La méthode expérimentale au service des politiques publiques
description
Transcript of La méthode expérimentale au service des politiques publiques
1
DIME-FPDDakar, February 1-4, 2010
La méthode expérimentale au service des politiques publiques
Markus Goldstein
2
Objectif
Pour estimer l’effet causal d’une intervention, il nous faut Séparer l’effet de ce programme d’autres facteurs
externes Il nous faut établir ce qui se serait passé en
l’absence du programme Or, nous ne pouvons pas simultanément observer
le même individu avec et sans le programme>> Il nous faut trouver un bon contrefactuel
?
2) ?
Corrélation ne Permet pas d’Attribuer un Effet Causal
Profits plus élevés
Obtention d’un crédit
OR
1) Profits plus élevés
Capacités entrepreuniales élevées Obtention
d’un crédit
Avant Après02468
101214
Groupe de TraitementGroupe Traitement
4
(+6) Mesure biaisée de l’impact du programme
Illustration: Programme d’accès au crédit (Avant-Après)
Avant Après0
2
4
6
8
10
12
14Groupe de ContrôleGroupe de Trai-tement
5
(+4) Impact du programme
(+2) Impact d’autres facteurs externes
Illustration: Programme d’accès au crédit (contrefactuel convenable)
6
Il est difficile de distinguer l’effet causal de la corrélation simple à partir de l’analyse statistique Nous pouvons seulement observer que X
bouge avec Y Nous ne pouvons pas contrôler l’influence des
caractéristiques non-observables, telles que la motivation/les facultés intellectuelles, etc.
Or les caractéristiques que l’on n’observe pas sont parfois plus importantes que celles que l’on observe!
Motivation
Motivation…2
Le biais de sélection est un problème important pour la mesure d’impact Un projet débute dans un certain endroit, à un
certain moment pour ces raisons particulières Les participants sont choisis sur la base de
critères, ou se présentent eux-mêmes! Exemple: Les entrepreneurs qui ont accès au
crédit se distinguent de l’entrepreneur moyen! Utiliser un entrepreneur moyen pour établir
l’effet du crédit sur les profits risque de nous induire en erreur!
8
Au sein de l’étude, tous les individus ont la même probabilité d’être assignés au traitement
Par construction, groupes de traitement et de comparaison ont, en moyenne, les mêmes caractéristiques (observées et non-observées) La seule différence est le traitement
Avec un grand échantillon, les caractéristiques s’équilibrent
Cette méthode permet d’obtenir une mesure d’impact non-biaisée
Propriétés de la méthode d’évaluation expérimentale
9
Loterie (couverture partielle) Loterie pour l’accès au crédit
Phasage aléatoire (couverture totale, entrée retardée) Quelques individus/entreprises reçoivent un crédit chaque
année Assignation aléatoire à divers traitements
Certains reçoivent une subvention partielle, d’autres un crédit, d’autres des services de conseil entrepreneurial, etc
Assignation aléatoire à une stratégie d’encouragement Un bureau de banque dans chaque district Certains cultivateurs reçoivent la visite d’un représentant qui
leur explique le produit financier offert
Menu d’options pour l’assignation randomisée
Loterie parmi les individus éligibles
Doivent recevoir le programme
Pas éligibles
Randomiser l’assignation au programme
11
Des contraintes budgétaires limitent la couverture du programme Une assignation aléatoire (loterie) est juste et
transparente Les capacités de mise en œuvre sont limitées
Le phasage aléatoire donne à tous la même chance d’être sélectionné en premier
Il n’y a pas d’évidence quant à l’efficacité des diverses interventions possibles L’assignation aléatoire aux diverses interventions
procure à tous des chances de succès a priori égales
Opportunités
12
Opportunités pour la Randomisation L’adoption d’un programme en cours n’est pas totale
(participation faible) Randomiser une stratégie d’encouragement nous informe sur
les types d’incitations qui fonctionnent
Pilote pour un nouveau programme Présente une bonne opportunité de tester de façon rigoureuse
avant le passage à grande échelle Changement dans la mise en œuvre d’un programme en
cours Présente une bonne opportunité de tester le nouvel
arrangement institutionnel avant le passage à grande échelle
13
Cela dépend du niveau auquel on intervient
Individu/Propriétaire/Entreprise
Groupe d’entreprises Village
Association de femmes
Entité Juridique/ District administratif
École
Différents niveaux auxquels randomiser
Randomisation individuelle ou par groupes?
Si un programme affecte un groupe entier, alors on randomise l’assignation au traitement au groupe entier
Il est plus facile d’obtenir des échantillons suffisamment grands lorsque l’on randomise de façon individuelleRandomisation individuelle Randomisation par groupes
15
Randomiser à un niveau plus élevé est parfois nécessaire: Contraintes d’ordre politique/éthique à assigner le
traitement uniquement à certains individus au sein d’une même communauté
Contraintes d’ordre pratique: mettre en œuvre divers traitements est parfois la source de confusions
Les effets de contamination sont parfois trop importants
Randomiser au niveau du groupe demande de nombreux groupes
Niveau de randomisation
16
Éléments d’une assignation aléatoire
17
Validité externe L’échantillon est représentatif de toute la
population. Les résultats obtenus sont représentatifs de la
population. Les leçons du programme sont applicables à
tout le pays.
Validité interne L’effet mesure d’une intervention sur la
population qui est évaluée reflète le véritable impact sur cette population
C.-à-d. les groupes de traitement et de contrôle sont comparables
Validité Interne et Externe (1)
18
Validité Interne et Externe (2) Une évaluation peut avoir validité interne
sans avoir de validité externe Exemple: Une évaluation rigoureuse d’une
incitation aux entreprises informelles urbaines de se faire immatriculer ne nous informe pas sur l’effet de cette même intervention sur les zones rurales
Et vice-versa Une mesure d’impact biaisée souffrira du même
biais qu’elle soit mesurée sur l’échantillon d’évaluation ou sur toute la population !
Validité interne & externe
19
Randomisation
Randomisation
Population Nationale
Echantillons de la
Population Nationale
Validité interne
20
Stratification
Randomisation
Population
Sous-populationEchantillons de la sous-
population
21
Validité externe uniquement
Population Nationale
Assignation biaiséeRésultat INUTILE!Randomisation
22
Efficacité & Effectivité Efficacité
Crédibilité du concept Echelle réduite Pilote sous des conditions idéales (ex. ONGs)
Effectivité A grande échelle Circonstances et capacité normales (ex. hôpitaux
nationaux) Impact plus ou moins élevé? Coûts plus ou moins élevés?
23
Avantages des “expériences” Impact causal fiable et précis Comparée a d’autres approches:
Facile à analyser (comparaison de moyennes) Moins chère (plus petits échantillons) Facile à communiquer Plus convaincante pour les décideurs Evite les controverses d’ordre méthodologique
Exemple: Assigner les machines d’une usine à une maintenance plus régulière
L’assignation aléatoire aux machines ne soulève pas (encore) de questions d’ordre éthique/pratique
Les Machines: Ne vont pas se désister Ne vont pas aller trouver un meilleur traitement Ne vont pas se déplacer et changer d’usine de leur
propre chef Ne vont pas refuser de répondre à notre questionnaire
Les individus peuvent se montrer un peu plus difficiles et créatifs!
Que faire en présence de …? Certaines interventions ne peuvent être
assignées de façon aléatoire Adoption partielle ou interventions
basées sur la demande Contamination: Lorsque certains
individus du groupe de contrôle peuvent adopter le traitementPromouvoir le programme de façon aléatoireLes participants choisissent de participer ou
non25
Promotion Aléatoire(Stratégie par l’incitation) Les individus qui reçoivent l’incitation sont plus
à-même de participer Si l’incitation est distribuée de façon aléatoire,
alors elle n’est pas corrélée avec les caractéristiques des individus Compare les performances des 2 groupes: ayant
reçu l’incitation / n’ayant pas reçu l’incitation L’effet dû à l’incitation (Intention-de-Traiter, ITT) Effet de l’intervention sur la population qui adopte le
traitement (Effet moyen local du traitement,LATE)▪ LATE= ITT/proportion d’individus qui ont participé
Erreurs communes à éviter Calculer la taille de l’échantillon de manière incorrecte
Randomiser le traitement dans un seul district, avec un seul contrôle, et calculer la taille de l’échantillon à partir du nombre de personnes interviewées▪ Échantillonnage par grappes nous donne une taille d’échantillon de
1 ! Mener une collecte de données différente au sein de
groupes de contrôle et de traitement Inclure les individus qui se sont désistés au groupe de
contrôle Cela annule la randomisation!
27
28
Quand cette stratégie n’est-elle vraiment pas possible?
Le traitement est déjà assigné et annoncéet il n’y a pas de possibilité d’expansion
Le programme est achevé (rétrospective) présence d’une expérience naturelle ?
Eligibilité et accès universels Ex.: campagne d’information universelle, éducation
gratuite pour tous, régime du taux de change Parfois on peut randomiser certaines composantes…
Contraintes opérationnelles (irrigation…) La taille de l’échantillon est trop limitée pour
permettre une analyse crédible
29
Merci