser selon la relation de causalité que l’on veut mettre en évidence, et après avoir défini ces hypothèses, on peut choisir la méthode économétrique à appliquer pour estimer l’effet moyen d’un traitement. 218
- Page 167 and 168: d’affaire par tête sont bien év
- Page 169 and 170: 6.2.2. L’engagement de l’entrep
- Page 171 and 172: certainement pas grâce aux CSF que
- Page 173 and 174: d’affaires, de 11.75% sur le chif
- Page 175 and 176: Tableau 22 : Effet de la variable :
- Page 177 and 178: 7. Conclusion Si les résultats con
- Page 179 and 180: formation sur les performances des
- Page 181 and 182: Nijman T. and Verbeek M. (1992), "I
- Page 183 and 184: La réforme de 1984 s’est matéri
- Page 185 and 186: De manière globale, la cartographi
- Page 187 and 188: La véritable question qui se pose
- Page 189 and 190: Annexe B : Détails des résultats
- Page 191 and 192: Tableau B3 : Régression sur propor
- Page 193 and 194: Tableau B5 : Régression sur propor
- Page 195 and 196: Tableau B7 : Régression sur propor
- Page 197 and 198: Tableau B9 : Régression sur propor
- Page 199 and 200: travail (85,94%) et l’améliorati
- Page 201 and 202: Tableau C1 : Performances des entre
- Page 203 and 204: Pour leur part les inférences caus
- Page 205 and 206: n’y a pas d’effet d’équilibr
- Page 207 and 208: Le terme 1 O , est considéré com
- Page 209 and 210: modèle linéaire suppose que l’e
- Page 211 and 212: On multiplie chaque membre de l’
- Page 213 and 214: Reprenons notre équation de dépar
- Page 215 and 216: probabilité Gi ˆ et l’interacti
- Page 217: De plus dans le cadre des variables
de Panel, ou au moins deux périodes d’observations sont disponibles, on peut alors appliquer la<br />
méthode des différences premières ou des effets fixes pour éliminer ce biais. Le principe consiste<br />
ainsi à estimer l’impact de la formation sur la croissance du salaire.<br />
Un modèle un peu plus compliqué permet à l’effet moyen du traitement de varier selon<br />
l’hétérogénéité non observé, c’est-à-dire que la formation a un impact direct et un effet indirect à<br />
travers les caractéristiques inobservables. Le modèle est alors le<br />
suivant : y ij = xij<br />
+ iwit<br />
+ ci<br />
+ withi<br />
+ uit<br />
où c et h représentent l’hétérogénéité non observée.<br />
L’effet moyen de traitement se définit alors de la manière suivante : i + E(<br />
hi<br />
) ,<br />
Dans un second temps, les méthodes de matching peuvent également s’appliquer dans le cadre<br />
des données de Panel pour lever l’hypothèse de linéarité des méthodes de régression. On<br />
compare alors la croissance du salaire moyen des formés à celles des non formés.<br />
3) Les traitements non binaires<br />
Nous pouvons aussi estimer l’effet moyen du traitement quand w prend plus de deux valeurs,<br />
comme dans le cas du nombre d’année d’éducation par exemple.<br />
Les définitions de l’ATE, l’ATE1 et LATE sont plus compliquées dans ce cas, car le<br />
contrefactuel est plus difficile à définir. Dans un cas de traitement binaire, comme le passage par<br />
la formation, le contrefactuel de référence était le fait de ne pas être formé, dans le cas d’un<br />
traitement non binaire, il peut exister une multitude de contrefactuel de référence.<br />
Wooldridge s’appuie sur un modèle à cœfficient aléatoire, et permet ainsi à l’effet du traitement<br />
de varier selon les caractéristiques x des individus et de l’hétérogénéité non observée.<br />
L’effet moyen du traitement se définit alors comme un effet partiel moyen, c’est-à-dire par<br />
exemple l’effet moyen de l’éducation pour n’importe quel niveau d’éducation.<br />
Comme dans le cas binaire, deux approches peuvent être utilisées pour identifier l’ATE : nous<br />
pouvons supposer «l’ignorabilité» de traitement, ou utiliser l’approche des variables<br />
instrumentales. Dans chaque cas, le modèle est le même : E(y/w,c)=a+bw, oùc(a,b), et a et b<br />
peuvent dépendre aussi bien des variables observables x que de l’hétérogénéité inobservée.<br />
L’estimation de = E(b)<br />
, correspond à l’effet partiel moyen du traitement.<br />
4) Les traitements multiples<br />
Enfin, la variable de traitement peut parfois ne pas être unique. Il peut y avoir plusieurs<br />
traitements, plusieurs passages par une formation par exemple.<br />
217