Notre approche

Trois dimensions complémentaires de l’évaluation.

Mesurer les effets causaux

Estimer les effets réels des interventions publiques sur les populations concernées.

L’évaluation scientifique des effets des interventions publiques sur les conditions socioéconomiques, éducatives, sanitaires et environnementales des populations contribue à l’amélioration du bien-être individuel et collectif. Elle vise notamment à établir une relation de cause à effet entre les interventions publiques et les changements observés dans ces différentes dimensions.

Analyser les effets hétérogènes

Estimer les différences d’effets réels entre les groupes de bénéficiaires de l’intervention.

Estimer, dans la mesure du possible, l’hétérogénéité des effets des politiques et des programmes publics selon les groupes de bénéficiaires à un programme. Par exemple, un programme dont l’effet moyen est défavorable peut néanmoins produire des effets bénéfiques pour certains participants. Une évaluation fondée uniquement sur l’effet moyen risque alors de masquer des différences importantes entre les groupes de bénéficiaires.

Éclairer la décision publique

Synthétiser les résultats scientifiques pour soutenir l’amélioration des politiques et des programmes.

Cette démarche s’inscrit dans un contexte où les gouvernements définissent leurs orientations et leurs priorités en fonction des engagements politiques qui ont contribué à leur accession au pouvoir. Les résultats de la recherche scientifique peuvent alors leur apporter un éclairage empirique sur les effets attendus ou observés des politiques publiques et soutenir leur adaptation à la lumière des données probantes.

Les méthodes d’évaluation

Une expertise mobilisant différentes approches quantitatives.

Méthodes économétriques

  • MCO et effets fixes
  • Variables instrumentales
  • Doubles différences
  • Régression sur discontinuité
  • Appariement sur les scores de propension
  • Autres

Statistiques et apprentissage machine

Des outils statistiques et algorithmiques permettant d’analyser les relations complexes et les différences d’effets entre les populations :

  • Forêts aléatoires causales

Robustesse causale

Évaluer la sensibilité des résultats aux biais de variables omises :

  • Approche d’Oster
  • Bornes de Rosenbaum
  • Tests de robustesse
Scroll to Top