Inférence Causale

1. Inférence Causale Aïchatou Hassane

2. Motivation • L’objectif en évaluation est d’estimer l’effet CAUSAL de l’intervention X sur l’indicateur Y i.e.: - effet de l’ octroi de bourses d’ étude (X) sur la scolarisation (Y) - effet d’un transfert monétaire (X) sur la consommation des ménages (Y) • En inférence causale, il faut comprendre comment les données sont générées pour estimer de manière précise et juste l’effet de l’ intervention X sur l’indicateur Y.

3. Causalité et Corrélation • Deux variables (X and Y) peuvent évoluer de la même manière • Le nombre d’enseignantes et la performance scolaire des filles • La santé et le revenu d’un individu. • Sans avoir de lien entre eux. • Les autres explications

4. Evaluer l’impact • Dans quelle mesure un programme éducatif améliore-t-il les résultats scolaires? • Officiellement, l’impact du programme est le suivant α = (Y | P=1) - (Y | P=0) • Objectif: Comparer le même individu avec et sans programme à un même moment donné dans le temps Résultat scolaire (Y) avec le programme (P=1) Résultat scolaire (Y) sans le programme (P=0)

5. Evaluer l’impact • Problème: on n’observe jamais un individu avec et sans un programme au même moment • Nécessité d’estimer ce qui arriverait aux bénéficiaires s’ils n’avaient pas reçu le programme. • Solution: contrefactuel • Contrefactuel: ce qui se serait passé sans le programme • Différence entre l’individu ‘traité’ et son contrefactuel est l’impact du programme

6. Identifier le contrefactuel • Traité & contrefactuel • Caractéristiques identiques • Sauf au niveau de l’avantage tiré de l’intervention • Aucune autre raison de différences dans les résultats des traités et des contrefactuels • Seule raison d’une différence dans les résultats est due à l’intervention

7. Les “Faux” contrefactuels • Avant & après : • Même individu avant le traitement • Participants & Non Participants • Ceux qui choisissent de ne pas participer au programme • Ceux à qui le programme n’a pas été offert Problème : On ne parvient pas à déterminer totalement pourquoi les traités sont traités et les autres ne le sont pas

8. Avant & Après: des exemples • Programme d’aide agricole (aide financière pour intrants) • Comparaison des récoltes de riz avant et après • Avant = pluviométrie normale & après = sécheresse L’impact du programme d’assistance financière ne peut être distingué (identifié) de l’impact de la pluviométrie • Programme de bourses d’étude sur la scolarisation • Comparer les taux de scolarisation avant et après l’attribution des bourses

9. Avant & Après • Comparons Y avant et après l’intervention αi = (Yit | P=1) - (Yi,t-1| P=0) • Estimons le contrefactuel (Yi,t-1| P=0) = (Yi,t| P=0) • Ne saisit pas les facteurs non-stationnaires Y Before After A B C t-1 t Time

10. Participants & Non participants: des exemples • Programme de formation à l’emploi offert: • Comparaison de la situation d’emploi et des salaires des inscrits et des non inscrits • Qui s’inscrit ? Ceux qui ont le plus de probabilité d’en bénéficier, à savoir ceux ayant davantage d’aptitude • Assurance maladie offerte • Comparaison de l’utilisation des soins de santé par ceux ayant une assurance et ceux qui n’en ont pas • Qui souscrit à une assurance : ceux qui s’attendent à d’importantes dépenses médicales • Sans assurance : Ceux qui n’ont pas souscrit à une assurance ont des coûts médicaux moindres que ceux qui ont souscrit • Bourse pour les jeunes filles Faible estimation du programme Impact estimé du programme confondu avec critères de ciblage

11. Participants & Non participants • Comparaison des non participants et participants • Contrefactuel : résultats des non participants • Estimation d’impact : αi = (Yit | P=1) - (Yj,t| P=0) , • Hypothèse : (Yj,t| P=0) = (Yi,t| P=0) • Problème : pourquoi n’ont-ils pas participé ?

12. Sélection biaisée • Sélection biaisée: La population choisit de participer pour des raisons spécifiques • Souvent les raisons sont liées à un résultat d’intérêt • Formation à l’emploi : aptitude et salaire • Assurance maladie : état de santé et dépenses médicales • Planning Familiale: taux de fécondité élevé • On ne peut identifier séparément l’impact du programme de ces autres facteurs/ raisons

13. Eléments á savoir • Toutes les raisons pour lesquelles un individu bénéficie du programme et d’autres non • Raisons pour lesquelles des individus se trouvent dans un groupe de traitement ou un groupe témoin • Si les raisons sont liées aux résultats • On ne peut identifier/séparer l’impact du programme des autres explications dans les différences au niveau des résultats

14. Eléments à maitriser • Garantir la comparabilité des groupes de traitement et des groupes témoins • SEULE différence restante est l’intervention • Méthodologies existantes permettent de procéder à des évaluations rigoureuses en tenant compte des éléments présentés ci- avant et seront présentées au cours de ce séminaire: • Conception expérimentale/randomisation • Quasi-expérimentations (Régression discontinue, Double différences) • Variables instrumentales

15. MERCI