Microeconometrics and Policy Evaluation Summer School : Contenu du programme

par David Margolis

Les techniques économétriques permettant d’évaluer l’impact des politiques à l’aide de données microéconomiques ont considérablement évolué au fil du temps, et il est essentiel de comprendre quelle technique est la plus appropriée dans une situation donnée pour fournir des estimations crédibles des effets de la politique. Ce cours explorera une grande variété de techniques, en se concentrant non seulement sur les estimateurs eux-mêmes et leur fonctionnement, mais aussi sur les types de données qu’ils requièrent et les hypothèses qui doivent être retenues pour que les estimations soient valides.

Structure

• Introduction: setting and real world experiments
• Comparing similar individuals
  • Regression models
  • Matching models
  • Regression discontinuity
• Simulating unobserved outcomes
  • Instrumental variables
  • Selection models
• Intertemporal comparisons
  • Before-After
  • Difference-in-Differences and extensions
  • Synthetic controls
• Summarizing methods

Références clés

• Textes de niveau universitaire
  • Cameron A. C. & Trivedi P.K., 2005, Microeconometrics: Methods and Applications, Cambridge University Press.
  • Greene W.H., 1993, Econometric Analysis, Prentice Hall.
• Autres textes de niveau supérieur
  • Davidson R. & MacKinnon J.G., 1993, Estimation and Inference in Econometrics, Oxford University Press.
  • Wooldridge J.M., 2001, Econometric Analysis of Cross Section and Panel Data, MIT Press.

par Philipp Ketz

L’objectif de ce cours est de comprendre comment les méthodes d’apprentissage automatique peuvent être utiles pour l’évaluation des programmes et quelles sont les difficultés et les défis. Nous commencerons par une brève introduction à l’apprentissage automatique, en soulignant son utilité pour la prédiction. Ensuite, nous discuterons de deux adaptations récentes de l’apprentissage automatique en économie, où l’accent est mis sur l’inférence causale. Elles concernent respectivement l’estimation cohérente de l’effet moyen du traitement en présence de nombreuses variables de contrôle et l’analyse des effets hétérogènes du traitement dans le contexte des essais contrôlés randomisés (ECR).

Structure

• Introduction to machine learning
  • Cross-validation
  • Bias-variance tradeoff
• LASSO and (control) variable selection
  • LASSO and related regression based estimators
  • Lack of consistent variable selection
  • Treatment effect estimation in the presence of many control variables
• Tree-based regression methods
  • Regression trees
  • Random forests and related machine learning methods
• Estimating treatment effect heterogeneity using tree-based methods
  • Causal trees
  • Causal forests
• Estimating treatment effect heterogeneity using “generic” machine learning methods

Références principales

• Belloni A., Chernozhukov V. & Hansen C., 2014, “High-dimensional methods and inference on structural and treatment effects”, Journal of Economic Perspectives, 28(2), pp 29-50.
• Davis J. & Heller S. B., 2017, “Using Causal Forests to Predict Treatment Heterogeneity: An Application to Summer Jobs”, American Economic Review, 107(5), pp 546-50.
• James G. et al., 2013, An introduction to statistical learning, Springer.

Références supplémentaires

• Mullainathan S. & Spiess J., 2017, “Machine learning: an applied econometric approach”, Journal of Economic Perspectives, 31(2), pp 87-106.
• Varian H. R., 2014, “Big data: New tricks for econometrics”, Journal of Economic Perspectives, 28(2), pp 3-28.

Références techniques

• Athey S. & Imbens G., 2016, “Recursive partitioning for heterogeneous causal effects”, Proceedings of the National Academy of Sciences, 113(27), pp 7353-7360.
• Belloni A., Chernozhukov V. & Hansen C., 2014, “Inference on treatment effects after selection among high-dimensional controls”, The Review of Economic Studies, 81(2), pp 608-650.
• Chernozhukov V. et al., 2018, “Double/debiased machine learning for treatment and structural parameters”, The Econometrics Journal, 21(1), C1-C68.
• Chernozhukov V. et al., 2018, Generic machine learning inference on heterogenous treatment effects in randomized experiments, Working paper.
• Hastie T., Tibshirani R. & Friedman J., 2009, The elements of statistical learning, Springer.
• Wager S. & Athey S., 2018, “Estimation and Inference of Heterogeneous Treatment Effects using Random Forests”, Journal of the American Statistical Association, 113(523), pp 1228-1242.

par Martin Mugnier et Liam Wren-Lewis

Tous les étudiants doivent avoir une connaissance de base du logiciel STATA. Les étudiants assisteront à 1 heure et demie par jour d’ateliers pratiques, en fonction de leur niveau :

• Le groupe intermédiaire suivra le cours Policy Evaluation in Stata (professeur Liam Wren-Lewis) qui illustre les méthodes d’estimation présentées dans le cours théorique enseigné par David Margolis en utilisant des données d’observation provenant de diverses sources (par exemple des bases de données transversales collectant des informations sur le marché du travail et les résultats individuels liés à la santé, ainsi que des données au niveau de l’entreprise). Ce cours est destiné aux étudiants de niveau intermédiaire, il utilise le logiciel Stata et se déroule dans la salle informatique de PSE (équipée d’ordinateurs avec Stata installé).
• Le groupe avancé suivra le cours Machine learning in R (professeur Martin Mugnier). Ce cours est destiné aux étudiants qui n’ont pas besoin d’être guidés pour utiliser les commandes intégrées, et il couvre (largement) le matériel d’apprentissage automatique enseigné par Philipp Ketz. Ce cours est destiné aux étudiants avancés, il utilise le logiciel R et se déroule dans une salle de classe standard (les participants doivent apporter leur propre ordinateur portable avec R).