[Workshop] Atelier en inférence causale

Mardi 20 mai 2025, sur le campus de Lille
9h30 – 17h

—————————————–

De très nombreuses questions de recherche en Sciences Humaines et Sociales (SHS) visent à établir une relation de causalité entre un élément et ses effets attendus. Depuis plusieurs années, la qualité des études empiriques mises en place pour y répondre, s’est considérablement accrue notamment par un recours plus systématique aux stratégies d’identification préalablement développées en sciences économiques. Ces dernières répondent à une prise de conscience des économètres des limites de certaines de leurs méthodes et ont été couronnées par le prix Nobel d’Économie en 2021¹. C’est donc tout naturellement que cette « révolution de la crédibilité » en inférence causale s’est traduite par l’adoption récente et rapide des techniques d’identification les plus sophistiquées, notamment dans le domaine de la finance d’entreprise².

Thème de l’atelier 2025

L’atelier de 2025 se focalisera sur les méthodes de sélection sur les variables observables. Il couvrira le concept théorique de « potential outcome », les graphes acycliques dirigés (DAG), l’ajustement par régression, les méthodes d’appariement non paramétriques pour équilibrer les groupes de traitement et de contrôle, ainsi que les méthodes semi-paramétriques qui combinent des approches paramétriques et non paramétriques pour des estimations plus robustes.

Pour qui ?

Cette journée d’étude est destinée aux enseignants-chercheurs intéressés par le travail empirique et principalement par l’inférence causale. Même si le cadre empirique présenté repose essentiellement sur des illustrations issues de l’économie, la finance et la comptabilité, les champs d’application sont larges et intègrent l’ensemble des domaines en sciences de gestion et en SHS (marketing, stratégie, ressources humaines, organisation, sciences politiques, …).

Modalités pratiques et contact

• La journée sera animée par des enseignants-chercheurs en finance et en comptabilité de l’IAE de Lille et de l’IESEG. L’atelier est gratuit mais l’inscription est obligatoire avant le 20 avril 2025.
• L’atelier aura lieu en présentiel dans les locaux de l’IÉSEG Lille le mardi 20 mai 2025.
• A la suite de votre inscription, plus de détails vous seront fournis.

Comité d’organisation

Jean-Gabriel Cousin (Univ. Lille IAE France – LUMEN), Hicham Daher (IÉSEG – LEM), Marion Dupire (IÉSEG – LEM), Jean-Yves Filbien (Univ. Lille, IAE France – LUMEN), Maia Gejadze (IÉSEG – LEM), Gael Imad’Eddine (Univ. Lille, IAE France – LUMEN), Paolo Mazza (IÉSEG – LEM), Romain Oberson (IÉSEG – LEM).

programme

• 9h00 – 9h30 : accueil
• 9h30 – 10h30 : introduction et cadre théorique avec pour support les références [10], [4], [5] et [6]
• 10h30 – 11h30 : l’ajustement par régression avec pour support les références [2] et [12]
• 11h30 – 12h30 : les méthodes paramétriques and semi-paramétriques avec pour supports les références [1], [8] et [10]
• 12h30 – 14h00 : repas
• 14h – 15h : Illustration empirique avec pour support les références [8] et [9]
• 15h – 16h30 : travail de groupe
• 16h30 – 17h00 : temps de discussion libre

Références

1. Abadie, A., & Imbens, G.W. (2006). Large sample properties of matching estimators for average treatment effects. Econometrica, 74(1), pp. 235-267
2. Angrist, J.D., & Pischke, J.S. (2009). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton University Press
3. Bowen, D., Frésard, L. & Taillard, J. (2016) What’s Your Identification Strategy? Innovation in Corporate Finance Research. Management Science 63(8):2529-2548.
4. Cunningham (2021). Causal inference: The mixtape. Yale University Press.https://mixtape.scunning.com
5. Holland, P.W. (1986). Statistics and causal inference. Journal of the American Statistical Association. Vol. 81, pp. 945-960.
6. Huntington-Klein, N. (2022). The effect: An introduction to research design and causality. Chapman and Hall/CRC. https://theeffectbook.net/
7. Imbens, G.W. (2004). Nonparametric estimation of average treatment effects under exogeneity: A review. The Review of Economics and Statistics. 86(1), pp. 4-29.
8. Imbens, G.W., & Xu, Y. (2024). LaLonde (1986) after Nearly Four Decades: Lessons Learned. Working paper. Available at SSRN https://ssrn.com/abstract=4849285
9. LaLonde, R.J. (1986). Evaluating the econometric evaluations of training programs with experimental data. The American Economic Review. 76(4), pp 604-620.
10. Rosenbaum, P.R., & Rubin, D.B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika. 70(1), pp. 41-55.
11. Rubin, D.B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), pp. 688-701.
12. Sloczynski, T. (2022). Interpreting OLS Estimands when treatment effects are heterogeneous: smaller groups get larger weights. The Review of Economics and Statistics, 104(3), pp. 501-509.

[1] David Card, Joshua Angrist et Guido Imbens “for their methodological contributions to the analysis of causal relationships” The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2021 – NobelPrize.org 2 The proportion of academic articles using modern identification strategies was close to zero until the late 1980s, then steadily increased to over 50% by 2012 (Bowen, Frésard et Taillard, 2017)