Techniques économétriques d’Evaluation d’Impact
Pratique de la Double Différence avec R
Julien Parfait Bidias
2025-05-13
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 1 / 21
Background
La méthode des doubles différences (DID) est une approche quasi-
expérimentale permettant d’estimer l’impact d’un programme ou d’une
politique publique. Elle compare l’évolution d’un indicateur socioéconomique
entre un groupe bénéficiaire (groupe de traitement) et non bénéficiaire
(groupe de contrôle), avant et après l’intervention. Elle permet d’isoler
l’effet de l’intervention des autres facteurs temporels ou structurels qui
pourraient influencer la variable étudiée (variable cible).
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 2 / 21
Background
Cette méthode est appelée « méthode des doubles différences » car elle
repose sur deux comparaisons successives. D’abord, on calcule la différence
entre la moyenne de la variable de résultat dans le groupe de traitement avant
et après la mise en place de la politique. Ensuite, on enlève à cette différence
la même mesure effectuée sur le groupe de contrôle. Cette approche utilise
l’évolution des données dans le temps (même si les individus des groupes
peuvent changer) pour évaluer l’impact de la politique après sa mise en
œuvre.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 3 / 21
Background
Important
Ainsi, l’efficacité de cette méthode ne suppose pas que les non-bénéficiaires
auraient eu les mêmes résultats que les bénéficiaires sans intervention mais
elle repose uniquement sur l’idée qu’en l’absence de politique, la variable de
résultat aurait évolué de la même manière dans les deux groupes (hypothèse
des tendances parallèles).
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 4 / 21
Principe de la méthode DID
Le principe repose sur deux comparaisons :
La variation de l’indicateur dans le groupe traité entre les périodes
avant (t = 0) et après (t = 1) l’intervention.
Cette variation est comparée à celle observée dans le groupe témoin sur
la même période.
La double différence est interprétée comme l’effet moyen de l’intervention
sur la variable de résultat.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 5 / 21
Formulation mathématique
Soient YtT et YtC les résultats pour le groupe traité (T ) et le groupe de
contrôle (C), à t = 0 (avant) et t = 1 (après) :
h i h i
DD = E(Y1T − Y0T | T1 = 1) − E(Y1C − Y0C | T1 = 0) (1)
On peut aussi écrire :
γ = (Y11 − Y10 ) − (Y01 − Y00 ) (2)
Y11 : résultat moyen groupe traité après l’intervention
Y10 : résultat moyen groupe traité avant l’intervention
Y01 : résultat moyen groupe contrôle après l’intervention
Y00 : résultat moyen groupe contrôle avant l’intervention
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 6 / 21
Modèle de régression associé
La méthode DID peut être implémentée à l’aide d’une régression :
Yit = α + β1 dit + β2 Ti + γ(dit × Ti ) + εit (3)
Ou avec variables de contrôle Xit :
Yit = α + β1 dit + β2 Ti + β3 Xit + γ(dit × Ti ) + εit (4)
γ : effet moyen estimé du programme (noté DID)
dit : indicateur de période (1 si après l’intervention)
Ti : indicateur de groupe traité
Xit : covariables ou variables de controles
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 7 / 21
Hypothèses fondamentales
La validité de l’estimation repose principalement sur :
Hypothèse de tendance parallèle : en l’absence de traitement, les
trajectoires des groupes auraient été similaires.
Spécification correcte du modèle : structure additive et erreurs non
corrélées aux covariables.
Absence de traitement anticipé : le programme n’a pas influencé les
résultats avant sa mise en œuvre.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 8 / 21
Extension à plusieurs périodes
La méthode DID peut être étendue à un modèle à effets fixes avec plusieurs
périodes :
Yit = αi + δt + γ(dit × Ti ) + εit
où αi capte les effets fixes individuels et δt les effets temporels communs.
L’effet estimé reste γ, représentant la variation différentielle entre les groupes
dans le temps.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 9 / 21
Avantages et limites
Avantages :
Méthode simple, interprétable, et applicable sans expérimentation
contrôlée.
Corrige les différences initiales entre groupes.
Limites :
Valide uniquement si l’hypothèse de tendance parallèle est plausible.
Estime un effet moyen sur les traités (ATT), pas sur la population
totale (ATE).
Ne capte pas les hétérogénéités de traitement entre individus.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 10 / 21
Exemple d’application
Considérons le jeu de données suivant, qui décrit les caractéristiques de
7 652 individus, dont certains ont bénéficié d’un programme de bourses
(groupe de traitement) et d’autres non (groupe de contrôle). Une première
enquête a été réalisée en 2016, avant que les bénéficiaires ne reçoivent les
transferts. L’enquête finale a été menée en 2019, soit trois ans après le début
du programme.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 11 / 21
Présentation des variables
Table 1: Récapitulatif des variables
Variables Description Nature
t (2016, 2019) La période de mise en place du pro- Explicative
gramme
treat (traitement) Identifie le groupe de l’individu Explicative
(non bénéficiaire ou bénéficiaires)
(totcons) Consom- Dépenses totales de consommation À expliquer
mation mensuelle (en FCFA)
hhwgt Variable de pondération Pondération
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 12 / 21
Présentation des données
Table 2
t treat totcons hhwgt
2019 Control 267665.91 46
2019 Treatment 118913.12 46
2019 Control 246027.88 35
2019 Control 114390.30 46
2019 Treatment 89104.27 56
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 13 / 21
Mise en oeuvre avec R
Le code ci-dessous permet d’avoir la moyenne de la consommation totale
des différents groupes (Bénéficiaires et non bénéficiaires) avant et après la
mise en place du programme.
resultats <- data %>%
# Regroupement des données
# par période "t" et groupe de traitement "treat"
group_by(t, treat) %>%
# Calcul de la moyenne de la consommation totale
# pour chaque groupe avec hhwgt le poids
summarise(Moyenne = [Link](totcons, w = hhwgt),
.groups = "drop")
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 14 / 21
Calcul de l’estimateur DID
Considérons notre variable cible Y comme étant la consommation totale.
En appliquant la formule (équation (2)) de l’estimateur de la DID, via le
précédent code, on obtient le tableau des résultats ci-dessous :
Table 3
t treat Moyenne
2016 Control 131563.3
2016 Treatment 133767.8
2019 Control 156187.5
2019 Treatment 166118.1
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 15 / 21
Interprétation
Calcul de l’estimateur
γ = (166118,1 - 133767,8) - (156187,5 - 131563,3)
γ = 7726,1
γ est l’estimateur de la double différence.
Ce résultat permet d’apprécier l’impact du programme de bourse sur la
consommation totale des bénéficiaires par rapport aux non-bénéficiaires en
2019.
En moyenne, les ménages bénéficiaires ont enregistré des dépenses mensuelles
totales de 166 118 FCFA, contre 156 188 FCFA pour les non-bénéficiaires.
L’estimation par DID indique une augmentation attribuable au programme
de 7 726 FCFA. Cette hausse représente une amélioration notable du niveau
de vie des bénéficiaires.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 16 / 21
Visualisation
Non bénéficiaires Bénéficiaires
166 118
156 188
Figure 1: Evolution des dépenses moyennes par groupe en 2019
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 17 / 21
Application à travers le modèle de regression
L’application de l’équation (2) ne permet de dire si le programme a un effet
significatif. Ce que justifie le recours à un modèle de [Link] applique
dans ce la formule de l’équation (3). D’où le code ci-dessous :
# Régression avec pondération
modele <- lm(totcons ~ t + treat + interaction,
data = data, weights = hhwgt)
# Erreurs robustes de type HC1
modele <- coeftest(modele,
vcov = vcovHC(modele, type = "HC1"))
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 18 / 21
Résultats de la regression
Table 4: Estimation
(1)
(Intercept) 131 563.316***
(1847.933)
t 24 624.171***
(2950.771)
treat 2204.504
(2753.094)
interaction 7726.129+
(4198.637)
[Link]. 7652
AIC 211 215.7
BIC 264 313.7
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 19 / 21
Interprétation
Les résultats de l’estimation du modèle Yit = α+β1 dit +β2 Ti +γ(dit ×Ti )+εit
où Yit représente les dépenses totales de consommation, permettent de
conclure que l’estimateur DID est égal à γ = 7726,129. Ce résultat est
significatif au seuil de 10 %.
En somme, sous réserve de la vérification des hypothèses du modèle, les résul-
tats suggèrent un impact positif du programme de bourse sur les bénéficiaires.
Autrement dit, le programme a permis une augmentation des dépenses de
consommation de
7726,129
× 100 ≈ 4,65%.
166118,1
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 20 / 21
Conclusion
La méthode des différences-en-différences (DID) est pour analyser l’effet
causal du programme ou d’une politique publique mise en place entre plusieurs
périodes. Elle utilise l’évolution des données dans le temps (même si les
individus des groupes peuvent changer) pour évaluer l’impact de la politique
après sa mise en œuvre.
Julien Parfait Bidias Techniques économétriques d’Evaluation d’Impact 2025-05-13 21 / 21
