La régression sur

discontinuité
Introduction aux méthodes d’évaluation d’impact
des politiques publiques

Philippe De Vreyer

1
Quand va-t-on employer cette
méthode ?

2
Conditions d’emploi de la méthode

• Quand le choix des personnes traitées et non traitées est effectué par
application d’un critère d’éligibilité observable et qui ne peut être manipulé
par les personnes traitées (ou non).

• Sous l’hypothèse que les personnes situées de par et d’autre de la frontière

d’éligibilité au traitement, mais proches de celle-ci sont semblables et
peuvent être comparées.

3
Exemples
• Des variations dans le traitement du chômage peuvent s’opérer en
fonction de l’âge ou du lieu d’habitation des chômeurs.
• La consommation d’alcool peut être autorisée à partir d’un certain âge.
• Les bourses d'études peuvent être réservées à des étudiants ayant
obtenu une note minimum à un examen déterminé.
•…

4
Principe

5
Principe
• Utiliser des observations sur des individus à la marge du critère
d'éligibilité pour évaluer l'efficacité du programme

• Hypothèse: les différences entre ceux qui sont de part et d'autre de la

frontière, mais suffisamment proches, sont assez faibles pour ne pas
biaiser l'estimation.

• Reproduire les conditions du tirage au hasard pour les personnes

proches du seuil d’éligibilité

6
Deux configurations possibles
• « Sharp design »: le critère d'éligibilité est appliqué de façon stricte. Le
traitement, T, dépend alors de manière déterministe de la valeur prise
par une variable de sélection S:
𝑇𝑖 = 1 si 𝑆𝑖 ≥ 𝑆 ∗
𝑇𝑖 = 0 si 𝑆𝑖 < 𝑆 ∗
• « Fuzzy design »: la variable de sélection, S, ne fait qu'affecter la
probabilité de participation. La probabilité d’être traité doit être plus
importante lorsqu'on est éligible que lorsqu’on ne l'est pas:

𝑃 𝑇𝑖 = 1 𝑆𝑖 ≥ 𝑆 ∗ > 𝑃 𝑇𝑖 = 1 𝑆𝑖 < 𝑆 ∗

7
Exemple
• A Paris, on désire évaluer l'impact d'une politique de distribution
gratuite de livres de littérature dans les écoles primaires.

• Cette politique est supposée mise en place dans certains

arrondissements uniquement.

• Par exemple, supposons qu'elle est adoptée dans le 20ème

arrondissement, mais pas dans le 19ème.

8
 19ème

10ème
20ème

11ème

9
 19ème

10ème
20ème
11ème

• Sharp design : les enfants du 19ème (et uniquement ceux-là) sont scolarisés
dans le 19ème et ceux du 20ème (et uniquement ceux-là) sont scolarisés dans
le 20ème.
• Fuzzy design : habiter sur le côté nord de la rue de Belleville (resp. le côté
sud) accroît la probabilité d'être scolarisé dans le 19ème (resp. le 20ème).
10
 Sélection dans le traitement: cas du Sharp design Sélection dans le traitement: cas du Fuzzy design

.7
.6
19ème arrondissement
1

Probabilité de traitement
19ème arrondissement

.5
20ème arrondissement

.4
20ème arrondissement
0

.3
.2
-1 -.5 0 .5 1 -1 -.5 0 .5 1
Distance à la rue de Belleville Distance à la rue de Belleville

11
Théorie

12
Identification de l’effet du traitement
• Notations:
• On peut écrire la valeur observée de la variable d’intérêt pour l’individu 𝑖
sous la forme:

𝑌𝑖 = 𝐸 𝑌𝑖 0 + 𝑌𝑖 1 − 𝑌𝑖 0 . 𝑇𝑖 + 𝑌𝑖 0 − 𝐸(𝑌𝑖 0 )

𝑌𝑖 = 𝛼 + 𝛽𝑖 . 𝑇𝑖 + ε𝑖

• 𝛽𝑖 : effet du traitement sur l’individu 𝑖.

13
Cas du « sharp design »
• Hypothèse: les individus situés de part et d’autre de la frontière, mais très proches de celle-ci, sont
strictement comparables:

• Pas de différence dans la valeur moyenne de 𝑌𝑖 en dehors de l’effet du traitement

• Réaction au traitement identique

• Autrement dit, dans l’équation: 𝑌𝑖 = 𝛼 + 𝛽𝑖 . 𝑇𝑖 + ε𝑖

(1) La composante inobservée de la variable d’intérêt, 𝜀𝑖 vérifie:

lim 𝐸 𝜀𝑖 𝑆𝑖 = 𝑠 = lim∗ 𝐸 𝜀𝑖 𝑆𝑖 = 𝑠
∗
𝑆→𝑆− 𝑆→𝑆+

(2) L’effet moyen du traitement 𝐸 𝛽𝑖 𝑆𝑖 = 𝑠 vérifie également:

lim 𝐸 𝛽𝑖 𝑆𝑖 = 𝑠 = lim∗ 𝐸 𝛽𝑖 𝑆𝑖 = 𝑠
∗
𝑆→𝑆− 𝑆→𝑆+

Ni le terme d’erreur, ni l’effet du traitement ne connaissent de « saut » à la frontière d’éligibilité

14
• Effet moyen du traitement à la frontière d’éligibilité:

𝛽 = 𝐸 𝛽𝑖 𝑆𝑖 = 𝑆 ∗ = lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−
Car en effet nous avons:

lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 = 𝛼 + 𝐸 𝛽𝑖 ∗ 1 𝑆𝑖 = 𝑆 ∗ + lim∗ 𝐸 𝜀𝑖 𝑆𝑖 = 𝑠
𝑆→𝑆+ 𝑆→𝑆+
et
lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 = 𝛼 + 𝐸 𝛽𝑖 ∗ 0 𝑆𝑖 = 𝑆 ∗ + lim∗ 𝐸 𝜀𝑖 𝑆𝑖 = 𝑠
𝑆→𝑆− 𝑆→𝑆−

Et la différence entre ces deux limites conduit au résultat.

15
Cas du « fuzzy design »
• Hypothèse maintenue: les autres déterminants de la variable d’intérêt,
modélisés par le terme d’erreur 𝜀𝑖 , ne varient pas de façon discontinue
aux alentours du seuil d’éligibilité, 𝑆 ∗ :

lim∗ 𝐸 𝜀𝑖 𝑆𝑖 = 𝑠 = lim∗ 𝐸 𝜀𝑖 𝑆𝑖 = 𝑠
𝑆→𝑆− 𝑆→𝑆+

• La différence lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 est alors égale à:

𝑆→𝑆+ 𝑆→𝑆−

lim∗ 𝐸 𝛽𝑖 𝑇𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝛽𝑖 𝑇𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−
16
• Deux possibilités:

• L’effet du traitement est le même pour tous les individus au voisinage du seuil
d’éligibilité

• Au contraire cet effet varie d’individu en individu et a donc un caractère

aléatoire.

17
• Premier cas: effet du traitement constant au voisinage du seuil d’éligibilité:

𝛽𝑖 = 𝛽 𝑝𝑜𝑢𝑟 𝑡𝑜𝑢𝑡 𝑖

On a alors:

lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−
= lim∗ 𝐸 𝛽𝑖 𝑇𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝛽𝑖 𝑇𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−
= 𝛽 ∗ lim∗ 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−

Et l’on obtient l’effet du traitement en calculant le ratio:

lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−
𝛽=
lim 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆
∗
𝑆→𝑆+ 𝑆→𝑆−

18
• Second cas: effet aléatoire du traitement au voisinage du seuil
d’éligibilité.

• L’effet du traitement est estimé de la même manière, mais l’interprétation est

un peu différente.

• Condition de validité du calcul: la probabilité d’être traité doit augmenter ou

tout au moins ne pas diminuer lorsque l’on franchit le seuil.

19
 Sélection dans le traitement: cas du Fuzzy design

.7
.6
Probabilité de traitement

19ème arrondissement

.5
20ème arrondissement

.4
.3
.2

-1 -.5 0 .5 1
Distance à la rue de Belleville

20
• Effet aléatoire du traitement au voisinage du seuil d’éligibilité.

• L’effet du traitement est estimé de la même manière, mais l’interprétation est

un peu différente.

• Condition de validité du calcul: la probabilité d’être traité doit augmenter ou

tout au moins ne pas diminuer lorsque l’on franchit le seuil.

• L’estimateur est de type LATE (Local Average Treatment Effect): il renseigne

uniquement sur l’impact du traitement pour les individus pour lesquels
franchir le seuil les conduit à être traité.

• Exemple des livres distribués dans le 20ème: l’estimation du traitement

renseigne sur l’effet de la politique pour les ménages qui parce qu’ils habitent
sur le côté sud de la rue de Belleville décident de scolariser leur enfant dans le
20ème.

21
Mise en oeuvre

22
Mise en oeuvre
• Commencer par vérifier que la variable de traitement, T (distribuer ou
non des livres) présente bien une discontinuité au point S=S* lorsque
le traitement est appliqué.

23
 Sélection dans le traitement: cas du Sharp design Sélection dans le traitement: cas du Fuzzy design

.7
.6
19ème arrondissement
1

Probabilité de traitement
19ème arrondissement

.5
20ème arrondissement

.4
20ème arrondissement
0

.3
.2
-1 -.5 0 .5 1 -1 -.5 0 .5 1
Distance à la rue de Belleville Distance à la rue de Belleville

24
Mise en oeuvre
• Vérifier que la variable de traitement, T (distribuer ou non des livres)
présente bien une discontinuité au point S=S* lorsque le traitement est
appliqué.
• S'assurer que Y ne présente pas de discontinuité au point S=S* en
l'absence du traitement.
• A défaut, vérifier que les autres déterminants de Y ne présentent pas
de discontinuité aux alentours de S*.

25
 Revenu du ménage en fonction de la distance à la frontière

19ème arrondissement
Revenu du ménage

20ème arrondissement

-1 -.5 0 .5 1
Distance à la rue de Belleville

26
𝛽 = 𝐸 𝛽𝑖 𝑆𝑖 = 𝑆 ∗ = lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−

lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−
𝛽=
lim∗ 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−

27
• Choisir la largeur, 2h, de la bande autour de la frontière S=S* dans
laquelle seront retenues les observations employées pour calculer
l'estimateur.

19ème
Bande de
largeur 2h.

10ème
20ème
11ème

28
Le calcul en pratique
• Deux façons de procéder:

• Avec un grand nombre d’observations disponibles à proximité du seuil

d’éligibilité: estimation semi-paramétrique

• Avec un nombre restreint d’observations à proximité du seuil: estimation

paramétrique

29
Estimation semi-paramétrique
• « Sharp design »: 𝛽 = 𝑆→𝑆
lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆−
+

• On cherche les solutions (ෞ ෢1 , … , 𝑏෢𝑝 ) de:

𝑦+ , 𝑏

min ෍ 1{𝑆𝑖 >𝑆 ∗ } 𝑘ℎ ( 𝑆𝑖 − 𝑆 ∗ )(𝑌𝑖 − 𝑦+ − 𝑏1 𝑆𝑖 − 𝑆 ∗ − ⋯ − 𝑏𝑝 𝑆𝑖 − 𝑆 ∗ 𝑝 )2

(𝑦+ ,𝑏1 ,…,𝑏𝑝 )
𝑖

L’estimation de lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 est alors obtenue par:

𝑆→𝑆+

lim∗ 𝐸 𝑌𝑖 ෣
𝑆𝑖 = 𝑆 = 𝑦ෞ+
𝑆→𝑆+

30
 Estimation par interpolation de la valeur de Y
Variable d'intérêt

y+

0 .5 1
Distance à la frontière

31
Estimation semi-paramétrique
• « Sharp design »: 𝛽 = 𝑆→𝑆
lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆−
+

• On cherche les solutions (ෞ ෢1 , … , 𝑏෢𝑝 ) de:

𝑦+ , 𝑏

min ෍ 1{𝑆𝑖 >𝑆 ∗ } 𝑘ℎ ( 𝑆𝑖 − 𝑆 ∗ )(𝑌𝑖 − 𝑦+ − 𝑏1 𝑆𝑖 − 𝑆 ∗ − ⋯ − 𝑏𝑝 𝑆𝑖 − 𝑆 ∗ 𝑝 )2

(𝑦+ ,𝑏1 ,…,𝑏𝑝 )
𝑖 𝑘ℎ : fonction « à noyau »
paramétrée par h.
L’estimation de lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 est alors obtenue par:
𝑆→𝑆+

lim∗ 𝐸 𝑌𝑖 ෣
𝑆𝑖 = 𝑆 = 𝑦ෞ+
𝑆→𝑆+

32
• Deux fonctions couramment employées:
1 𝑧2
• Noyau gaussien 𝑘ℎ 𝑧 = exp − 2
2𝜋 2ℎ
3 𝑧2
• Noyau d’Epanechnikov: 𝑘ℎ 𝑧 = 1− 1{ 𝑧 ≤1}
4 ℎ2 ℎ

où h est la taille de la « fenêtre » du noyau.

Noyau gaussien Noyau d'Epanechnikov

.4

.8
.3

.6
Poids

Poids
.2

.4
.1

.2
0

0
-.5 0 .5 -.5 0 .5
z z

h=0,1 h=0,05 h=0,1 h=0,05

33
• Même calcul de l’autre côté de la frontière:

lim∗ 𝐸 𝑌𝑖 ෣
𝑆𝑖 = 𝑆 = 𝑦
ෞ−
𝑆→𝑆−

où 𝑦
ෞ− est obtenu en recherchant:

min ෍ 1{𝑆𝑖 <𝑆 ∗ } 𝑘ℎ ( 𝑆𝑖 − 𝑆 ∗ )(𝑌𝑖 − 𝑦− − 𝑐1 𝑆𝑖 − 𝑆 ∗ − ⋯ − 𝑐𝑝 𝑆𝑖 − 𝑆 ∗ 𝑝 )2

(𝑦− ,𝑐1 ,…,𝑐𝑝 )
𝑖

L’estimation de l’impact du traitement est alors:

𝛽 = 𝑦ෞ+ − 𝑦
ෞ−

34
 lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑌𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆+ 𝑆→𝑆−
• « Fuzzy design »: 𝛽 =
lim 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆 − lim∗ 𝐸 𝑇𝑖 𝑆𝑖 = 𝑆
𝑆→𝑆∗+ 𝑆→𝑆−

• On cherche 𝑡ෞ ෞ
+ et 𝑡− solutions de:

min ෍ 1{𝑆𝑖 >𝑆 ∗ } 𝑘ℎ ( 𝑆𝑖 − 𝑆 ∗ )(𝑇𝑖 − 𝑡+ − 𝑏1 𝑆𝑖 − 𝑆 ∗ − ⋯ − 𝑏𝑝 𝑆𝑖 − 𝑆 ∗ 𝑝 )2

(𝑡+ ,𝑏1 ,…,𝑏𝑝 )
𝑖

et
min ෍ 1{𝑆𝑖 <𝑆 ∗ } 𝑘ℎ ( 𝑆𝑖 − 𝑆 ∗ )(𝑇𝑖 − 𝑡− − 𝑐1 𝑆𝑖 − 𝑆 ∗ − ⋯ − 𝑐𝑝 𝑆𝑖 − 𝑆 ∗ 𝑝 )2
(𝑡− ,𝑐1 ,…,𝑐𝑝 )
𝑖

• On obtient l’estimation de l’impact du traitement en calculant le ratio:

𝑦ෞ+ − 𝑦
ෞ−
𝛽=
𝑡ෞ
+−𝑡 ෞ−
35
Estimation paramétrique
• « Sharp design »: on estime le modèle suivant par les moindres carrés
ordinaires:

𝑌𝑖 = 𝑚 𝑆𝑖 + 𝛽. 1{𝑆𝑖 >𝑆 ∗} + 𝜀𝑖

Fonction paramétrique de 𝑆𝑖 (par Effet du

exemple polynôme: 𝑎 + 𝑏𝑆𝑖 +c𝑆𝑖2 + ⋯) traitement

36
• « Fuzzy design »: on estime l’équation par doubles moindres carrés en
utilisant 1{𝑆𝑖 >𝑆 ∗} est utilisé pour instrumenter 𝐸(𝑇𝑖 |𝑆𝑖 ).

• Concrètement on procède en deux étapes:

• Etape 1, on régresse: 𝑇𝑖 = 𝑚 𝑆𝑖 + γ. 1{𝑆𝑖 >𝑆 ∗} + 𝑢𝑖

Sélection dans le traitement: cas du Fuzzy design

• Etape 2, on régresse: 𝑌𝑖 = 𝑚 𝑆𝑖 + 𝛽. 𝑇෡𝑖 + 𝜀𝑖

.7
.6
Probabilité de traitement
19ème arrondissement

.5
20ème arrondissement

.4
.3
.2
-1 -.5 0 .5 1
Distance à la rue de Belleville

37
 Effet du traitement sur le résultat au test

19ème arrondissement
Résultat au test

20ème arrondissement

-1 -.5 0 .5 1
Distance à la rue de Belleville

38
Limites et écueils

39
Manipulation du seuil
• Hypothèse fondamentale: les personnes concernées par le programme
ne sont pas en mesure de manipuler le seuil d’éligibilité.

• Dans le cadre d’un programme mis en place par une collectivité locale
par exemple, une mairie ou un département, il ne faut pas que les
individus choisissent leur lieu d’habitation en fonction de la politique
testée.

40
Limites
• La principale limite provient du fait que les résultats ne sont, stricto
sensu, valables que pour les individus localisés à la frontière.

• La méthode de calcul paramétrique doit être employée avec

précaution: les études sur le sujet indique qu’elle donne de mauvais
résultats lorsque l’on emploie des observations trop éloignées de la
frontière.

• Estimateur LATE (Local Average Treatment Effect) dans le cas du fuzzy

design

41