Module 8 Mesure

Pour estimer des effets et tester des hypothèses, nous utilisons souvent un résultat mesuré à l’aide de données quantitatives provenant d’enquêtes, de jeux comportementaux ou d’archives administratives. Pour les questions causales, nous utilisons généralement des données de résultats immédiats et finaux et de mécanismes de base. Nous utilisons des données de base pour identifier les sous-groupes pertinents, ajuster nos estimations ou randomiser notre traitement par bloc. Les mesures doivent être valides et fiables. Sachez que les données peuvent être bruitées (erreur aléatoire) et/ou biaisées (erreur systématique).

Ce module traite que mesurer et comment mesurer. Il montre à quel point une bonne mesure est liée à la conception de recherche et à la puissance statistique.

8.1 Contenu

  • Lorsque nous représentons un attribut d’une unité par un nombre, une lettre, un mot ou un symbole d’une manière systématique (par exemple, dans une case d’un simple dataset), nous mesurons.

  • Une mesure valide d’un concept ou d’un phénomène d’intérêt doit clairement représenter cette entité sous-jacente et souvent abstraite.

  • Une mesure fiable d’un concept donnerait la même valeur pour l’unité de mesure (par exemple, une personne ou un village) si les conditions ne changent pas.

  • Nous pouvons évaluer nos théories de mesure en utilisant plusieurs approches pour mesurer les résultats, les covariables ou les différences entre unités en fonction des différents rendus des mécanismes causaux.

  • Pour votre conception de recherche, une mesure invalide peut rendre difficile la distinction efficace des explications alternatives de la relation entre le traitement et les résultats.

  • Une mesure non fiable peut diminuer la puissance statistique.

  • Une mesure difficile peut nécessiter une étude pilote centrée sur la mesure elle-même.

8.2 Slides

Vous trouverez ci-dessous des slides avec le contenu de base de notre conférence sur la mesure. Vous pouvez les utiliser directement ou les copier localement avant de les éditer.

8.3 Ressources

8.3.1 Guide des méthodes EGAP

8.3.2 Livres, chapitres et articles

  • Robert Adcock and David Collier, “Measurement Validity: A Shared Standard for Qualitative and Measurement Validity: A Shared Standard for Qualitative and Quantitative Research.” American Political Science Review 95, no. 3 (2001): 529–546.

  • Alexandra Scacco and Shana S. Warren, “Can Social Contact Reduce Prejudice and Discrimination? Evidence from a Field Experiment in Nigeria,” American Political Science Review 112, no. 3 (2018): 654–677.

  • William R. Shadish et al., Experimental and Quasi-Experimental Designs for Generalized Causal Inference/William R. Shedish, Thomas d. Cook, Donald T. Campbell. (Boston: Houghton Mifflin, 2002).

  • Pedro C. Vicente, “Is Vote Buying Effective? Evidence from a Field Experiment in West Africa,” Economic Journal 124, no. 574 (2014): F356–87.