Descriptif
Dans ce cours, nous étudierons comment les méthodes économétriques peuvent aider à répondre à des questions causales importantes pour les politiques publiques. Nous discuterons des raisons pour lesquelles il est difficile d'établir des liens causaux crédibles en sciences sociales et des moyens de surmonter certains de ces défis. Nous commencerons par introduire les outils de base de l’économétrie appliquée : les régressions linéaires et les tests statistiques. Ensuite, nous présenterons plusieurs méthodes centrales dans la pratique économétrique moderne : les expériences randomisées, les variables instrumentales, les modèles de régression sur discontinuité (RDD), les estimations à effets fixes, les différences de différences et les études évenementielles. Enfin, nous introduirons certaines extensions récentes des modèles économétriques et mettrons en lumière les débats actuels.
Chaque sujet sera illustré par des exemples d'applications concrètes pertinentes pour le débat public, tels que : quelle est l'ampleur de la mobilité intergénérationnelle ; pourquoi la pauvreté persiste-t-elle ; quels sont les rendements de l'éducation ; quel est l'effet de l'immigration sur les marchés du travail locaux.
Lors des travaux dirigés, les étudiants travailleront en groupe pour évaluer de manière critique des questions de société. Le premier exercice portera sur des scénarios hypothétiques, tandis que dans les deuxième et troisième exercices, les étudiants recevront des données réelles sur lesquelles travailler. Plus en détail:
- Les étudiants reçoivent une fiche de travail présentant une question de société et listant une série de données disponibles pour le chercheur.
- Les étudiants doivent discuter de la manière de résoudre le problème contrefactuel à partir des données disponibles, et sous quelles hypothèses la solution est crédible.
- Les étudiants doivent proposer une méthodologie pour répondre à la question, en identifiant ses forces et ses limites.
- Dans certains exercices, les étudiants recevront des données réelles et devront eux-mêmes mettre en œuvre la méthodologie proposée.
- Ils devront ensuite résumer leurs résultats dans une présentation orale devant la classe.
L’évaluation comporte deux parties, chacune comptant pour 50 % de la note finale :
- Présentations orales en groupe (3 courtes présentations basées sur les exercices réalisés en petits groupes)
- Examen final
Objectifs pédagogiques
Les objectifs pédagogiques visés par ce cours sont les suivants :
-
Expliquer pourquoi et dans quels cas l’économétrie est utile
-
Lire et comprendre la recherche empirique récente
-
Proposer des stratégies d’évaluation robustes et analyser les limites et les faiblesses des travaux empiriques
-
Etre capable de proposer une stratégie d'évaluation pour des politiques publiques
Diplôme(s) concerné(s)
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Vos modalités d'acquisition :
L’évaluation comporte deux parties, chacune comptant pour 50 % de la note finale :
- Présentations orales en groupe (3 courtes présentations basées sur les exercices réalisés en petits groupes)
- Examen final
- Crédits ECTS acquis : 5 ECTS
Le coefficient de l'UE est : 10
La note obtenue rentre dans le calcul de votre GPA.
La note obtenue est classante.
Programme détaillé
Partie 1: Régressions linéaires et inférence causale
OLS , Tests , Model causal de Rubin
+ application: mobilité inter-générationnelle
- Chetty, R., Hendren, N., Kline, P., & Saez, E. (2014). Where is the land of opportunity? The geography of intergenerational mobility in the United States. The quarterly journal of economics.
Partie 2: Expériences randomisées
Design, analyse, validité
+ application: trappes de pauvreté
- Bandiera O, Burgess R, Das J, Gulesci S, Rasul I and Sulaiman (2017) “Labor markets and poverty in village economies”, Quarterly Journal of Economics.
Partie 3: Variables instrumentales et régressions par discontinuité
IV, hétérogéneité, RDD
+ application: rendements de l'éducation
- Duflo, E (2001) “Schooling and labor market consequences of school construction in Indonesia: Evidence from an unusual policy experiment”, American Economic Review.
- Ozier O (2017) “The Impact of Secondary Schooling in Kenya: A Regression Discontinuity Analysis”, Journal of Human Resources.
Partie 4: Données en panel, doubles différences et analyses évenementielles.
+ application DiD: impact de l'immigration sur les salaires et l'emploi
- Beerli, A., Ruffner, J., Siegenthaler, M., & Peri, G. (2021). The abolition of immigration restrictions and the performance of firms and workers: Evidence from Switzerland. American Economic Review.
+ application analyse évenementielle: Progrès technologique biaisé en faveur du travail qualifié
- Akerman, A., Gaarder, I., & Mogstad, M. (2015). The skill complementarity of broadband internet. The Quarterly Journal of Economics.
Partie 5: Extensions récentes
Méthodes de prédiction basées sur le machine learning, utilisation du machine learning pour l'inférence causale.
- Athey, S. (2018). The impact of machine learning on economics. NBER WP.
- Mullainathan, S., & Spiess, J. (2017). Machine learning: an applied econometric approach. Journal of Economic Perspectives.
+ application méthodes de prédiction : crime
- Kleinberg, J., Lakkaraju, H., Leskovec, J., Ludwig, J., & Mullainathan, S. (2018). Human decisions and machine predictions. The quarterly journal of economics.
+ application effets de traitement hétérogène: utilisation de l'énergie
- Knittel, Christopher R., and Samuel Stolper. "Machine learning about treatment effect heterogeneity: The case of household energy use." AEA Papers and Proceedings.