News

Les défis de l’intégration des données en vie réelle : Apports et limites de la quasi-expérimentation

Benoît Le Maux, membre du Condorcet center, a participé au séminaire « La Méthodologie en Sciences Humaines et Sociales », organisée par le Réseau Sciences Humaines et Sociales du Cancéropôle Grand Ouest, le 7 avril 2017. Cette présentation est basée sur l’ouvrage suivant, à paraître en juin chez Springer : « JM Josselin & B Le Maux, Statistical Tools for Program Evaluation. Methods and Applications to Economic Policy, Public Health, and Education. Heidelberg: Springer. »

http://www.canceropole-grandouest.com/index.php/lecteur-dactualite/la-methodologie-en-sciences-humaines-et-sociales.html

Résumé de la présentation :

De nombreuses bases de données sont désormais accessibles à l’ère du Big Data, permettant ainsi d’évaluer les programmes de santé en situation de « vie réelle », lors de leur mise en œuvre sur la population cible. Ces données résultent toutefois d’expérimentations n’ayant pas fait l’objet d’une randomisation et, de ce fait, peuvent comporter des biais substantiels. Sous certaines conditions, les méthodes quasi-expérimentales (différences de différences, méthodes d’appariement, régressions en discontinuité, variables instrumentales) offrent un moyen de corriger ces biais, complétant  par là même les résultats obtenus lors d’essais cliniques randomisés préalables.

La méthode des différences de différences (difference-in-differences) examine l’évolution de la différence de résultat observée entre les groupes de comparaison et de traitement. Contrairement aux différences simples (avant/après et traité/non-traité), l’approche considère à la fois la dimension temporelle et l’appartenance au groupe. C’est de loin la méthode la plus simple pour estimer l’impact d’une intervention car, dans sa version la plus simple, elle ne nécessite que quatre valeurs moyennes.

Les méthodes d’appariement (propensity score matching) reposent sur l’estimation de scores de propension (probabilité de participer au traitement) afin de sélectionner et d’associer des sujets ayant des caractéristiques similaires. L’impact d’une intervention est alors calculé comme la différence de moyenne entre les deux groupes sélectionnés. Si le score est calculé avec précision, le résultat observé pour le groupe de comparaison devrait fournir un contrefactuel satisfaisant.

L’analyse par régression sur discontinuité (regression discontinuity design) compare le groupe traité et le groupe non-traité autour d’un seuil au-dessus ou au-dessous duquel l’intervention est dispensée (exemple : une valeur seuil de marqueur). L’approche est économétrique (MCO ou régression quantile). Les observations trop éloignées sont exclues de l’analyse. L’hypothèse sous-jacente est qu’en examinant les observations situées à proximité du seuil, on devrait éliminer les biais de sélection.

Enfin, l’estimation par la méthode des variables instrumentales (instrumental variables estimation) permet de corriger les biais de sélection lorsque l’exposition au traitement est liée à des caractéristiques non-observables (endogénéité de la participation individuelle). Par exemple, la méthode peut être appliquée aux situations où l’exposition à une intervention est déterminée dans une certaine mesure par les unités concernées, dans un processus d’auto-sélection.

Master 2 Scholarship for Foreign Students – Fondation Rennes 1

The Foundation of Rennes 1 “Progress, Innovation, Entrepreneurship” which purposes are to support advanced research and international opening, is lauching a call for scholarship application. These scholarships are dedicated to foreign students willing to spend a year in the University of Rennes 1 for a Master 2 research program.

More information: https://fondation.univ-rennes1.fr/accueil-des-étudiants-internationaux-en-master-2-recherche

By Yvon Rocaboy | News

Maurice Baslé : “Créer aujourd’hui du service public en France passe par un meilleur service public de la donnée.”

Un article de Maurice Baslé, professeur émérite des universités (laboratoire Crem-CNRS-université Rennes-I), est disponible sur acteurspublics.com. A l’ère du Big Data, l’article montre l’importance de la formation initiale et continue des fonctionnaires.

https://www.acteurspublics.com/2017/03/03/maurice-basle-la-republique-numerique-a-besoin-d-une-nouvelle-formation-des-fonctionnaires

 

Forthcoming book: “Statistical Tools for Program Evaluation”

Authors: Josselin, Jean-Michel, Le Maux, Benoît

This book provides a self-contained presentation of the statistical tools required for evaluating public programs, as advocated by many governments, the World Bank, the European Union, and the Organization for Economic Cooperation and Development. After introducing the methodological framework of program evaluation, the first chapters are devoted to the collection, elementary description and multivariate analysis of data as well as the estimation of welfare changes. The book then successively presents the tools of ex-ante methods (financial analysis, budget planning, cost-benefit, cost-effectiveness and multi-criteria evaluation) and ex-post methods (benchmarking, experimental and quasi-experimental evaluation). The step-by-step approach and the systematic use of numerical illustrations equip readers to handle the statistics of program evaluation.

It not only offers practitioners from public administrations, consultancy firms and nongovernmental organizations the basic tools and advanced techniques used in program assessment, it is also suitable for executive management training, upper undergraduate and graduate courses, as well as for self-study.

Due: June 15, 2017

Link: http://www.springer.com/us/book/9783319528267#aboutBook

Séminaire Modélisation et suivi en vie réelle, Hôpital Pitié-Salpêtrière

Jean-Michel Josselin, membre du Condorcet center, a participé au séminaire “Modélisation et suivi en vie réelle” à l’Institut du Cerveau et la Moelle Epinière. Il a présenté les principales méthodes de correction des biais observationnels dans les études en vie réelle (différences de différences, méthodes d’appariement, régressions en discontinuité, variables instrumentales). Les études en vie réelle regroupent les expérimentations n’ayant pas fait l’objet d’une randomisation et qui de ce fait peuvent comporter des biais substantiels. La correction de ces biais exige des méthodes spécifiques et constitue un enjeu majeur des politiques d’évaluation.

By Jean-Michel Josselin | News . News from the Condorcet Center