Intro MCO Simples différences Double différences Double différences et variables instrumentales

Méthodes élémentaires de panel : doubles

différences et effets fixes
http ://pagesperso-orange.fr/pierre.andre01/Econometrie

Pierre ANDRE
pierre.andre@u-cergy.fr
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Méthodes élémentaires de panel

Données de panel : on suit un même échantillon (personnes, ménages,

. . .) au cours du temps. Cela permet de voir l’évolution comparée :
De ceux qui ont bénéficié d’un traitement : RSA, traitement
médical, . . .
De ceux qui n’ont pas bénéficié de ce traitement
Notations :
On a un individu i, mais aussi des dates t
On note donc les variables pour un individu xit , yit , . . .
Le terme d’erreur peut s’écrire ε it = ci + uit
ci représente les composantes de ε it qui ne changent pas au cours
du temps
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Panel : estimation par MCO

On peut toujours estimer le modèle par les MCO yit = xit β + ε it si

Corr (xit , ε it )
On appelle ça le modèle des MCO sur données empilées
En général, les différentes observations du même individu sont
corrélées : Corr (ε it , ε it 0 ) > 0
Il faut corriger les écarts-types pour cela : comme pour des
observations par cluster.
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Panel : estimation par MCO

Estimation par les MCO du modèle : yit = xit β + ε it si Corr (xit , ε it )

En général, les différentes observations de la même date corrélées :
Corr (ε it , ε jt ) > 0
Il est (un peu) plus difficile de contrôler pour des cluster au cours du
temps et entre individus
La solution la plus simple est de contrôler pour les différences entre
dates avec un effet fixe pour chaque date : yit = xit β + δt + ε it
Une fois que chaque date a son effet propre, il devient possible que
ε it ⊥
⊥ ε jt
A ces deux subtilités près, on peut utiliser les MCO sur des données
de panel
(De même pour les variables instrumentales)
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Analyse des politiques publiques : notation

On a un traitement binaire noté D, ex : recevoir le RSA, . . .

D = 1 si l’individu est traité, D = 0 sinon
Deux dates : t = 0 ou t = 1
On a donc yi0 et yi1 , xi0 et xi1 , . . .
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Simple différence

Idée : l’évolution entre t = 0 et t = 1 est due au traitement

On peut donc écrire un modèle simple pour tous les individus qui
ont subi le traitement :

yi0 = β + ε i0
yi1 = β + αD + ε i1

Ce modèle estimé par les MCO sur les traités identifiera y1 − y0

Hypothèse 1 : IE(ε i0 ) = 0, costless car β = y0
Hypothèse 2 : IE(ε i1 ) = 0 : en moyenne, l’évolution entre y0 et y1
n’est due qu’à D
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Simple différence : contrôle

Avantage :
On peut le faire même si on n’observe que des individus traités
Inconvénient :
Les conditions peuvent avoir changé entre t = 0 et t = 1 et y1 − y0
peut venir de l’évolution générale de l’économie et non du traitement
Exemple : si le chômage diminue en même temps qu’on met en
place le RSA, est-on sûrs que c’est lié uniquement au RSA ? Si cela
se passe en période de croissance, non.
On peut contrôler pour le niveau de croissance ou d’autres variables
observables : 
yi0 = xi0 β + ε i0
yi1 = xi1 β + αD + ε i1
A-t’on pris en compte tout ce qui fait que y1 − y0 et n’est pas causé
par D ?
N’a-t’on pas pris en compte une partie des effets de D ?
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences

Il arrive souvent que l’hypothèse de stationnarité sous-jacente empêche

de faire les simple différences. Par ailleurs, tout l’échantillon n’est pas
toujours traité à t = 1.
Exemple :
Date
t=0 t=1
Groupe de contrôle (T=0) yi0 (D = 0) yi1 (D = 0)
Groupe de traitement (T=1) yi0 (D = 0) yi1 (D = 1)
A date t = 0 et à date t = 1, personne n’a été traité.
A date t = 1, une partie de l’échantillon a été traité.
On va donc comparer l’évolution du groupe de traitement et du
groupe de contrôle
On suppose donc que la différence entre l’évolution du groupe de
traitement et celle du groupe de contrôle vient uniquement du
traitement
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences, exemple : salaire minimum et emploi

Card et Krueger (2000)
Le New-Jersey a augmenté son salaire minimum en avril 1992

Figure: Emploi dans les fast-foods avant et après la hausse de salaire

minimum au New-Jersey et en Pennsylvanie voisine
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences : en équations

On peut donc écrire le modèle :


yi0 = β 0 + α0 T + ε i0
yi1 = β 1 + α0 T + α1 D + ε i1

On estime ce modèle par les MCO

α0 représente la différence entre le groupe de traitement et le groupe
de contrôle à t = 0 : yt =0,T =1 − yt =0,T =0
α0 + α1 représente la différence entre le groupe de traitement et le
groupe de contrôle à t = 1 : yt =1,T =1 − yt =1,T =0
α1 représente donc l’“avance” prise par le groupe de contrôle et le
groupe de traitement entre t = 0 et t = 1 :
(yt =1,T =1 − yt =1,T =0 ) − (yt =0,T =1 − yt =0,T =0 )
On suppose que cela mesure l’effet du traitement
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences : graphique


yi0 = β 0 + α0 T + ε i0
yi1 = β 1 + α0 T + α1 D + ε i1

Y
β 1 + α0 + α1
α1
β 1 + α0
β 0 + α0 β1
β0
t
t=0 t=1

On suppose que sans le traitement, les deux courbes auraient été

parallèles
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences, exemple : salaire minimum et emploi

A gauche : Nbempit = β t + αNJ1l(t = 1) + ε it
A droite : ln Nbempit = β t + αNJ1l(t = 1) + ε it

Figure: Emploi dans les fast-foods avant et après la hausse de salaire

minimum : double différences (coef α)
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences : autre stratégie

On peut donc écrire le modèle :


yi0 = β 0 + ci + ui0
yi1 = β 1 + ci + α1 D + ui1

On a une variable indicatrice par individu

Plus besoin de contrôler par T
Sur données de panel, on appele cela une spécification “à effets
fixes”
On peut encore estimer ça par les MCO
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences : avec des variables de contrôle

Le modèle devient :

yi0 = xi0 β + ci + ui0
yi1 = xi1 β + ci + α1 D + ui1

Intérêt : on a peur que l’évolution de x soit différente entre le

groupe de traitement et de contrôle pour des raisons autres que le
traitement
x ne doit pas contenir de conséquences du traitement si on veut que
α1 mesure tout l’effet du traitement sur y
x ne doit pas contenir de variables constantes au cours du temps :
sinon, colinéaire avec les ci
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Doubles différences : limites des stratégies à effets fixes et

variables de contrôle

Condition d’exogénéité stricte :

IE(ε it |xi0 , xi1 , ci ) = 0

Plus contraignant que l’exogénéité simple IE(ε it |xit ) = 0

Attention aux modèles dynamiques où yi,t −1 cause yi,t ou xi,t , où
xi,t −1 cause xi,t
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Exemple : Duflo, 2001

Indonésie, étude sur les rendements de l’éducation

Etude d’un programme d’ouverture d’écoles en Indonésie
Sijk = c1 + α1j + β 1k + (Pj Ti )γ1 + (Cj Ti )δ1 + ε ijk
Sijk : éducation de l’individu i né dans la région j durant l’année k
c1 : constante
α1j : effet du district de naissance
β 1k : effet de la cohorte (il pourrait être suffisant de contrôler pour Tk : contrôler si
l’enfant est dans la cohorte traitée ou non. L’auteur contrôle de manière plus détaillée
pour l’effet de l’âge sur l’éducation)
Pj : Intensité du programme dans la région de naissance
Ti : Variable indicatrice pour les cohortes ayant bénéficié des ouvertures d’écoles
Cj : Contrôle pour les caractéristiques de la région
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Exemple : Duflo, 2001, effet des ouvertures d’écoles

Figure: Effet du programme d’ouverture d’écoles sur la scolarisation :

doubles-différences sans variable de contrôle
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Exemple : Duflo, 2001, effet des ouvertures d’écoles

Figure: Effet du programme d’ouverture d’écoles sur la scolarisation :

doubles-différences avec variables de contrôle
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Duflo, 2001, modélisation plus détaillée

La modélisation à effets fixes peut permettre de regarder les choses plus

en détails

Sijk = c1 + α1j + β 1k + (Pj dil )γ1l + (Cj Ti )δ1 + ε ijk

Sijk : éducation de l’individu i né dans la région j durant l’année k
c1 : constante
α1j : effet du district de naissance
β 1k : effet de la cohorte (il pourrait être suffisant de contrôler pour Tk : contrôler si
l’enfant est dans la cohorte traitée ou non. L’auteur contrôle de manière plus détaillée
pour l’effet de l’âge sur l’éducation)
Pj : Intensité du programme dans la région de naissance
dil : Variable indicatrice de la cohorte née en l
Cj : Contrôle pour les caractéristiques de la région
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Exemple : Duflo, 2001, effet des ouvertures d’écoles

désagrégé

Figure: Effet du programme d’ouverture d’écoles sur la scolarisation :

Evolution de la différence traitement-contrôle par année de naissance
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Double différences et variables instrumentales : idée de

départ

Les doubles différences sont mesurées par les MCO

Il est possible d’en tirer une stratégie instrumentale
Exemple de Duflo : voir la forme réduite
Exemple de Duflo : voir les résultats des doubles moindres carrés
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Exemple : Duflo, 2001, effet des ouvertures d’écoles sans

variable de contrôle en forme réduite

Figure: Effet du programme d’ouverture d’écoles sur la scolarisation et les

salaires : doubles-différences sans variable de contrôle
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Exemple : Duflo, 2001, effet des ouvertures d’écoles avec

variables de contrôle en forme réduite

Figure: Effet du programme d’ouverture d’écoles sur la scolarisation et les

salaires : doubles-différences sans variable de contrôle
Intro MCO Simples différences Double différences Double différences et variables instrumentales

Exemple : Duflo, 2001, effet des ouvertures d’écoles sur le

salaire

Figure: Effet du programme d’ouverture d’écoles sur la scolarisation et les

salaires : doubles-différences sans variable de contrôle