QCM : Évaluation d’impact et inférence causale — 17 questions

Explication

L’évaluation d’impact cherche à mesurer l’effet causal d’un programme, d’un traitement ou d’une action sur un résultat d’intérêt. La simple participation, le coût ou une différence temporelle ne suffisent pas à établir cet effet causal.

Explication

Cette question cherche à déterminer si les campagnes de vaccination causent une amélioration des résultats de santé chez les enfants. Elle correspond donc directement à une question d’évaluation d’impact, et non à une simple description de la couverture vaccinale.

Explication

La notation $W_i=0$ indique l’absence de traitement pour l’unité i, tandis que $W_i=1$ indique qu’elle reçoit le traitement. Les résultats potentiels sont notés séparément par $Y_i(0)$ et $Y_i(1)$.

Explication

$Y_i(1)$ désigne le résultat potentiel de l’unité i dans la situation où elle est traitée. Le résultat potentiel sans traitement est noté $Y_i(0)$, tandis que leur différence mesure l’effet causal individuel.

Explication

Comme $W_i=1$, l’unité reçoit le traitement et son résultat observé est $Y_i^{obs}=Y_i(1)=19$. La valeur $12$ est son résultat potentiel sans traitement, qui n’est pas observé dans cette situation.

Explication

SUTVA suppose l’absence d’interférence entre unités et l’absence de versions multiples d’un même niveau de traitement donnant des résultats différents. Les autres situations violent au moins l’une de ces deux conditions.

Explication

L’effet causal individuel compare, pour une même unité i, son résultat potentiel avec traitement à celui sans traitement, soit $Y_i(1)-Y_i(0)$. Il ne compare donc pas deux unités différentes ni deux groupes observés.

Explication

L’ATE est la moyenne des effets causaux individuels sur l’ensemble des $N$ unités, ce qui donne $\frac{1}{N}\sum_{i=1}^{N}[Y_i(1)-Y_i(0)]$. La moyenne pondérée par $N_t$ correspond à l’ATET, qui se limite aux unités traitées.

Explication

L’ATET calcule l’effet causal moyen conditionnel au fait d’avoir reçu le traitement, d’où $E[Y_i(1)-Y_i(0)\mid W_i=1]$. La condition $W_i=0$ cible les unités non traitées, tandis que l’expression sans condition correspond à l’ATE.

Explication

Pour une unité traitée, $Y_i(1)$ est observé et le résultat qui aurait été obtenu sans traitement, $Y_i(0)$, reste inobservé. $Y_i^{obs}$ désigne au contraire le résultat effectivement mesuré après le traitement reçu.

Explication

L’effet causal exige de comparer le résultat observé au résultat qui aurait été obtenu dans la situation opposée, lequel n’est pas observé pour la même unité. Le résultat effectivement mesuré n’est donc pas un contrefactuel, même s’il peut servir à construire une comparaison.

Explication

Sans hypothèse particulière, la différence observée entre les groupes peut inclure des différences préexistantes et ne coïncide donc pas en général avec l’ATE. L’égalité avec l’ATE devient possible dans un cadre comme l’assignation aléatoire, qui neutralise la sélection.

Explication

Le biais de sélection provient des différences de résultats potentiels entre les groupes avant l’intervention, ce qui éloigne la différence observée de l’effet causal. La variation entre les deux situations d’une unité correspond plutôt à son effet causal individuel.

Explication

L’état de santé initial influence la probabilité d’hospitalisation, de sorte que les deux groupes peuvent différer avant même l’intervention. Leur différence de santé ne mesure alors pas nécessairement l’effet de l’hospitalisation, contrairement à une comparaison issue d’une assignation aléatoire.

Explication

Cette égalité signifie que l’attribution du traitement est indépendante des deux résultats potentiels. Une sélection fondée sur l’état initial ou sur les résultats potentiels créerait au contraire une dépendance entre traitement et caractéristiques potentielles.

Explication

L’assignation aléatoire rend les groupes comparables en moyenne pour leurs résultats potentiels, si bien que leur différence observée identifie l’ATE. L’ATET peut coïncider avec l’ATE dans ce cadre, mais la relation donnée porte directement sur l’effet moyen dans la population.

Explication

En rendant l’attribution indépendante des résultats potentiels, l’assignation aléatoire supprime les différences systématiques de sélection entre les groupes. Dans ce cadre, l’effet moyen parmi les traités et l’effet moyen dans la population coïncident.