Techniques d'évaluation des politiques micro-économétriques d'aide à l'emploi

Résumé du document

Au cours des années 80 et 90, les politiques publiques pour l'emploi se sont développées en France de manière accélérée. On rassemble d'ordinaire sous ce vocable des mesures de politique économique aussi diverses que les aides à la recherche d'emploi ou à l'insertion professionnelle, les politiques de formation, les subventions à l'emploi par l'abaissement des charges sociales ou les mesures concernant les retraites ou préretraites. Dans une première section, nous étudierons les deux méthodes de traitement généralement proposées pour estimer au mieux l'effet d'une formation pour un demandeur d'emploi. Cette section sera divisée en trois sous-sections. Premièrement, nous introduirons le modèle causal de Rubin, modèle initial d'évaluation des traitements dans le domaine médical. Deuxièmement, nous aborderons le cas de la sélectivité sur observables en présentant les différents estimateurs (x matching, kernel matching, difference in difference kernel matching et regression adjusted kernel matching). Et troisièmement, nous analyserons le cas de la sélectivité sur observables et sur inobservables, en examinant principalement le modèle dans lequel la loi des inobservables est supposée normale, puis le modèle où on se base sur une distribution de Student.
Dans une seconde section, nous effectuerons des tests empiriques sur l'effet d'un traitement précis : l'activité réduite a-t-elle un effet sur la sortie du chômage ? Cette partie empirique s'appuie sur un suivi jusqu'en octobre 2000 du flux de demandeurs d'emploi inscrits à l'ANPE au cours des premier, deuxième et quatrième trimestres 1995...

Extraits

[...] t Note: Analytical standard errors cannot be computed. Use the bootstrap option to get bootstrapped standard errors. Bootstrapping of standard errors command: attk durmois redu age1 fct masc , pscore() comsup logit bwidth(.06) statistic: r(attk) (obs=24900) . Bootstrap statistics Variable Reps Observed Bias Std. Err. Conf. Interval] bs1 N = normal, P = percentile, BC = bias- corrected ATT estimation with the Kernel Matching method Bootstrapped standard errors n. treat. n. [...]

[...] O.Becker et A. Ichino [2002]. Partie 2. Evaluation empirique de l'impact de l'activité réduite sur la durée du chômage I. L'activité réduite, étude empirique avec notre échantillon 1. Définition et objectifs de l'activité réduite Il est aujourd'hui possible d'exercer un emploi partiel tout en continuant de percevoir des allocations de chômage. Cependant, ce dispositif est encore mal connu. Autrefois, seules les personnes totalement privées d'emploi étaient considérées comme chômeuses. Or, grâce à certains dispositifs, il est possible de cumuler salaires et indemnités. [...]

[...] Techniques d'évaluation des politiques micro-économétriques d'aide à l'emploi Plan Introduction PARTIE 1. Evaluation théorique de l'effet pour un individu d'un passage par un dispositif de formation I. Le modèle canonique pour l'évaluation 1. Le problème d'évaluation et la méthode d'appariement 2. Le modèle causal de Rubin 3. Les principaux paramètres d'intérêt II. La sélectivité sur observables 1. L'hypothèse de l'indépendance conditionnelle à des caractéristiques observables 2. Estimation par appariement sur les caractéristiques observables matching) 3. [...]

[...] Smith et Todd [2000] relèvent cependant que l'expérimentation sociale a aussi des inconvénients (coûts élevés, possibilité de déformer l'opération d'un programme en cours En outre, la méthode non expérimentale est la seule méthode que l'on peut utiliser en économie et économétrie. Smith rajoute d'ailleurs que l'évaluation de programmes sociaux basée sur des données non expérimentales à partir d'études observées, a moins de coûts additionnels et est moins importune. De plus, les méthodes non expérimentales peuvent être ajoutées à posteriori de façon virtuelle pour des programmes sociaux. Pourquoi le problème d'évaluation Pour illustrer ces idées, imaginons que nous voulions mesurer l'impact d'un programme de formation sur les salaires (revenus). [...]

[...] La deuxième étape consiste à déterminer le support commun des densités des scores des deux groupes d'individus. Cette étape est importante, et l'oublier pourrait là encore biaiser les estimations. C'est en outre une importante source d'imprécision des estimations, l'estimation du contre factuel pour les individus n'appartenant pas au support commun étant biaisée et très imprécise. Techniquement parlant, voici la procédure : - On divise l'échantillon en k intervalles égaux du score de propension, avec k déterminé par l'utilisateur et égal par défaut à 5. [...]