Enfoque metodológico en el curso introductorio de microeconomía

Données clés
Professeur(s)	Milet, Emmanuel Sbergami, Federica^[1]^[2]^[3] Ferro-Luzzi , Giovanni
Cours	Introducción a la microeconomía

Lectures

Languages

Français

¿Causalidad o correlación? El enfoque estadístico

Al analizar los datos hay una serie de escollos que pueden influir en el análisis de los economistas.

A partir de los años 30, se han desarrollado toda una serie de métodos para evitar caer en una serie de trampas.

Se trata de tener un poder de predicción para anticipar las reacciones (por ejemplo, la influencia de la intervención del Estado en la forma en que se pagan las prestaciones de desempleo).

El objetivo final es buscar una relación causal. Esto se llama identificación, se define un mecanismo causal.

La economía se basa en el análisis de los datos siempre según un modelo teórico (¿qué mecanismo se puede identificar?). El análisis cuantitativo (enfoque empírico) nunca se separa del modelo teórico.

El problema de la identificación

Una simple correlación puede interpretarse como un mecanismo causal.

covariación

Los datos se recogen en una variable X (bikini) e Y (hielo):

- una correlación entre estas dos variables puede verse es que la variable X causa la variable Y. Sólo vemos una correlación. Admitimos que hay una correlación positiva.
- Puede haber una covariación invisible debido a la información adicional que influye simultáneamente en las variables X e Y.

Lo único que se destaca es que una correlación no es una covariación, es una trampa bastante frecuente.

dirección de la causalidad

Cuanto más difícil es un país, más ayuda recibe del FMI (Fondo Monetario Internacional). El hecho de que el país esté en dificultades hace que su ayuda sea mayor. Por lo tanto, hay una correlación inversa.

El riesgo es dar una dirección equivocada a la causalidad por una mala interpretación de una variable.

Para evitar estos escollos, se han desarrollado varios mecanismos.

La economía en particular presta atención a la identificación de este mecanismo causal, así como a la identificación de análisis cuantitativos.

Cowles reunió a los economistas más importantes de su tiempo a través de una comisión a desarrollar con el fin de hacer un análisis cuantitativo que no estuviera influenciado por un juicio de valor (ideología, opinión, etc.).

La idea era desarrollar toda una serie de instrumentos para superar estos problemas de identificación de la causalidad o de una dirección de la causalidad que no fuera necesariamente la correcta.

Normalmente, si se quiere analizar el impacto en el desempleo de un aumento salarial, este fenómeno puede analizarse una vez, no se puede repetir la experiencia para ver qué habría pasado si no hubiera habido un aumento salarial.

Para poder identificar directamente un grupo causal, el análisis debe hacerse en un grupo de control, examinando el efecto en otro grupo que no hubiera sido sometido al mismo tratamiento.

Se están desarrollando técnicas empíricas que permiten realizar experimentos similares a los realizados en otras disciplinas.

Paso 1 - procesamiento y simplificación de los datos: obtenemos toda una serie de observaciones que no necesariamente sabemos hacer hablar. Es necesario simplificar es resumir las observaciones de N en un derecho de regresión.

<matemáticas>y = a + b . x</matemáticas>

Este proceso de resumir la información de N que proviene de la recolección de datos de un espacio bidimensional se llama el método de los mínimos cuadrados.

Nube... de puntos

Estamos reuniendo N informaciónces. Buscamos una derecha que pase por el medio de estos puntos. Toda esta información se resume en los parámetros a y b que definen la posición de la línea recta y la pendiente.

Es de esperar que exista una relación entre estas dos variables. Estos datos se han recopilado según los diferentes países, que se traducen gráficamente:

1er paso: resumimos las observaciones de N, tan pronto como conocemos la pendiente y la intercepción de esta línea podemos determinar las relaciones de la abscisa y la ordenada.

Queremos estimar una línea que tendrá una forma de este tipo:

A partir de estos dos parámetros podemos deducir el nivel de estrés. La dificultad radica en encontrar una línea que resuma mejor la correlación. Debemos encontrar un método que nos permita determinar una línea recta que estime correctamente la información recogida.

La línea de regresión y la técnica de los mínimos cuadrados

El análisis de los mínimos cuadrados resume toda la información disponible de manera significativa. La forma de encontrar los parámetros a y b es minimizar todas las distancias cuadradas entre los puntos de observación y el valor correspondiente leído en la línea.

Esto es tal que la suma de las distancias entre la N2 y la línea de regresión es mínima. Sin embargo, este método asegura un margen de error mínimo.

Uno puede muy bien imaginar un mecanismo que va desde el estrés hasta el desempleo. La trampa es gastar que una vez que se estima un cierto nivel de desempleo, causa un cierto nivel de estrés. La relación puede ser al revés.

Muestra una simple correlación.

Este método encontrará el correcto. Es el hecho de minimizar la suma de las observaciones lo que, por este procedimiento, permitirá encontrar los parámetros a y b y determinar la línea de regresión.

Généralisation

Cette méthode peut être généralisée afin d’estimer un paramètre qui va résumer ces trois variables dans une simple équation linéaire.

Cela relève d’une simple corrélation entre les variables étudiées. Il faudrait voir si cette simple corrélation serait un mécanisme de causalité.

À la recherche de la causalité: les diverses techniques

Difficultés : la causalité inverse

Il existe différentes théories dans l’économie :

théorie du capital humain : Plus on acquérir de connaissance plus le salaire sera élevé – on construit un capital humain en augmentant sa propre productivité. La relation causale va des qualifications vers le revenu
théorie du signal : les talents des travailleurs est une variable que l’employeur ne peut directement observer. On peut observer le résultat mais directement le talent. Alors les travailleurs vont étudier une année supplémentaire pour signaler son talent supérieur.

Le sens de causalité est inverse : le talent qu’on ne peut pas observer directement fait étudier plus et donc augmenter le salaire.

Ici la simple analyse des données ne permet pas d’identifier le mécanisme. On doit développer d’autres méthodes notamment qualitatives pour déterminer la faction qui engendre une augmentation du salaire.

Par exemple, il y a un pourcentage élevé de décès qui se vérifie quand une personne est allongée dans son lit. Le fait d’être allongé dans son lit n’est pas un déterminant unique. L’état de santé de l’individu rentre aussi en jeu.

Le « contrefactuel »

L’idée est d’arriver à identifier un mécanisme de causalité. On cherche par exemple à déterminer l’effet d’une augmentation du salaire minimum le taux de chômage. En d’autre terme le contrefactuel indique quelle est la variation de Y (variable indépendance) si X (variable dépendant) n’avait pas varié

Théoriquement, il faudrait faire deux expériences :

prendre une certaine région est pratiqué l’augmentation du salaire minimum puis regarder la conséquence sur le taux de chômage
Inversement on s’intéresse à l’évolution du taux de chômage sans variation du salaire minimum

La différence va nous permettre d’attribuer l’impact sur le taux de chômage après l’introduction du salaire minimum. Cependant on ne peut réévaluer la situation économique par le processus inverse afin d’observer la variation.

Il faut développer des analyses qui permettent de se rapprocher du contrefactuel. Ces méthodes se font en employant différentes méthodologies.

La technique des expériences contrôlées

On crée artificiellement et de manière aléatoire des « groupes de traitement » dans l’un ou on va modifier la variable et un « groupe de contrôle » dans lequel on ne change rien. Ensuite on compare à terme les résultats, c’est-à-dire l’effet de la variable X sur la variable Y.

On cherche des groupes similaires afin d’isoler la variable unique étant donné tout le reste ; ainsi les deux groupes sont théoriquement identiques. Dans ce cas le groupe de contrôle crée le contrefactuel qui permet de coir l’impact de la mesure par différence sur le groupe de traitement

Donc, l’idée est de distinguer les deux groupes seulement par la valeur modifiée tout en s’employant à avoir deux groupes les plus similaires possible.

Il y a cependant des difficultés éthiques avec l’expérimentation. D’autre part si on travaille avec des volontaires, est que ceux-ci ne constitueront pas un échantillon représentatif de la population : ils seront un échantillon particulier et surtout auto-sélectionné. De plus ceux choisissent faire partie de l’expérimentation sont sans doute ceux qui en bénéficient le plus.

Exemple :

Quand on s’intéresse au lien entre le salaire et le taux d’emplois on observe que lorsqu’on offre un salaire faible on diminue l’incitation des individus à se mettre sur le marché du travail. Cette personne aura un coût d’opportunité élevé (baby-sitter, coûts de transport, etc.).

Pour il faut évaluer l’impact d’une étude faite dans deux provinces du Canada en créant un « groupe de traitement » et un « groupe de contrôle ».

groupe de traitement : introduction d’une incitation salariale
groupe de contrôle : aucune incitation

On a observé un taux d’incitation plus élevé dans le groupe de traitement que dans le groupe de contrôle.

Cependant, d’autres facteurs peuvent influencer le résultat ; pour pouvoir identifier un mécanisme de causalité il faut isoler la variable du reste d’ou la création du groupe du contrôle.

On a remarqué que ces deux groupes avaient presque le même comportement économique. Les individus qui constituent ces groupes sont en moyenne très similaires.

Après introduction de l’incitation le taux de participation du groupe de traitement augmente de manière considérable. On peut dire que durant les premiers mois la politique d’intégration salariale a eu un impact impressionnant et il est possible d’affirmer que c’est la mesure d’incitation qui a influencée uniquement cette expansion, ce qui a permis d’isoler le mécanisme de causalité.

Par contre on constate que les comportements se resserrent finalement. On utilise une astuce par l’analyse quantitative qui permet d’isoler l’impact d’une certaine variable sur une autre.

Ces méthodes posent des problèmes éthiques parce qu’il s’agit d’expériences parlantes faites directement sur des individus.

La technique des expériences naturelles

Il y a un choc externe qui va provoquer une séparation nette entre deux groupes à savoir le groupe de contrôle et le groupe de traitement. L’idée est de faire une comparaison par rapport à la situation initiale pour pouvoir isoler l’impact du choc sur le groupe de traitement.

Exemple :

Concernant le taux de chômage il y a deux théories alternatives, ce sont les théories keynésiennes basés sur une incitation à la production afin de relancer la production et intensifier la demande de travail, et les théories néoclassiques qui pensent que si on augmente le salaire minimum alors on provoque un taux de chômage plus élevé.

En 1992 aux Etats-Unis on a augmenté le salaire minimum dans un État passant de 4.5$ à 4.95%. Dans un État limitrophe la hausse n’a pas été observée. On a donc deux groupes de contrôles. En faisant une comparaison du taux de chômage on peut isoler l’impact de l’augmentation du salaire minimum sur le chômage. On sait qu’on est confronté au même type de travailleur, seul l’introduction d’un salaire plus élevé différencie les deux États.

Dans la restauration l’augmentation du salaire a un impact effectif sur les travailleurs.

Juste après l’augmentation du salaire minimum, au New Jersey il a eu d’abord une augmentation du taux d’occupation, puis une stabilisation. C’est seulement 4 années plus tard que le taux d’emploi augmente dans le groupe de contrôle à savoir la Pennsylvanie :

Les explications :

en 1992, on est en période de crise ce qui fait que les entreprises gardent leurs salaires parce que cela coute cher de les former
concernant les établissements de restauration, ces entreprises vont se placer là ou les coûts sont les plus faibles
après quelque années c’est en Pennsylvanie que le taux d’occupation est le plus élevé parce que le salaire et plus faible

La technique de l'utilisation des discontinuités

On profite d’une discontinuité, c’est-à-dire d’une différence entre deux groupes soit une variable qui permet de distinguer deux groupes afin de pouvoir analyser les différences de comportement entre le groupe de traitement et le groupe de contrôle. Grâce à la valeur critique on définit les groupes de traitement et les groupes de contrôle

Exemple :

Plus la taille des classes est critique plus l’élève pourrait profiter de l’enseignement et avoir une performance aux examens qui est meilleurs.

Dans ce cas on ne peut se limiter à de simples comparaisons entre des classes avec peu d’élèves. Il y a ici une distorsion en fonction de l’origine sociale de l’enfant.

Pour pouvoir isoler l’impact de la taille de la classe deux chercheurs on étudier le cas des écoles israéliennes. Dans la culture juive on limite la taille de la classe afin de ne jamais dépasser 40 élèves.

On a un groupe de traitement qui sont les élèves dans les écoles avec un effectif de maximum 40 élèves. Ensuite on compare ces élèves avec d’autres écoles qui ont des effectifs supérieur à 40 personnes.

Il est possible de remarquer que les performances dans le test de lecture baissent si la taille de la classe augmente.

La seule différence entre les élèves concerne donc la taille de la classe. On a isolé un mécanisme de causalité qui permet de rendre compte de l’impact effectif de la dimension de la classe sur le test de lecture.

Les méthodes instrumentales

Cette méthode consiste à isoler les variables dites « instrumentales ». Elle est utile si on est dans une situation de variable manquante, si on veut savoir si X à une incidence sur Y ou si une troisième variable Z peut influencer simultanément les deux variables précédentes.

On cherche une troisième variable liée à la variable explicative que l’on substitut à la variable instrumentale. Ensuite on regarde l’impact sur la variable indépendante.

En d’autres termes, un instrument est une variable corrélée uniquement avec la variable d’intérêt mais pas avec les autres facteurs explicatifs.

Exemple :

Plus on étudie plus on augmente la productivité de l’individu. Cependant ce n’est pas nécessairement avec une année supplémentaire d’étude qu’on acquiert des connaissances, il faut prendre en compte le talent des individus qui va influencer simultanément les années d’études et les revenus de l’individu. Pour tester ces deux théories on compare les élèves puis on analyse les revenus des élèves étant nait durant la première partie de l’année avec ceux étant nait durant la deuxième partie de l’année.

L’entrée à l’école dépend du mois ou l’on nait, la sortie est indépendante du mois d’entré. On a deux groupes qui permettent de mettre en évidence que ceux qui sont nés en deuxième partie d’année passe un peu plus de temps à l’école.

Sur le second graphique on voit que les personnes nés en deuxième partie d’année on un salaire plus élevé que ceux nés en première partie d’année.

La seule différence systématique concerne le moment ou ils sont nés. On isole seulement la variable « temps passé à l’école »

La causalité au sens de Granger

Cette méthode permet d’isoler un mécanisme de causalité spécifique. La procédure est d’analyser le comportement des séries chronologiques des variables. Il traduit la séquentialité des événements.

Les agents forment des anticipations qui peuvent les conduire à réagir non pas en fonction du passé mais en fonction de l’avenir.

$X_{t}=a\times b\times Y_{(}t-1)+{\text{autre variable de contrôle}}$ : on observe les valeurs de la variable $Y$ retardée ( $t-1$ ) : $X_{t}=a^{t}+b^{t}\times Y_{(}t-1){\text{autre variable de contrôle}}$

Ensuite on s’intéresse à l’existence d’une relation entre la variable Y et la variable $X$ au temps $t$ . Si le paramètre b est significatif on peut dire que la variable b engendre la variable $X$ .

Exemple : En France, entre 1989 est 2006, il y a une corrélation positive forte entre croissance du PIB et la consommation.

L’idée est que l’analyse des données peut déduire s’il y a une corrélation. En l’état on ne peut rien admettre.

La théorie de Granger par une analyse temporelle permet d’estimer les paramètres et de voir quel facteur influence l’autre. L’analyse des séries chronologiques montre une corrélation, lorsque l’on a un pic positif dans la production se produit une augmentation de la consommation. Ainsi on peut affirmer que la variation du PIB prime la variation de la consommation.

Cette technique montre qu’il y a un cercle vertueux qui se met en place dans le sens que si la production augmente il va y avoir une augmentation de la consommation qui va elle-même engendrer une hausse de la production.

Limite :

Les variations de variables dépendent des anticipations. Très souvent la variable Y retardée pourrait être influencée par les prévisions des individus induit par la variable X. Il y a un rôle des anticipations très courant en économie qui n’est pas pris en compte par l’analyse de la causalité au sens de Granger.

En d’autres termes, la causalité au sens de Granger ne tient plus puisqu’elle peut prédire une causalité inverse à celle qui existe réellement. Ainsi les économètres préfèrent parler de « prédictibilité au sens de Granger » car le pouvoir d’anticipation des agents économiques est un problème fondamental pour l’économie empirique.

Les agents économiques ont des anticipations qui dépendent d’eux-mêmes et plus fondamentalement de la représentation qu’ils se font du monde.

Une dernière recommandation

Très souvent les modèles théoriques plutôt que d’être représentés avec des équations seront représentés par des graphiques.

Dans le modèle de l’offre et de la demande la relation entre le prix et la quantité est inverse. On induit aussi une relation avec le revenu de l’individu qui donne la fonction suivant $F(p,R)$

Il y a une différence fondamentale :

mouvement le long de la courbe : quand il y a une variation en fonction d’une variable on lit la variation le long de la courbe, cela est dû à une variation endogène
déplacement de la courbe : quand la variation dépend d’un facteur exogène la variation se déplace sur le graphe

Anexos

Referencias

[1] Page personnelle de Federica Sbergami sur le site de l'Université de Genève

[2] Page personnelle de Federica Sbergami sur le site de l'Université de Neuchâtel

[3] Page personnelle de Federica Sbergami sur Research Gate

[1]

[2]

[3]