Niveau avancé

Causalité, économétrie et lecture des données

Passer de « deux choses bougent ensemble » à « l’une a causé l’autre » : contrefactuel, biais de sélection, expérimentation et méthodes quasi-expérimentales.

Ce que vous allez comprendre

distinguer corrélation et causalité
formuler un contrefactuel
identifier biais de sélection et variables confondantes
comprendre le principe des expériences, différences de différences et régressions discontinues

La réponse ultra-simple

Une corrélation indique que deux variables évoluent ensemble ; elle ne dit pas pourquoi. Pour parler de causalité, il faut comparer ce qui s’est produit à ce qui se serait produit sans l’intervention. Ce second monde est le contrefactuel et n’est jamais directement observable pour la même unité au même moment.

L’économétrie causale cherche donc des comparaisons crédibles : tirage aléatoire, seuil d’éligibilité, choc extérieur, calendrier décalé ou groupes dont les tendances étaient comparables. La technique mathématique vient après la qualité du dessin d’identification.

Causalité, économétrie et lecture des données
Passer de « deux choses bougent ensemble » à « l’une a causé l’autre » : contrefactuel, biais de sélection, expérimentation et méthodes quasi-expérimentales.

1. Le vocabulaire indispensable

Le contrefactuel est le résultat qu’aurait connu l’unité traitée en l’absence du traitement.

Le biais de sélection apparaît lorsque les personnes ou territoires traités diffèrent systématiquement des non-traités d’une manière liée au résultat.

Une variable confondante influence à la fois le traitement et le résultat, créant une association qui peut être attribuée à tort au traitement.

2. Le mécanisme étape par étape

Dans une expérience randomisée, l’assignation aléatoire vise à rendre les groupes comparables en moyenne avant le traitement. L’écart moyen après intervention peut alors être interprété causalement sous les conditions du protocole.

Lorsque la randomisation est impossible, une différence de différences compare l’évolution d’un groupe traité à celle d’un groupe témoin. L’hypothèse clé est que, sans traitement, leurs tendances auraient été parallèles.

Une régression sur discontinuité exploite un seuil : juste de part et d’autre du seuil, les unités peuvent être comparables sauf pour l’accès au traitement. La crédibilité dépend notamment de l’impossibilité de manipuler précisément la variable de classement.

Les variables instrumentales utilisent une source de variation qui modifie le traitement sans agir sur le résultat par un autre canal. Cette condition d’exclusion est exigeante et doit être argumentée institutionnellement, pas seulement par une statistique.

3. Exemple numérique guidé

Une ville met en place une aide à l’emploi quand son chômage est déjà élevé. Après un an, le chômage baisse de 2 points. Sans groupe témoin, impossible de savoir quelle part vient de l’aide, d’une reprise nationale ou d’un retour mécanique après un choc.

Si une ville comparable sans aide baisse de 1,5 point sur la même période et si l’hypothèse de tendances parallèles est plausible, la différence de différences suggère un effet de −0,5 point : (−2) − (−1,5) = −0,5.

4. Calcul reproductible

Effet différence-de-différences = (après − avant) traité − (après − avant) témoin

La première parenthèse mesure l’évolution du groupe traité.
La seconde mesure l’évolution qui sert de contrefactuel.
Le second signe − retire la tendance commune estimée.
Le résultat n’est causal que si les hypothèses d’identification sont crédibles.

5. Du niveau débutant au niveau supérieur

Au niveau débutant, apprenez à demander : quel serait le résultat sans la mesure ?

Au niveau intermédiaire, identifiez sélection, confondants et groupes comparables avant de regarder la significativité statistique.

Au niveau avancé, discutez hypothèses d’identification, erreurs standards, hétérogénéité des effets, validité externe, pré-tendances et analyses de sensibilité.

6. Cas limites et raisonnement critique

Une expérience randomisée peut mesurer un effet local dans un contexte qui ne se généralise pas à tout le pays.

Une méthode quasi-expérimentale repose sur des hypothèses non testables parfaitement ; les tests de robustesse ne transforment pas une hypothèse fragile en certitude.

La significativité statistique ne mesure ni l’importance économique ni la qualité des données. Un effet minuscule peut être très significatif dans un énorme échantillon.

Erreurs fréquentes

Conclure à la causalité à partir d’un simple avant/après.
Choisir le groupe témoin après avoir vu le résultat.
Oublier de vérifier les tendances avant traitement en différence-de-différences.
Confondre p-value et taille de l’effet.
Extrapoler un effet local à toute la population sans justification.

Exercices gradués et corrections

Très facile — Deux variables augmentent ensemble. Est-ce une preuve de causalité ?

Correction : Non.

Facile — Traité : 10→8 ; témoin : 9→8,5. DiD ?

Correction : (−2)−(−0,5)=−1,5.

Intermédiaire — Pourquoi un programme volontaire crée-t-il un risque de sélection ?

Correction : Les volontaires peuvent être plus motivés ou différents avant le programme.

Avancé — Quelle hypothèse centrale soutient une différence-de-différences ?

Correction : Sans traitement, les groupes auraient suivi des tendances parallèles.

Raisonnement critique — Une régression donne p<0,01 mais effet de 0,02 %. Est-ce politiquement important ?

Correction : Pas nécessairement. Importance statistique et importance économique sont distinctes.

7. Atelier de diagnostic

Prenez une réforme réelle et écrivez trois contrefactuels possibles. Pour chacun, expliquez ce qui le rend crédible ou fragile avant de choisir une méthode statistique.

Dessinez ensuite les données pré-traitement de deux groupes. Si leurs tendances divergent déjà avant la réforme, notez pourquoi une différence-de-différences simple serait suspecte.

8. Court terme, long terme et effets de second tour

À court terme, certaines politiques produisent des effets visibles mais transitoires. À moyen terme, les comportements s’adaptent. À long terme, les unités peuvent quitter ou entrer dans l’échantillon, ce qui complique le suivi.

Les effets de second tour peuvent violer l’hypothèse d’absence d’interférence : une politique dans une région peut influencer la région témoin via mobilité, commerce ou imitation.

9. Mini-dossier à refaire sans regarder la correction

Mini-dossier : zone traitée chômage 9 % avant, 7 % après ; zone témoin 8 % avant, 7,5 % après. Calculez la DiD. Puis indiquez une hypothèse qu’il faut vérifier.

Correction : traité −2 points ; témoin −0,5 ; effet DiD −1,5 point. Il faut notamment vérifier que les tendances auraient été comparables sans traitement et qu’aucun choc spécifique n’a touché une seule zone.

10. Approfondissement

Les méthodes causales répondent souvent à un effet moyen local : sur les unités affectées par l’instrument ou proches du seuil. Cette précision est une force, mais limite la généralisation.

La qualité des données — définitions, changements de codage, valeurs manquantes — peut créer des ruptures artificielles. Avant toute régression, il faut auditer la production de la donnée.

Enfin, l’évaluation utile doit relier estimation et décision. Un effet causal positif peut être trop coûteux ; un effet moyen nul peut cacher un sous-groupe très bénéficiaire. L’économétrie éclaire l’arbitrage, elle ne le remplace pas.