Aller au contenu principal
🔬 L3 • Data / Économétrie avancée Disponible

Construire un contrefactuel crédible pour évaluer une intervention

Expériences randomisées (RCT), différence-en-différences, régression sur discontinuité (RDD) et variables instrumentales.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L3
🤖 Auto Disponible

QCM causalite-experimentation L3 - Causalité et expérimentation : randomisation, DiD, RDD et instruments

QCM de 20 questions avec corrections détaillées sur Causalité et expérimentation : randomisation, DiD, RDD et instruments (causalite-experimentation). Révisez efficacement avec des explications pédagogiques pour le niveau L3.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Causalité & expérimentation

Causalité & expérimentation présente les méthodes d'inférence causale, frontière de l'économie appliquée (Nobel 2019 et 2021) : expériences randomisées (RCT), différence-en-différences, régression sur discontinuité (RDD), variables instrumentales et contrôle synthétique.

Objectifs pédagogiques

Maîtriser l'inférence causale moderne : distinguer corrélation et causalité, mobiliser les expériences contrôlées et les méthodes quasi-expérimentales (différences de différences, régression sur discontinuité, variables instrumentales) pour évaluer rigoureusement l'effet d'une politique ou d'un dispositif.

Auteurs de référence en Causalité & expérimentation

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

Joshua Angrist Jörn-Steffen Pischke Esther Duflo Donald Rubin Judea Pearl

Notions et périmètre de Causalité & expérimentation en Licence 3

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Corrélation vs causalité, biais de sélection
Modèle de résultats potentiels (Rubin)
Essais contrôlés randomisés (RCT)
Différences de différences (DiD)
Régression sur discontinuité (RDD)
Variables instrumentales pour la causalité
Appariement (matching) et score de propension

Compétences visées en Causalité & expérimentation

  • Définir un effet causal et sa population cible.
  • Interpréter une assignation randomisée et la non-participation.
  • Calculer une différence de différences.
  • Évaluer les hypothèses d’un dispositif quasi expérimental.

Le résultat manquant au cœur de la causalité

Pour une même personne, on définit un résultat potentiel avec traitement et un résultat potentiel sans traitement. Leur différence constitue un effet causal individuel, mais une seule de ces situations est observée à une date donnée. Le problème fondamental est donc celui du contrefactuel : que serait-il arrivé aux personnes traitées en l’absence de traitement ? Comparer simplement participants et non-participants peut mêler effet du programme et différences initiales de motivation, de ressources ou d’exposition à d’autres facteurs.

L’effet moyen dans la population, l’effet moyen chez les traités et un effet local ne répondent pas à la même question. Définir le paramètre exige de préciser traitement, résultat, horizon et population. La cohérence entre traitement décrit et traitement reçu est également importante : une formation de deux heures ne doit pas être assimilée sans discussion à un programme annuel. Les interférences, lorsque le traitement d’une personne modifie le résultat d’une autre, peuvent empêcher l’interprétation simple des résultats potentiels individuels et demander une définition collective de l’intervention.

Randomiser l’offre plutôt que supposer des groupes semblables

Une assignation aléatoire rend les groupes comparables en moyenne avant intervention, sous réserve d’une mise en œuvre correcte. Elle ne garantit pas l’égalité exacte de chaque caractéristique dans un échantillon fini. Le protocole précise unité d’assignation, probabilités, éventuelles strates et méthode d’inférence. Si des établissements entiers sont assignés, les élèves d’un même établissement ne constituent pas autant d’assignations indépendantes. La précision dépend notamment du nombre de groupes et de la corrélation de leurs résultats.

L’intention de traiter compare les personnes selon leur assignation initiale, qu’elles participent effectivement ou non. Cette quantité mesure l’effet de proposer ou d’assigner le programme. Restreindre ensuite l’analyse aux seuls participants détruit généralement la comparabilité créée par le tirage. Une attrition différentielle peut produire un problème analogue si les résultats manquants dépendent du groupe et des situations individuelles. Il faut donc documenter le flux des personnes, les refus et les données absentes, plutôt que de considérer uniquement l’échantillon final disponible.

Différences de différences et tendances parallèles

La différence de différences compare le changement d’un groupe traité au changement d’un groupe non traité. Elle retranche ainsi une évolution commune et une différence de niveau permanente. Son hypothèse centrale est que, sans intervention, les groupes auraient suivi des évolutions moyennes parallèles sur la période considérée. Ils n’ont donc pas besoin de posséder le même niveau initial. En revanche, un choc spécifique au groupe traité au même moment que la réforme menace directement l’identification.

Des périodes antérieures permettent de rechercher des évolutions incompatibles avec cette hypothèse et des effets anticipés. Des pré-tendances non significatives ne prouvent cependant pas les tendances parallèles : les tests peuvent manquer de puissance. Dans des réformes adoptées à des dates différentes, une régression à doubles effets fixes peut combiner des comparaisons difficiles à interpréter si les effets varient selon les cohortes ou le temps. Il faut alors choisir des groupes de comparaison et des agrégations adaptés plutôt que d’appliquer mécaniquement une formule conçue pour deux groupes et deux périodes.

Discontinuités et instruments : identifier des effets locaux

Une régression sur discontinuité exploite une règle d’attribution fondée sur un seuil, par exemple une aide accordée au-dessous d’un revenu administratif. Si les résultats potentiels évoluent continûment autour de ce seuil et si aucune autre règle pertinente ne change au même point, un saut du résultat peut être attribué au traitement. L’analyse est locale : elle concerne les unités proches de la frontière. Une manipulation précise de la variable d’assignation ou une sélection différente de part et d’autre peut compromettre cette comparaison.

Lorsque le seuil ou une offre aléatoire change la probabilité de traitement sans la déterminer parfaitement, on peut utiliser une logique instrumentale. Le rapport entre effet sur le résultat et effet sur la participation identifie un effet local sous exogénéité, exclusion et monotonie appropriées. Ces conditions ne sont pas des détails techniques : une offre qui transmet directement de l’information utile peut agir sur le résultat sans participation. Dans une discontinuité floue, le saut de participation doit aussi être suffisamment marqué pour que le rapport soit informatif.

Exemple calculé : évaluer une aide à l’emploi

Dans un exemple fictif, le taux d’emploi du groupe éligible à une aide passe de 50 % avant la réforme à 62 % après. Dans un groupe de comparaison, il passe de 55 % à 60 %. La variation des éligibles est de 12 points de pourcentage ; celle du groupe de comparaison est de 5 points. La différence de différences vaut donc (62 − 50) − (60 − 55) = 7 points.

Sous tendances parallèles, le taux contrefactuel après réforme pour les éligibles serait 50 + 5 = 55 %. L’écart entre le taux observé de 62 % et ce contrefactuel de 55 % donne le même effet de 7 points. Il ne s’agit ni d’une hausse de 7 % ni de la simple différence finale de 2 points entre groupes. Le calcul enlève la différence initiale et la variation commune afin de cibler l’évolution supplémentaire associée à l’aide.

Supposons cependant qu’une nouvelle usine ouvre uniquement dans la zone éligible au moment de la réforme. Une partie des 7 points pourrait provenir de cette ouverture, et non de l’aide. Des données sur les périodes antérieures ne suffiraient pas nécessairement à détecter ce choc contemporain. Il faudrait rechercher une comparaison moins exposée à cette menace, documenter le mécanisme ou limiter la conclusion. Le calcul identifie exactement une différence observée ; son interprétation causale repose sur des hypothèses supplémentaires.

Précision, multiplicité et validité externe

Un effet estimé doit être accompagné d’une incertitude cohérente avec le dispositif. Le niveau de regroupement des erreurs dépend de la dépendance des résultats et de l’assignation, pas seulement de la disponibilité d’un logiciel. La puissance mesure la capacité à détecter un effet donné avec un protocole déterminé. Une absence de significativité peut refléter une estimation imprécise plutôt qu’une absence d’effet. Définir en amont le résultat principal et les analyses réduit le risque de sélectionner après coup une comparaison favorable.

Multiplier les résultats, sous-groupes et spécifications augmente les occasions de faux positifs. Les analyses exploratoires restent utiles si elles sont distinguées des tests confirmatoires. La validité externe pose une autre question : un effet crédible dans une ville, une cohorte ou au voisinage d’un seuil se transporte-t-il ailleurs ? La composition des personnes, les modalités d’application et les effets d’équilibre peuvent changer. Une expérience bien identifiée n’autorise donc pas automatiquement une généralisation nationale ou un passage à grande échelle.

Méthode : auditer la comparaison avant le coefficient

Énoncer le contrefactuel en une phrase, identifier qui sert de comparaison et expliquer pourquoi. Dessiner une chronologie des traitements, mesures et événements concurrents. Vérifier ensuite les décisions prises après traitement : contrôler une variable elle-même modifiée par le programme peut retirer une partie de l’effet ou créer un biais. Les variables de contrôle ne doivent pas être choisies seulement pour augmenter une statistique de significativité.

Prévoir des tests placebo pertinents, des analyses de sensibilité aux fenêtres et une description des populations exclues. Dans une discontinuité, examiner densité de la variable d’assignation, continuité des caractéristiques prédéterminées et robustesse à des choix raisonnables de bande passante. Dans une expérience, suivre l’attrition et respecter l’assignation. Conclure enfin en séparant résultat numérique, hypothèses d’identification et limites de transportabilité : ces trois éléments doivent rester lisibles ensemble.

Questions de cours

Pourquoi comparer selon l’assignation plutôt que la participation ?

La participation effective peut dépendre de caractéristiques liées au résultat. L’assignation conserve la comparaison créée par le tirage et identifie l’effet de l’offre.

Les tendances parallèles exigent-elles des niveaux initiaux identiques ?

Non. Elles portent sur l’évolution contrefactuelle sans traitement, pas sur l’égalité des niveaux.

Un résultat local au seuil concerne-t-il tous les bénéficiaires ?

Non. Le dispositif identifie d’abord un effet pour les unités proches du seuil. Son extension à d’autres unités exige des arguments supplémentaires.

Une estimation non significative prouve-t-elle une absence d’effet ?

Non. Il faut examiner l’intervalle et la puissance. Une estimation très imprécise peut être compatible avec des effets importants.

Fiches pour approfondir Causalité & expérimentation

Bibliographie recommandée en Causalité & expérimentation

Ouvrages de référence utilisés dans les universités françaises pour Licence 3

Mostly Harmless Econometrics

• Princeton University Press •

ISBN : 978-0691120355

Repenser la pauvreté

• Seuil •

ISBN : 978-2021069099

Causal Inference: The Mixtape

• Yale University Press •

ISBN : 978-0300251685

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Causalité & expérimentation efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.