{"id":108,"date":"2024-01-11T12:38:05","date_gmt":"2024-01-11T11:38:05","guid":{"rendered":"https:\/\/people.unil.ch\/johnantonakis\/?page_id=108"},"modified":"2024-02-16T11:32:46","modified_gmt":"2024-02-16T10:32:46","slug":"endog_fr-htm","status":"publish","type":"page","link":"https:\/\/people.unil.ch\/johnantonakis\/endog_fr-htm\/","title":{"rendered":"Endog\u00e9n\u00e9it\u00e9"},"content":{"rendered":"\n

in english<\/a><\/p>\n\n\n\n

Retour au podcast <\/p>\n\n\n\n

https:\/\/www.youtube.com\/watch?v=bIfTBJCaWR8<\/a><\/p>\n\n\n\n

Pi\u00e8ces jointes <\/p>\n\n\n\n

Causality_and_endogeneity_final.pdf<\/a> (non traduit)<\/sup><\/p>\n\n\n\n

Causal_Claims.pdf<\/a> (non traduit)<\/sup><\/p>\n\n\n\n

2slsdata.xls.zip<\/a><\/p>\n\n\n\n

[Transcription]<\/strong><\/p>\n\n\n\n

[00:07] Bonjour, je m\u2019appelle John Antonakis. Je suis professeur de Comportement Organisationnel \u00e0 l’Universit\u00e9 de Lausanne.<\/p>\n\n\n\n

[00:15] Aujourd’hui, je vais vous parler d’un sujet que beaucoup de chercheurs ne savent pas ou prennent soin \u00e0 \u00e9viter: l’endog\u00e9n\u00e9it\u00e9.<\/p>\n\n\n\n

[00:24] \u00c7a sonne mal et c’est mauvais. C’est comme un virus mortel qui menace la viabilit\u00e9 de mod\u00e8les qui font des d\u00e9clarations causale concernant la relation entre une variable d\u00e9pendante et une variable ind\u00e9pendante.<\/p>\n\n\n\n

[00:39] Qui a besoin de savoir \u00e0 propos de l’endog\u00e9n\u00e9it\u00e9? Les chercheurs, les \u00e9tudiants, mais plus important les d\u00e9cideurs politiques et priv\u00e9s. L’endog\u00e9n\u00e9it\u00e9 rode toujours dans l’arri\u00e8re-plan. C’est pourquoi c’est important de savoir ce que c’est, pourquoi c’est mortel pour la recherche, et comment y faire face.<\/p>\n\n\n\n

[01:03] On est sans arr\u00eat bombard\u00e9s avec des soi-disant d\u00e9clarations causales et qui ont des implications pratiques. Par exemple, choisissant une quelconque politique d\u2019entreprise ou un syst\u00e8me de contr\u00f4le am\u00e9liore, apparemment, le rendement de l\u2019entreprise. Ou, de bonnes relations entre le leader et ses subalternes (le LMX) r\u00e9duit, apparemment, le tournus et am\u00e9liore la satisfaction. Avoir plus de femmes au comit\u00e9 de direction accroit, apparemment, la profitabilit\u00e9 des firmes.<\/p>\n\n\n\n

[01:32] Des chercheurs et consultants font souvent ces revendications, mais ces r\u00e9sultats sont-ils r\u00e9ellement valables? Comment pouvons-nous savoir si c’est le cas?<\/p>\n\n\n\n

[01:43] Comme vous le verrez \u00e0 la fin de ce podcast, tr\u00e8s souvent, de telles affirmations, si elles n’ont pas \u00e9t\u00e9 observ\u00e9es dans certaines conditions, seraient g\u00e9n\u00e9ralement fausses.<\/p>\n\n\n\n

[01:52] Pour mieux comprendre le probl\u00e8me d’endog\u00e9n\u00e9it\u00e9, imaginez une philosophe qui est sortie dans un champ o\u00f9 elle est suppos\u00e9e observer un ph\u00e9nom\u00e8ne qui va se produire 50 fois. Son but est de reconstituer ce qu’elle voit et fournir une explication th\u00e9orique de ce qu’elle a observ\u00e9.<\/p>\n\n\n\n

[02:12] Ainsi, la philosophe se prom\u00e8ne sur le champ, et elle regarde tout autour d’elle, elle entend quelques oiseaux, rien d’inhabituel. Soudain, un disque vole \u00e0 travers le ciel (pffffft pfffft pfffft). Elle entend un craquement, et le disque se brise en mille morceaux. Perplexe devant cet incident, elle regarde \u00e0 nouveau.<\/p>\n\n\n\n

[02:42] Soudain, elle entend encore le bruit du disque dans le ciel (pffffft pfffft pfffft). Un autre disque appara\u00eet. Elle entend le craquement et le disque se brise \u00e0 nouveau. Cela arrive plusieurs fois. La plupart du temps qu’elle entend un craquement, le disque se brise.<\/p>\n\n\n\n

[03:02] Apr\u00e8s un temps de r\u00e9flexion \u00e0 propos du ph\u00e9nom\u00e8ne, la philosophe vient \u00e0 une conclusion. Une explication th\u00e9orique qui \u00e9mane du craquement. Elle arrive \u00e0 cette conclusion apr\u00e8s avoir observ\u00e9 50 essais, et elle est vraiment convaincue que \u00e7a doit \u00eatre le son qui a d\u00e9truit les disques.<\/p>\n\n\n\n

[03:25] Jetons un regard sur les donn\u00e9es qu\u2019elle a recueillies.<\/p>\n\n\n\n

[03:29] Donc, voici les donn\u00e9es qui montrent exactement ce que la philosophe a vu et ce qu’elle a enregistr\u00e9. Ici, il n’y avait pas craquement. Comme vous le voyez, sur 19 essais, le disque est rest\u00e9 intact et il n’a jamais \u00e9t\u00e9 d\u00e9truit.<\/p>\n\n\n\n

[03:48] Par ici, c’est quand elle a entendu le craquement. Sur 29 essais o\u00f9 le craquement est survenu, les disques ont \u00e9t\u00e9 bris\u00e9s ; sur deux essais, o\u00f9 le craquement est  survenu le disque ne s’est pas bris\u00e9.<\/p>\n\n\n\n

[04:02] Comme vous pouvez le voir, il y a une relation tr\u00e8s forte entre les deux variables. C’est \u00ab en entendant le bruit \u00bb et \u00ab les \u00e9clats \u00bb. Lorsque le bruit est pr\u00e9sent, le disque se brise souvent. En fait, la probabilit\u00e9 est extr\u00eamement \u00e9lev\u00e9e.<\/p>\n\n\n\n

[04:17] Et, lorsque le son n’est pas l\u00e0, il y a une certitude \u00e0 presque 100% que le disque ne se brise pas.<\/p>\n\n\n\n

[04:24] Nous pouvons en effet estimer la relation entre ces deux variables. Ceci est en fait appel\u00e9 un coefficient phi, et il est de .92. Il est presque parfait. Par cons\u00e9quent, que pouvons-nous conclure? Lorsque le bruit est pr\u00e9sent, il est fort probable que le disque se brise et quand le bruit n’est pas pr\u00e9sent, il est fort probable qu’il ne se brise pas.<\/p>\n\n\n\n

[04:43] Maintenant, voici une question pour vous: la philosophe peut-elle effectivement conclure que le bruit fait voler en \u00e9clats le disque? La corr\u00e9lation observ\u00e9e, et je souligne \u00ab observ\u00e9e \u00bb, est tr\u00e8s forte et elle est statistiquement significative. C’est \u00e0 dire, que cette relation est tr\u00e8s fiable et n’est pas due au hasard. Mais, s’y refl\u00e8te r\u00e9ellement la v\u00e9ritable relation entre le son et le disque qui se fracasse?<\/p>\n\n\n\n

[05:11] Il semble que le crac entra\u00eene le disque \u00e0 se briser. Parlons des variables en termes de \u00ab\u00a0x\u00a0\u00bb, la cause, et \u00ab\u00a0y\u00a0\u00bb, le r\u00e9sultat apparent.<\/p>\n\n\n\n

[05:21] Supposons que le diagramme suivant de causalit\u00e9 o\u00f9 \u00ab\u00a0x\u00a0\u00bb cause  \u00ab\u00a0y\u00a0\u00bb, et Il y a quelque chose qui cause \u00ab\u00a0y\u00a0\u00bb \u00e9galement que nous n’observons pas : Nous appelons cela un terme de perturbation, le terme \u00ab\u00a0e\u00a0\u00bb ici ; ou, peut-\u00eatre, les causes non mesur\u00e9es. Comme vous pouvez le voir, la raison pour laquelle cela existe est parce que nous n’avons pas parfaitement pr\u00e9dit quand le disque se brisera en fonction du bruit. Nous avons des erreurs, ce qui a \u00e9t\u00e9 montr\u00e9 dans le graphique \u00e0 barres. Ce sont les rat\u00e9s que nous avons eu.<\/p>\n\n\n\n

[05:50] Le probl\u00e8me avec cette sp\u00e9cification causale est que \u00ab\u00a0x\u00a0\u00bb ici n’est pas r\u00e9ellement exog\u00e8ne. Il d\u00e9pend de quelque chose. Et si ce quelque chose n’est pas pris en compte dans le mod\u00e8le, la relation que nous allons estimer entre \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb sera, en fait, tr\u00e8s biais\u00e9e.<\/p>\n\n\n\n

[06:09] Maintenant, voici le gros probl\u00e8me: l\u2019endog\u00e9n\u00e9it\u00e9. Les causes de \u00ab\u00a0x\u00a0\u00bb peuvent aussi causer \u00ab\u00a0y\u00a0\u00bb. C’est \u00e0 dire, \u00ab\u00a0u\u00a0\u00bb et \u00ab\u00a0e\u00a0\u00bb, ces causes inconnues peuvent \u00eatre corr\u00e9l\u00e9es ou peut-\u00eatre dues \u00e0 la m\u00eame variable. Et cette variable est ce que nous appelons \u00ab une cause omise \u00bb.<\/p>\n\n\n\n

[06:29] Lorsqu\u2019on ajoute \u00ab\u00a0z\u00a0\u00bb dans le mod\u00e8le, nous nous rendons compte de ce qui provoque \u00e0 la fois \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb. En fait, la relation entre les \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb est inexistante. Il est nulle, z\u00e9ro.<\/p>\n\n\n\n

[06:47] Pour mieux comprendre pourquoi la relation entre \u00ab x \u00bb et \u00ab y \u00bb est en fait z\u00e9ro, j\u2019ai estim\u00e9 une r\u00e9gression multivariable o\u00f9 :<\/p>\n\n\n\n

1.     \u00ab\u00a0z\u00a0\u00bb pr\u00e9dit \u00ab\u00a0x\u00a0\u00bb, le volume du son, en utilisant un mod\u00e8le lin\u00e9aire<\/p>\n\n\n\n

2.     \u00ab\u00a0z\u00a0\u00bb pr\u00e9dit \u00ab\u00a0y\u00a0\u00bb, si le disque a \u00e9t\u00e9 bris\u00e9, en utilisant un mod\u00e8le de probabilit\u00e9s lin\u00e9aire, estim\u00e9 par les moindres carr\u00e9s (ordinaires)<\/p>\n\n\n\n

3.     les perturbations de \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb, \u00ab\u00a0u\u00a0\u00bb et \u00ab\u00a0e\u00a0\u00bb respectivement, sont corr\u00e9l\u00e9es<\/p>\n\n\n\n

La corr\u00e9lation r\u00e9siduelle entre \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb est en fait z\u00e9ro quand le mod\u00e8le prend en compte les causes de \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb. Pour des notes d\u00e9taill\u00e9es et pour t\u00e9l\u00e9charger ces donn\u00e9es, veuillez suivre le lien suivant sur ma page web :<\/p>\n\n\n\n

https:\/\/www.hec.unil.ch\/jantonakis\/disk.xls<\/a><\/p>\n\n\n\n

[07:43] Donc, ceci est le vrai mod\u00e8le. \u00ab\u00a0z\u00a0\u00bb provoque \u00e0 la fois \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb. \u00ab\u00a0x\u00a0\u00bb est la puissance du crac entendu par la philosophe, qui est caus\u00e9 par un coup de fusil: la variable omise \u00ab\u00a0z\u00a0\u00bb. Ce qu’elle entend est aussi caus\u00e9 par \u00ab\u00a0u\u00a0\u00bb, une cause non mesur\u00e9e, peut-\u00eatre le bruit de fond, ce qui perturbe un peu ce qu’elle a entendu. Le disque qui se fracasse est caus\u00e9 par \u00ab\u00a0z\u00a0\u00bb ainsi, et \u00ab\u00a0e\u00a0\u00bb qui est : une cause al\u00e9atoire non-mesur\u00e9e. Il pourrait avoir \u00e9t\u00e9 le vent quand le tireur a tir\u00e9 et qui a d\u00e9rang\u00e9 la direction des balles, ce qui explique pourquoi elles ont manqu\u00e9 les disques. Donc, ce fut une cause al\u00e9atoire, qui n’est pas mesur\u00e9e dans le mod\u00e8le et non corr\u00e9l\u00e9e avec \u00ab\u00a0z\u00a0\u00bb.<\/p>\n\n\n\n

[08:32] Pour en revenir \u00e0 la philosophe dans le champ, malgr\u00e9 ses bonnes intentions pour tenter de mod\u00e9liser ce ph\u00e9nom\u00e8ne correctement, ce qu’elle a fait \u00e9tait faux. Il n’existe aucune corr\u00e9lation entre le son et le disque fracassant. Les deux sont caus\u00e9s par une arme \u00e0 feu dont elle ignorait l’existence. L\u00e0, nous pouvons voir le tireur.<\/p>\n\n\n\n

[08:56] Et c’est le tireur qui, en fait, d\u00e9truit le disque, qui est lanc\u00e9 sur le c\u00f4t\u00e9 par un lanceur de disque.<\/p>\n\n\n\n

[09:03] Lorsque l\u2019on est confront\u00e9s \u00e0 des probl\u00e8mes d’endog\u00e9n\u00e9it\u00e9 de ce genre, le probl\u00e8me est que la relation que nous observons pourrait \u00eatre positive, pourrait \u00eatre n\u00e9gative, ou pourrait \u00eatre non significative. En fait, nous ne savons pas quelle est la vraie relation quand nous omettons des causes importantes.<\/p>\n\n\n\n

[09:25] Quelles sont les causes de l’endog\u00e9n\u00e9it\u00e9? Il y a trois raisons principales: la premi\u00e8re, celle que vous avez vue, ce sont les variables omises. Et celles-ci existent dans beaucoup de diff\u00e9rents types et formes. Je viens de vous montrer un exemple o\u00f9 nous avons omis une cause commune, mais il y a diff\u00e9rentes sortes de biais de variables omises.<\/p>\n\n\n\n

[09:44] Par exemple, en omettant les effets fixes. De nombreux chercheurs, surtout ceux qui utilisent ce qu’on appelle des mod\u00e8les HLM, ou mod\u00e8les lin\u00e9aires hi\u00e9rarchiques, font l’estimation de ces mod\u00e8les \u00e0 l’aide d’effets al\u00e9atoires, ou des coefficients al\u00e9atoires, sans v\u00e9rifier si la variable au niveau \u00ab bas \u00bb corr\u00e8le avec les effets fixes ou constants qui sont dus \u00e0 l’entit\u00e9 de niveau sup\u00e9rieur.<\/p>\n\n\n\n

[10:07] Un deuxi\u00e8me cas int\u00e9ressant de biais de variable omise est le biais s\u00e9lection. Dans ce cas, il y a un choix qui a \u00e9t\u00e9 fait par l’entit\u00e9 que nous observons. Par exemple, les femmes qui choisissent de travailler ou qui choisissent de ne pas travailler.<\/p>\n\n\n\n

[10:26] Comment peut-on estimer la relation entre l’\u00e9ducation et \u00e0 quel point une femme gagne si on ne peut pas qu\u2019observer les femmes qui travaillent? Nous devons \u00e9galement observer la contrefactuelle. Que feraient des femmes qui ne travaillent pas, en termes de salaire, si elles avaient choisi de travailler?<\/p>\n\n\n\n

[10:44] Donc, nous avons besoin de mod\u00e9liser ce choix endog\u00e8ne. Ceci vient sous diff\u00e9rentes formes. Par exemple, les dirigeants peuvent choisir de participer \u00e0 un programme de formation au leadership, ou non.<\/p>\n\n\n\n

[10:55] Les entreprises peuvent choisir d’exporter, ou non; elles peuvent choisir d’utiliser une certaine strat\u00e9gie, ou non. Ce choix est endog\u00e8ne. Il ne peut pas \u00eatre utilis\u00e9 pour pr\u00e9dire quoi que ce soit. C’est un peu comme le bruit du coup de feu.<\/p>\n\n\n\n

[11:10] La troisi\u00e8me cause majeure est ce qu’on appelle la simultan\u00e9it\u00e9. Par la simultan\u00e9it\u00e9, nous entendons que le mod\u00e8le que nous avons: \u00ab\u00a0x\u00a0\u00bb pr\u00e9dit \u00ab\u00a0y\u00a0\u00bb, pourrait fonctionner d\u2019une fa\u00e7on o\u00f9 \u00ab\u00a0x\u00a0\u00bb est une cause de \u00ab\u00a0y\u00a0\u00bb.<\/p>\n\n\n\n

[11:24] Toutefois, \u00ab\u00a0y\u00a0\u00bb est aussi une cause de \u00ab\u00a0x\u00a0\u00bb. Nous avons donc une boucle de r\u00e9troaction allant de \u00ab\u00a0y\u00a0\u00bb \u00e0 \u00ab\u00a0x\u00a0\u00bb.<\/p>\n\n\n\n

[11:32] Comme vous pouvez le voir, \u00ab\u00a0x\u00a0\u00bb est caus\u00e9 par \u00ab\u00a0y\u00a0\u00bb qui est une cause omise que nous n’observons pas, est que \u00ab\u00a0y\u00a0\u00bb est caus\u00e9 par \u00ab\u00a0x\u00a0\u00bb et aussi par une cause omise que nous n’avons pas observ\u00e9e.<\/p>\n\n\n\n

[11:44] Le probl\u00e8me que nous avons lorsque nous estimons une relation entre \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb, et que la simultan\u00e9it\u00e9 pourrait \u00eatre la raison de ces r\u00e9sultats, est que le coefficient que nous estimons est en fait erron\u00e9, car il est compos\u00e9 de deux coefficients.<\/p>\n\n\n\n

[11:59] Donc, nous pourrions observer un coefficient de .50 mais cela ne veut rien dire. L’un pourrait aller dans un sens positif, l’autre pourrait aller dans un sens n\u00e9gatif.<\/p>\n\n\n\n

[12:09] Par exemple, les leaders changent leur style de leadership en fonction de la performance des subalternes. Si un subalterne a de mauvaises performances, le leader pourrait utiliser un style de leadership n\u00e9gatif, ce qui donne une r\u00e9troaction n\u00e9gative.<\/p>\n\n\n\n

[12:23] Si le subalterne a de bonnes performances, le leader pourrait adapter son style en fonction de ces bonnes performances.<\/p>\n\n\n\n

[12:29] Ainsi, le coefficient que nous observons n\u2019est pas digne de confiance : il est constitu\u00e9 de deux corr\u00e9lations.<\/p>\n\n\n\n

[12:35] Tr\u00e8s souvent, les chercheurs disent, \u00abEh bien, la corr\u00e9lation observ\u00e9e que nous avons est peut-\u00eatre parce que \u00ab\u00a0x\u00a0\u00bb est \u00e0 l’origine de \u00ab\u00a0y\u00a0\u00bb, ou parce que \u00ab\u00a0y\u00a0\u00bb est \u00e0 l’origine de \u00ab\u00a0x\u00a0\u00bb. Non, c’est faux. Ces chercheurs ne comprennent pas.<\/p>\n\n\n\n

[12:47] La corr\u00e9lation que nous observons n’est pas correcte, parce que l’une des corr\u00e9lations pourrait \u00eatre positive, l’autre pourrait \u00eatre n\u00e9gative, et elles pourraient \u00eatre de tailles diff\u00e9rentes ou de diff\u00e9rentes magnitudes. En fait, ce que les chercheurs font est de corr\u00e9ler le son des balles avec un r\u00e9sultat.<\/p>\n\n\n\n

[13:05] Il y a beaucoup d’autres causes d’endog\u00e9n\u00e9it\u00e9, y compris l’erreur de mesure, qui est un cas particulier o\u00f9 \u00ab\u00a0x\u00a0\u00bb est en r\u00e9alit\u00e9 exog\u00e8ne, mais n’est pas mesur\u00e9 de mani\u00e8re fiable.<\/p>\n\n\n\n

[13:16] Il y a aussi ce qu’on appelle une variance de m\u00e9thode commune. Beaucoup de chercheurs ne r\u00e9alisent pas \u00e0 quel point la variance de m\u00e9thode commune peut biaiser les r\u00e9sultats, en d’autres termes, que les effets de la variance de m\u00e9thode commune peuvent \u00eatre surestim\u00e9s. Mais, en fait, s’il y a un probl\u00e8me de variance de m\u00e9thode commune, nous ne savons pas ce que la v\u00e9ritable relation peut \u00eatre.<\/p>\n\n\n\n

[13:30] Par exemple, supposons que je vous demande d’\u00e9valuer votre patron sur un certain style de leadership et puis je vous demande si vous aimez votre patron. Ou je pourrais poser les questions dans l’autre sens: \u00ab Aimez-vous votre patron?\u00bb, disons que vous dites \u00ab oui \u00bb.<\/p>\n\n\n\n

[13:44] \u00ab \u00cates-vous tr\u00e8s impressionn\u00e9 par le style de leadership de votre patron? \u00bb, \u00ab Est-ce que votre patron est un bon leader? \u00bb Vous \u00eates plus susceptibles de dire \u00ab oui \u00bb \u00e9tant donn\u00e9 la premi\u00e8re r\u00e9ponse. Maintenant, il \u00e9tait tr\u00e8s flagrant la fa\u00e7on dont j’ai pos\u00e9 la question en disant: \u00abAimez-vous votre patron? \u00bb Les questions peuvent \u00eatre pos\u00e9es de mani\u00e8re plus indirecte, mais elles peuvent \u00eatre conduites par une variable cach\u00e9e, \u00ab\u00a0z\u00a0\u00bb, qui est le moteur de la relation entre \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb et nous ne savons pas quelle est la vraie relation si nous avons omis une cause, si nous avons l’endog\u00e9n\u00e9it\u00e9.<\/p>\n\n\n\n

[14:15] Comment pouvons-nous nous d\u00e9barrasser de l’endog\u00e9n\u00e9it\u00e9? C’est tr\u00e8s simple. La  fa\u00e7on irr\u00e9prochable de le faire est avec une exp\u00e9rience.<\/p>\n\n\n\n

[14:23] Dans une exp\u00e9rience \u00ab\u00a0x\u00a0\u00bb est manipul\u00e9 de mani\u00e8re exog\u00e8ne. En d’autres termes, il varie de mani\u00e8re al\u00e9atoire.<\/p>\n\n\n\n

[14:32] Parce qu’il varie de mani\u00e8re al\u00e9atoire, il ne sera pas en corr\u00e9lation avec quelque chose dans la variable d\u00e9pendante que nous n’avons pas mesur\u00e9. Laissez-moi vous donner un exemple.<\/p>\n\n\n\n

[14:42] Supposons que nous voulons tester l’efficacit\u00e9 d’un traitement, quel qu’il soit, une formation en leadership, ou un m\u00e9dicament, par exemple. Nous avons donc un \u00e9chantillon d’individus, disons 100, et ce que nous ferons est que nous allons utiliser une sorte de m\u00e9canisme al\u00e9atoire pour r\u00e9partir ces personnes entre un groupe de traitement et un groupe de contr\u00f4le.<\/p>\n\n\n\n

[15:01] Nous pourrions leur faire subir des traitements diff\u00e9rents, ce n’est pas important. Supposons que nous ayons un groupe de traitement et un groupe de contr\u00f4le.<\/p>\n\n\n\n

[15:08] Puisque les participants ont \u00e9t\u00e9 r\u00e9partis de mani\u00e8re al\u00e9atoire \u00e0 l’un ou l’autre groupe, au d\u00e9part les deux groupes sont identiques sur toutes les variables, observables ou non. Cela est tr\u00e8s important.<\/p>\n\n\n\n

[15:22] Donc, si les groupes sont identiques sur des facteurs observables ou non et s\u2019il y a une diff\u00e9rence entre eux apr\u00e8s le traitement, la diff\u00e9rence ne peut \u00eatre que due \u00e0 une cause: au traitement.<\/p>\n\n\n\n

[15:33] Ceci en raison du fait que rien d\u2019autre ne peut expliquer pourquoi il existe une diff\u00e9rence entre les groupes.  Les groupes \u00e9taient identiques au d\u00e9part.<\/p>\n\n\n\n

[15 :43] Ainsi, la force du mod\u00e8le de recherche exp\u00e9rimentale r\u00e9side dans le fait que nous pouvons observer ce qu’on appelle la contrefactuelle. Qu’aurait eu le  groupe trait\u00e9 si elle n\u2019avait pas re\u00e7u le traitement ? Cela pourrait \u00eatre observ\u00e9 chez le groupe non trait\u00e9.<\/p>\n\n\n\n

[15:58] nous pouvons faire une d\u00e9claration causale qui est valide avec une exp\u00e9rience.<\/p>\n\n\n\n

[16:03] Rappelez-vous. Avec une exp\u00e9rience, on peut s\u2019assurer que :<\/p>\n\n\n\n

1.     il n\u2019y a pas des causes omises qui corr\u00e8lent avec le traitement<\/p>\n\n\n\n

2.     les groupes sont les m\u00eames au d\u00e9but<\/p>\n\n\n\n

3.     on peut observer la contrefactuelle au niveau du groupe<\/p>\n\n\n\n

4.     les d\u00e9clarations causales sont valides<\/p>\n\n\n\n

[16:22] Les m\u00e9thodes exp\u00e9rimentales sont une fa\u00e7on de g\u00e9rer l’endog\u00e9n\u00e9it\u00e9. Il y a d’autres moyens, un peu plus complexes, qui empruntent largement \u00e0 l’\u00e9conom\u00e9trie.<\/p>\n\n\n\n

[16:34] Je voudrais illustrer la relation entre \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb en utilisant des cercles.<\/p>\n\n\n\n

[16 :40] Cet exemple est tir\u00e9 du livre de Kennedy \u00ab\u00a0Introduction to econometrics\u00a0\u00bb.<\/p>\n\n\n\n

[16:45] Imaginez que nous avons ici les deux variables \u00ab\u00a0y\u00a0\u00bb et \u00ab\u00a0x\u00a0\u00bb. Le chevauchement entre elles, et leur intersection, est en fait le pourcentage de chevauchement, ou de variance qui est partag\u00e9 entre les deux variables, et qui est r\u00e9ellement ce que nous voulons estimer quand nous estimons un mod\u00e8le ANOVA ou un mod\u00e8le de r\u00e9gression.<\/p>\n\n\n\n

[17:05] Supposons que c’est une pente, le b\u00eata. Bien entendu, \u00ab\u00a0y\u00a0\u00bb d\u00e9pend de \u00ab\u00a0x\u00a0\u00bb, mais \u00ab\u00a0y\u00a0\u00bb d\u00e9pend d’autres variables que nous n’avons pas mesur\u00e9es. Je vais juste en ajouter une ici: \u00ab\u00a0m\u00a0\u00bb.<\/p>\n\n\n\n

[17:19] Maintenant, parce que nous avons manipul\u00e9 \u00ab\u00a0x\u00a0\u00bb de mani\u00e8re exog\u00e8ne, \u00ab\u00a0x\u00a0\u00bb ne se chevauche pas du tout avec \u00a0\u00bbm\u00a0\u00bb. \u00ab\u00a0x\u00a0\u00bb est ind\u00e9pendant de celui-ci, ou il lui est orthogonal.<\/p>\n\n\n\n

[17:31] Par cons\u00e9quent, ce que nous estimons en termes de \u00ab\u00a0x\u00a0\u00bb pr\u00e9dit \u00ab\u00a0y\u00a0\u00bb, le coefficient de la pente, est r\u00e9ellement consistant.<\/p>\n\n\n\n

[17:38] Par \u00ab consistant \u00bb nous entendons que la pente refl\u00e8tera la v\u00e9ritable valeur tandis que la taille de l’\u00e9chantillon augmente.<\/p>\n\n\n\n

[17:46] M\u00eame avec des exp\u00e9riences on peut avoir des probl\u00e8mes d’endog\u00e9n\u00e9it\u00e9, un fait m\u00e9connu de certains chercheurs. J’ai remarqu\u00e9 cela tr\u00e8s souvent en psychologie.<\/p>\n\n\n\n

[17:54] Parfois nous mesurons effectivement deux variables d\u00e9pendantes lors d’une exp\u00e9rience, \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb, et nous voulons estimer l’effet causal de \u00ab\u00a0y1\u00a0\u00bb sur \u00ab\u00a0y2\u00a0\u00bb en fonction de \u00ab x \u00bb.<\/p>\n\n\n\n

[18:08] Ainsi, par exemple, les sujets ont \u00e9t\u00e9 r\u00e9partis al\u00e9atoirement \u00e0 un traitement, nous appelons cela \u00ab\u00a0x\u00a0\u00bb, et ils ont ensuite \u00e9t\u00e9 mesur\u00e9s sur \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb. Maintenant, supposons que \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb partagent une cause commune, ce qui est possible parce qu’ils ont \u00e9t\u00e9 mesur\u00e9s \u00e0 peu pr\u00e8s au m\u00eame moment.<\/p>\n\n\n\n

[18:28] Supposons qu’ils ont \u00e9t\u00e9 expos\u00e9s \u00e0 un certain leader, et peut-\u00eatre qu’ils ont plus ou moins aim\u00e9 le leader \u00e0 cause de son apparence physique.<\/p>\n\n\n\n

[18:36] Ceci n’a rien \u00e0 voir avec le traitement qui a \u00e9t\u00e9 administr\u00e9. Par cons\u00e9quent, si l’on tente d’estimer l’effet causal de \u00ab\u00a0y1\u00a0\u00bb sur \u00ab\u00a0y2\u00a0\u00bb, il y a un probl\u00e8me d’endog\u00e9n\u00e9it\u00e9 \u00e0 nouveau entre \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb.<\/p>\n\n\n\n

[18:48] Et ce probl\u00e8me d’endog\u00e9n\u00e9it\u00e9 doit \u00eatre reconnu.<\/p>\n\n\n\n

[18:53] Par reconnu, on entend que la structure causale des donn\u00e9es doit \u00eatre mod\u00e9lis\u00e9e correctement. C’est \u00e0 dire que \u00ab\u00a0x\u00a0\u00bb cause \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb, mais il y a une cause commune qui relie les deux variables d\u00e9pendantes qui doit \u00eatre mod\u00e9lis\u00e9e.<\/p>\n\n\n\n

[19:09] Cette corr\u00e9lation entre les deux perturbations doit effectivement \u00eatre mod\u00e9lis\u00e9e lors de la proc\u00e9dure d’estimation.<\/p>\n\n\n\n

[19:18] Tr\u00e8s souvent, les chercheurs ne le font pas. En cons\u00e9quence la corr\u00e9lation estim\u00e9e entre \u201cy1\u201d et \u201cy2\u201d sera effectivement mal estim\u00e9e: elle sera fausse.<\/p>\n\n\n\n

 [19:31] La solution \u00e0 ce probl\u00e8me est tr\u00e8s simple. Elle requiert l’utilisation de l’estimateur de doubles moindres carr\u00e9s, ou DMC.<\/p>\n\n\n\n

[19:39] Dans ce cas, \u201cx\u201d est connu comme la variable exog\u00e8ne ou l’instrument, qui est utilis\u00e9 pour aider \u00e0 identifier l’effet causal de \u00ab\u00a0y1\u00a0\u00bb ou \u00ab\u00a0y2\u00a0\u00bb. Comment allons-nous faire cela?<\/p>\n\n\n\n

[19:54] Nous trouverons la portion de la variabilit\u00e9 partag\u00e9e entre \u201cx\u201d et \u201cy1\u201d que chevauche \u00ab\u00a0y2\u00a0\u00bb. Cependant, nous devons mod\u00e9liser cette structure causale correctement en corr\u00e9lant les pertubations.<\/p>\n\n\n\n

[20:08] Pour en revenir \u00e0 notre cercle, afin que nous puissions comprendre la nature du probl\u00e8me.<\/p>\n\n\n\n

[20:13] Supposons que nous voulons estimer la relation entre \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb, c’est \u00e0 dire la relation de causalit\u00e9. Malheureusement, \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb partagent une cause commune, qui est \u00ab\u00a0q\u00a0\u00bb.<\/p>\n\n\n\n

[20:27] Comme vous pouvez le voir, la partie o\u00f9 \u00ab\u00a0q\u00a0\u00bb chevauche \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb est celle o\u00f9 se posera le probl\u00e8me d’endog\u00e9n\u00e9it\u00e9. Ceci doit \u00eatre correctement reconnu dans l’estimateur.<\/p>\n\n\n\n

[20:39] Maintenant, si nous avons juste estim\u00e9 cette relation entre \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb, comme vous le verrez la zone de chevauchement se compose d’un \u00e9l\u00e9ment vrai, mais il comprend \u00e9galement une composante d’erreur, et c’est l\u00e0 que les trois cercles se chevauchent.<\/p>\n\n\n\n

[20:55] Cette portion de la variance dans le cercle jaune sera mal estim\u00e9 si l’on utilise ce qu’on appelle les moindres carr\u00e9s ordinaires (MCO), ou peut-\u00eatre m\u00eame un estimateur du maximum de vraisemblance.<\/p>\n\n\n\n

[21:08] Le choix de l’estimateur est \u00e9gal mais si nous ne reconnaissons pas la structure exacte de causalit\u00e9 et trouvons un instrument qui est exog\u00e8ne au syst\u00e8me de variables, nous ne pouvons pas identifier l’effet causal de \u00ab\u00a0y1\u00a0\u00bb sur \u00ab\u00a0y2\u00a0\u00bb. L’instrument dans ce cas est \u00ab\u00a0x\u00a0\u00bb.<\/p>\n\n\n\n

[21:28] Comme vous pouvez le voir, \u00ab x \u00bb recouvre \u00e0 la fois \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb. Puisque \u00ab\u00a0x\u00a0\u00bb est exog\u00e8ne il ne se chevauche pas du tout avec la cause commune omise: \u00ab\u00a0q\u00a0\u00bb ou toute autre cause et je ne les ai pas mises dans le mod\u00e8le.<\/p>\n\n\n\n

[21:43] Nous avons simplement isol\u00e9 \u00ab\u00a0q\u00a0\u00bb pour la d\u00e9monstration. Alors, l’estimateur va  regarder la portion de variance partag\u00e9e entre \u201cx\u201d et \u201cy1\u201d et \u201cy2\u201d dans le but d’estimer la relation entre les deux variables d\u00e9pendantes.<\/p>\n\n\n\n

[21:57] M\u00eame si il (x) utilise une moindre portion de chevauchement de \u201cy1\u201d et \u00a0\u00bby2\u201d il estimera cette relation de mani\u00e8re consistante.<\/p>\n\n\n\n

[22:07] En d’autres termes, le coefficient que nous trouverons sera correctement estim\u00e9, m\u00eame si nous avons utilis\u00e9 moins d’informations.<\/p>\n\n\n\n

[22:14] Cette portion de la variance est ce que j’appelle sur l’image \u00ab\u00a0y1\u00a0\u00bb chapeau. \u00ab\u00a0y1\u00a0\u00bb chapeau est la valeur pr\u00e9dite de \u00ab\u00a0y1\u00a0\u00bb qui est due \u00e0 \u00ab\u00a0x\u00a0\u00bb.<\/p>\n\n\n\n

[22:25] Cette valeur pr\u00e9dite a une propri\u00e9t\u00e9 tr\u00e8s sp\u00e9ciale. Elle ne se chevauche pas du tout avec \u00ab\u00a0q\u00a0\u00bb, comme vous pouvez le voir dans le diagramme.<\/p>\n\n\n\n

[22:34] Ceci est en fait l’estimation des doubles moindres carr\u00e9s ordinaires, qui peut \u00eatre estim\u00e9e en utilisant l’estimateur des doubles moindres carr\u00e9s ordinaires ou bien l’estimateur du maximum de vraisemblance.<\/p>\n\n\n\n

[22:46] Ce qui est important est de corr\u00e9ler les deux perturbations: les perturbations des variables endog\u00e8nes (\u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb) bien entendu. Vous devez reconna\u00eetre dans l’estimateur que \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb sont endog\u00e8nes et qu’elles pourraient potentiellement partager une cause commune.<\/p>\n\n\n\n

[23:01] La corr\u00e9lation entre ces deux perturbations comme je l’indique dans les cercles est effectivement ce qu’estime le test de Hausman.<\/p>\n\n\n\n

[23:10] Alors, laissez-moi vous montrer comment estimer correctement, mais d’abord nous allons commencer par l’estimation incorrecte.<\/p>\n\n\n\n

[23:17] Normalement, ce qui se fait dans ces cas est que \u00ab\u00a0y1\u00a0\u00bb est utilis\u00e9 comme un pr\u00e9dicteur de \u00ab\u00a0y2\u00a0\u00bb. Le probl\u00e8me est que \u00ab\u00a0y1\u00a0\u00bb est corr\u00e9l\u00e9 avec la perturbation de \u00ab\u00a0y2\u00a0\u00bb.<\/p>\n\n\n\n

[23:31] En d’autres termes, cette corr\u00e9lation n’est pas ‘z\u00e9ro. Beta un, la relation entre \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb, sera en effet inconsistant dans son estimation, elle ne sera pas correcte.<\/p>\n\n\n\n

[23:43] Maintenant, la fa\u00e7on correcte d’\u00e9valuer ce mod\u00e8le est en fait d’utiliser les instruments \u00e0 pr\u00e9dire \u00ab\u00a0y1\u00a0\u00bb d’abord et ensuite d’utiliser la valeur pr\u00e9dite de \u00ab\u00a0y1\u00a0\u00bb pour pr\u00e9dire \u00ab\u00a0y2\u00a0\u00bb.<\/p>\n\n\n\n

[23:54] Pour ce faire, nous devons corr\u00e9ler les perturbations des deux \u00e9quations. En d’autres termes, les perturbations de \u00ab\u00a0y1\u00a0\u00bb et de \u00ab\u00a0y2\u00a0\u00bb. Ainsi, cette corr\u00e9lation (des perturbations) est appel\u00e9e \u00ab\u00a0psi1\u00a0\u00bb.<\/p>\n\n\n\n

[24:08] Si cette corr\u00e9lation, \u00ab\u00a0psi1\u00a0\u00bb, n’est pas nulle, et elle est estim\u00e9e, nous tuerons l’endog\u00e9n\u00e9it\u00e9.<\/p>\n\n\n\n

[24:17] Si la \u00ab\u00a0psi1\u00a0\u00bb n’est pas nulle et nous ne l\u2019estimons pas nous allons avoir un gros probl\u00e8me, et ce gros probl\u00e8me, c’est juste comme nous le faisions avant.<\/p>\n\n\n\n

[24:28] Si je peux revenir \u00e0 la figure pr\u00e9c\u00e9dente, c’est comme si nous n’avions jamais utilis\u00e9 les instruments \u00e0 pr\u00e9dire \u00ab\u00a0y1\u00a0\u00bb et la valeur pr\u00e9dite de \u00ab\u00a0y1\u00a0\u00bb \u00e0 pr\u00e9dire \u00ab\u00a0y2\u00a0\u00bb.<\/p>\n\n\n\n

[24:39] En d’autres termes, tenant constant que la covariance entre les deux perturbations \u00e0 z\u00e9ro va donner exactement la m\u00eame, et incoh\u00e9rente, estimation, comme si nous n’avions jamais utilis\u00e9 \u00ab\u00a0z\u00a0\u00bb ou \u00ab\u00a0q\u00a0\u00bb dans le mod\u00e8le.<\/p>\n\n\n\n

[24:54] Et voil\u00e0 comment de nombreux chercheurs font tester ces mod\u00e8les causaux.<\/p>\n\n\n\n

[24:59] Ils ont deux variables endog\u00e8nes, ils peuvent avoir des variables exog\u00e8nes \u00e0 partir d’une exp\u00e9rience, id\u00e9alement, mais ils ne les utilisent pas d’une fa\u00e7on correcte pour estimer la relation entre \u00ab\u00a0y1\u00a0\u00bb et \u00ab\u00a0y2\u00a0\u00bb. Si les deux variables, qui sont endog\u00e8nes, partagent une cause commune, ceci doit \u00eatre reconnu dans l’estimateur.<\/p>\n\n\n\n

[25:17] Permettez-moi de d\u00e9montrer un cas particulier avec des donn\u00e9es simul\u00e9es. Ces donn\u00e9es sont disponibles sur mon site (2slsdata.xls.zip<\/a><\/a>), et je vous encourage \u00e0 les t\u00e9l\u00e9charger et d’utiliser les diff\u00e9rents programmes pour voir si vous pouvez obtenir les m\u00eames estimations que moi.<\/p>\n\n\n\n

[25:32] Ainsi, supposons que le mod\u00e8le qui a g\u00e9n\u00e9r\u00e9 les donn\u00e9es, en fait, le vrai mod\u00e8le, qui structure les relations entre les deux variables, est d\u00e9crit ainsi.<\/p>\n\n\n\n

[25:42] Nous avons \u00ab\u00a0x\u00a0\u00bb qui cause \u00ab\u00a0y\u00a0\u00bb, mais nous avons \u00a0\u00bbq\u00a0\u00bb qui cause \u00e0 la fois \u00ab\u00a0x\u00a0\u00bb et \u00ab\u00a0y\u00a0\u00bb. Nous avons \u00e9galement deux instruments: \u00ab\u00a0m\u00a0\u00bb et \u00ab\u00a0n\u00a0\u00bb qui sont exog\u00e8nes, ils ne sont pas corr\u00e9l\u00e9s avec \u00ab\u00a0u\u00a0\u00bb, avec \u00ab\u00a0e\u00a0\u00bb et ni m\u00eame avec \u00ab\u00a0q\u00a0\u00bb.<\/p>\n\n\n\n

[25:58] Donc, ce que nous essayons d’estimer est l’effet causal de \u00ab\u00a0x\u00a0\u00bb sur \u00ab\u00a0y\u00a0\u00bb et cet effet de causalit\u00e9 est cens\u00e9 \u00eatre -.30.<\/p>\n\n\n\n

[26:10] On peut estimer ce mod\u00e8le correctement, m\u00eame si nous n’incluons pas \u00a0\u00bbq\u00a0\u00bb dans le mod\u00e8le, tant que nous corr\u00e9lons les deux perturbations. Comme vous pouvez le voir \u00e0 partir des donn\u00e9es simul\u00e9es (et ici les donn\u00e9es sont assez volumineuses puisque j’ai un \u00e9chantillon de 10’000 observations), nous voyons que l’estimateur DMC r\u00e9cup\u00e8re le v\u00e9ritable param\u00e8tre presque exactement. Il estime qu’il soit -.29. Rappelez-vous que la vraie estimation \u00e9tait -.30.<\/p>\n\n\n\n

[26:45] Maintenant, si cela est estim\u00e9 de mani\u00e8re habituelle, de mani\u00e8re MCO, o\u00f9 cette corr\u00e9lation n’est pas reconnue, c’est comme si nous estimions deux \u00e9quations distinctes.<\/p>\n\n\n\n

[26:57] Donc, m\u00eame si vous estimez le syst\u00e8me d’\u00e9quations simultan\u00e9ment, et si vous ne faites pas corr\u00e9ler les perturbations, c’est comme si vous aviez estim\u00e9 deux \u00e9quations ind\u00e9pendantes qui les lie avec rien du tout.<\/p>\n\n\n\n

[27:10] Dans ce cas, lorsque nous r\u00e9gressons \u00a0\u00bby\u00a0\u00bb sur \u00a0\u00bbx\u00a0\u00bb, nous obtenons une estimation de .03. Rappelez-vous que la vraie estimation \u00e9tait -.30. Donc nous sommes loin du vrai param\u00e8tre.<\/p>\n\n\n\n

[27:24] Essayez de le faire vous-m\u00eames. Prenez \u00a0\u00bby\u00a0\u00bb et r\u00e9gressez-la sur \u00a0\u00bbx\u00a0\u00bb. Vous obtiendrez une estimation de .03. Ceci est la corr\u00e9lation observ\u00e9e. Et celle-ci est compl\u00e8tement fausse.<\/p>\n\n\n\n

[27:38] Vous pouvez utiliser tous les outils possibles et grands programmes des \u00e9quations structurelles, mais si le mod\u00e8le, d’abord, ne comporte pas les variables exog\u00e8nes requises pour identifier l’effet de \u00a0\u00bbx\u00a0\u00bb sur \u00a0\u00bby\u00a0\u00bb, vous n’allez pas obtenir des estimations correctes.<\/p>\n\n\n\n

[27:51] Deuxi\u00e8me probl\u00e8me: si vous ne reconnaissez pas l’endog\u00e9n\u00e9it\u00e9 entre les deux variables endog\u00e8nes, vous n’allez pas obtenir des estimations correctes.<\/p>\n\n\n\n

[27:59] Maintenant, voici la question \u00e0 un million francs suisses (et pour les Am\u00e9ricains, sachez que cela \u00e9quivaut \u00e0 1.2 millions dollars). O\u00f9 pouvons-nous obtenir des instruments?<\/p>\n\n\n\n

[28:10] Dans un mod\u00e8le exp\u00e9rimental, il est tr\u00e8s facile d’obtenir un instrument, c’est la ou les variables qui ont \u00e9t\u00e9 manipul\u00e9s de mani\u00e8re exog\u00e8ne et, id\u00e9alement, vous aurez plus de variables que vous n’avez de r\u00e9gresseurs endog\u00e8nes, de sorte que vous pouvez estimer ce qu’on appelle une statistique de sur-identification, si la structure que vous avez dans les donn\u00e9es, la structure causale, est en fait valable.<\/p>\n\n\n\n

[28:34] Alors, ce que fait cette statistique, en fait, c’est de comparer le mod\u00e8le que vous avez avec ce qu’elle observe dans les donn\u00e9es. Ceci est semblable \u00e0 comparer un plan d\u2019architecte \u00e0 la maison construite pour v\u00e9rifier la ressemblance du mod\u00e8le avec les donn\u00e9es.<\/p>\n\n\n\n

[28:51] Ainsi, il nous est b\u00e9n\u00e9fique de disposer d’instruments, d’avoir au moins quelques-uns de plus de ce que nous avons en termes de r\u00e9gresseurs endog\u00e8nes.<\/p>\n\n\n\n

[29:03] O\u00f9 pouvons-nous obtenir les instruments, si nous n’avons pas fait une exp\u00e9rience?<\/p>\n\n\n\n

[29:08] Il y a beaucoup de fa\u00e7ons cr\u00e9atives de [se] procurer des instruments. Les \u00e9conomistes ont trouv\u00e9 beaucoup de moyens de le faire, quand on veut, par exemple, estimer l’effet des firmes sur la performance ou bien l’effet des variables au niveau national sur la performance du pays.<\/p>\n\n\n\n

[29:22] Il peut y avoir des instruments g\u00e9ographiques, des instruments de distance, des vecteurs de malaria ou d’autres fa\u00e7ons diverses.<\/p>\n\n\n\n

[29:30] En psychologie, par exemple, le QI d’un leader ou n’importe quel effet constant qui est d\u00e9termin\u00e9 g\u00e9n\u00e9tiquement peut servir comme instrument.<\/p>\n\n\n\n

[29:38] On parle de \u00e7a dans l’article publi\u00e9 dans le Leadership Quarterly, \u00a0\u00bbOn making causal claims\u00a0\u00bb. Alors si vous \u00eates int\u00e9ress\u00e9s \u00e0 approfondir vos connaissances, veuillez vous r\u00e9f\u00e9rer \u00e0 l’article.<\/p>\n\n\n\n

Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (2010). On making causal claims: A review and recommendations. The Leadership Quarterly, 21(6). 1086-1120. https:\/\/www.hec.unil.ch\/jantonakis\/Causal_Claims.pdf<\/a><\/p>\n\n\n\n

[Si vous le souhaitez, vous pouvez \u00e9galement vous r\u00e9f\u00e9rer \u00e0 cet article, qui est une introduction bien plus basique au probl\u00e8me d\u2019endog\u00e9n\u00e9it\u00e9]:<\/p>\n\n\n\n

Antonakis, J., Bendahan, S., Jacquart, P., & Lalive, R. (submitted). Causality and endogeneity: Problems and solutions. In D.V. Day (Ed.), The Oxford Handbook of Leadership and Organizations.  https:\/\/www.hec.unil.ch\/jantonakis\/Causality_and_endogeneity_final.pdf<\/a><\/p>\n\n\n\n

[29:54] Pour r\u00e9sumer, si \u00a0\u00bbx\u00a0\u00bb n’est pas exog\u00e8ne, sa relation avec \u00a0\u00bby\u00a0\u00bb est suspecte, et doit \u00eatre corrig\u00e9e en utilisant une sorte de technique corrective, pour tuer l’endog\u00e9n\u00e9it\u00e9.<\/p>\n\n\n\n

[30:06] Il y a beaucoup de cas de ceci dans la litt\u00e9rature ainsi que dans l’article dont je parle, publi\u00e9 dans le Leadership Quarterly, o\u00f9 nous avons trouv\u00e9 que m\u00eame dans de tr\u00e8s bonnes revues scientifiques, dans les meilleures revues de management, de psychologie appliqu\u00e9e, les estimations \u00e9taient s\u00e9v\u00e8rement compromises en utilisant des proc\u00e9dures inad\u00e9quates.<\/p>\n\n\n\n

[30:24] Nous ne pouvons pas r\u00e9gresser \u00a0\u00bby\u00a0\u00bb (la satisfaction des suiveurs, ou n’importe quelle variable) sur LMX, la qualit\u00e9 des relations entre les subalternes et leur leader, puisque LMX est endog\u00e8ne.<\/p>\n\n\n\n

[30:35] Nous ne pouvons pas utiliser les mod\u00e8les de r\u00e9gression multi-niveaux, qui analysent les effets al\u00e9atoires, lorsque les variables au niveau bas pourraient corr\u00e9ler avec des effets fixes (les effets constants sont une cause omise).<\/p>\n\n\n\n

[30:45] On ne peut pas r\u00e9gresser les performances d’une entreprise sur un choix endog\u00e8ne, par exemple en utilisant une certaine strat\u00e9gie de contr\u00f4le, ou de ne pas l’utiliser, parce que le choix est endog\u00e8ne, il doit \u00eatre mod\u00e9lis\u00e9 correctement.<\/p>\n\n\n\n

[30:58] Ce qu’a fait James Heckman, qui a remport\u00e9 le prix Nobel en 2000, dans sa proc\u00e9dure \u00e9ponyme, m\u00e9thode d’estimation d’Heckman en deux \u00e9tapes. Il a trouv\u00e9 un moyen par lequel il pouvait corriger cette endog\u00e9n\u00e9it\u00e9 et reproduire un contrefactuel v\u00e9ritable. Tout comme dans une conception exp\u00e9rimentale.<\/p>\n\n\n\n

[31:15] Merci d’avoir pris le temps d’\u00e9couter ce podcast d\u2019Universit\u00e9 de Lausanne. Si vous \u00eates int\u00e9ress\u00e9s \u00e0 en savoir plus au sujet de l’endog\u00e9n\u00e9it\u00e9 et comment la corriger, veuillez vous r\u00e9f\u00e9rez au document suivant. L\u2019article est disponible sur mon site ; ou si vous le souhaitez, vous pouvez m’envoyer un courriel et je serai tr\u00e8s heureux de vous le faire parvenir.<\/p>\n\n\n\n

Antonakis, J.,\u00a0Bendahan, S.,\u00a0Jacquart, P., &\u00a0Lalive, R. (2010).\u00a0On making causal claims: A review and recommendations.\u00a0The Leadership Quarterly, 21(6).\u00a01086-1120.\u00a0Causal_Claims.pdf<\/a> (non traduit)<\/sup><\/p>\n\n\n\n

[Si vous le souhaitez, vous pouvez \u00e9galement vous r\u00e9f\u00e9rer \u00e0 cet article, qui est une introduction bien plus basique au probl\u00e8me d\u2019endog\u00e9n\u00e9it\u00e9]:<\/p>\n\n\n\n

Antonakis, J.,\u00a0Bendahan, S.,\u00a0Jacquart, P., &\u00a0Lalive, R. (submitted).\u00a0Causality and endogeneity: Problems and solutions. In D.V. Day (Ed.),\u00a0The\u00a0Oxford Handbook of Leadership and Organizations.\u00a0\u00a0Causality_and_endogeneity_final.pdf<\/a> (non traduit)<\/sup><\/p>\n\n\n\n

[31:36] En conclusion, assurez-vous de r\u00e9fl\u00e9chir \u00e0 ces effets causals suppos\u00e9s quand quelqu’un essaie de vous en convaincre. Cette r\u00e9clamation est-elle faite dans le cadre d’une exp\u00e9rience?<\/p>\n\n\n\n

[31:45] Si non, est-il possible qu’on ait omis des causes que ne sont pas correctement mod\u00e9lis\u00e9es?<\/p>\n\n\n\n

[31:50] Des instruments \u00e9taient-ils utilis\u00e9s pour assurer que la direction causale de l’effet d’une r\u00e9gression endog\u00e8ne puisse \u00eatre identifi\u00e9e sur une variable d\u00e9pendante?<\/p>\n\n\n\n

[31:58] S’il y a une raison de douter, ne pas faire confiance aux r\u00e9sultats de l’\u00e9tude qui les a publi\u00e9s.<\/p>\n\n\n\n

[32:04] Rappelez-vous, l’endog\u00e9n\u00e9it\u00e9 est comme une maladie, il doit \u00eatre pi\u00e9tin\u00e9e dans chacune de ses formes.<\/p>\n\n\n\n

[32:11] Il n’est ni \u00e9thique ni \u00e9conomique de baser des  politiques ou pratiques sur les proc\u00e9dures qui pourraient ne pas fonctionner.<\/p>\n\n\n\n

[32:18] Merci d’avoir \u00e9cout\u00e9 ce podcast.<\/p>\n","protected":false},"excerpt":{"rendered":"

in english Retour au podcast  https:\/\/www.youtube.com\/watch?v=bIfTBJCaWR8 Pi\u00e8ces jointes Causality_and_endogeneity_final.pdf (non traduit) Causal_Claims.pdf (non traduit) 2slsdata.xls.zip [Transcription] [00:07] Bonjour, je m\u2019appelle John Antonakis. Je suis professeur de Comportement Organisationnel \u00e0…<\/p>\n","protected":false},"author":1001163,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"class_list":["post-108","page","type-page","status-publish","has-post-thumbnail"],"_links":{"self":[{"href":"https:\/\/people.unil.ch\/johnantonakis\/wp-json\/wp\/v2\/pages\/108","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/people.unil.ch\/johnantonakis\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/people.unil.ch\/johnantonakis\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/people.unil.ch\/johnantonakis\/wp-json\/wp\/v2\/users\/1001163"}],"replies":[{"embeddable":true,"href":"https:\/\/people.unil.ch\/johnantonakis\/wp-json\/wp\/v2\/comments?post=108"}],"version-history":[{"count":0,"href":"https:\/\/people.unil.ch\/johnantonakis\/wp-json\/wp\/v2\/pages\/108\/revisions"}],"wp:attachment":[{"href":"https:\/\/people.unil.ch\/johnantonakis\/wp-json\/wp\/v2\/media?parent=108"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}