📈 economics

Double Machine Learning for Static Panel Data with Instrumental Variables: New Method and Applications

Cet article propose une nouvelle méthode d'apprentissage automatique double pour les données de panel statiques avec variables instrumentales, permettant une inférence causale plus fiable face à des covariables de haute dimension et des instruments faibles, comme le démontrent des applications sur des études de migration.

Auteurs originaux : Anna Baiardi, Paul S. Clarke, Andrea A. Naghi, Annalivia Polselli

Publié 2026-03-24

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Anna Baiardi, Paul S. Clarke, Andrea A. Naghi, Annalivia Polselli

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Titre : "Double Machine Learning pour les Données de Panel avec Variables Instrumentales"

En français : "Apprendre deux fois pour mieux comprendre : une nouvelle méthode pour démêler les vraies causes dans des données complexes."

1. Le Problème : Le "Brouillard" des Données

Imaginez que vous êtes un détective (l'économètre) qui essaie de résoudre un crime : Est-ce que l'immigration change vraiment les opinions politiques des gens ?

Le problème, c'est que la ville (les données) est remplie de brouillard.

Il y a des facteurs cachés (le chômage, l'âge moyen, la culture locale) qui influencent à la fois le nombre d'immigrants ET les opinions politiques.
Si vous regardez simplement les chiffres, vous pourriez conclure à tort que "plus d'immigrants = plus de conservatisme", alors que c'est peut-être juste la crise économique qui pousse tout le monde à être plus conservateur.

Pour résoudre ça, les économistes utilisent traditionnellement une clé magique appelée "Variable Instrumentale" (IV). C'est comme un sismographe : il mesure un tremblement de terre (l'arrivée d'immigrants) qui n'est pas causé par le brouillard, mais par des forces extérieures (comme l'histoire des migrations).

Mais voici le hic :
Dans le passé, les économistes utilisaient une vieille clé à molette (la méthode 2SLS) pour tourner cette clé magique. Cette clé à molette est rigide. Elle suppose que le monde est simple et linéaire (comme une ligne droite). Or, la réalité est courbe, complexe et remplie de surprises (non-linéaire). Quand le brouillard est trop épais (trop de variables), la vieille clé à molette se coince et donne de faux résultats.

2. La Solution : Le "Double Machine Learning" (DML)

Les auteurs de ce papier proposent une nouvelle boîte à outils : le Double Machine Learning (DML).

Imaginez que vous avez deux assistants très intelligents (des algorithmes d'intelligence artificielle) :

L'Assistant A regarde le brouillard et apprend à prédire comment les facteurs cachés (chômage, âge, etc.) influencent les opinions politiques.
L'Assistant B regarde le brouillard et apprend à prédire comment ces mêmes facteurs influencent l'arrivée des immigrants.

Ensuite, le détective (le chercheur) demande aux assistants de soustraire tout ce qu'ils ont prédit des données réelles.

Résultat : Il ne reste plus que le "bruit" pur, le signal net, sans le brouillard.
C'est comme si vous aviez nettoyé la vitre de votre voiture avec un essuie-glace ultra-puissant avant de conduire. Vous voyez enfin la route clairement.

Ce papier est spécial car il adapte cette technique pour les données de panel (des données qui suivent les mêmes personnes ou villes sur plusieurs années). C'est comme si vous nettoyiez non seulement la vitre, mais que vous suiviez aussi l'évolution de la route jour après jour, en tenant compte des habitudes de conduite de chaque chauffeur (les effets fixes individuels).

3. Le Piège : Quand la Clé Magique est "Molle"

Parfois, même avec nos deux assistants intelligents, la "clé magique" (l'instrument) est faible. C'est comme essayer d'ouvrir une porte lourde avec un cure-dent : ça ne tient pas.

Dans les études traditionnelles, les chercheurs regardent un indicateur (le "F-statistic") pour voir si leur clé est solide. Mais ce papier montre que :

Avec les vieilles méthodes (2SLS), la clé semble solide, alors qu'elle est en fait en plastique.
Avec la nouvelle méthode (DML), on réalise que la clé est faible parce qu'on a enlevé tout le brouillard qui la masquait.

La solution proposée : Utiliser un test spécial appelé Anderson-Rubin (AR).
Imaginez que vous ne cherchez plus à savoir si la clé est solide, mais que vous testez directement si la porte s'ouvre. Le test AR est comme un test de résistance : il vous dit, "Même si la clé est faible, voici la plage de possibilités réelles". Cela évite de faire des affirmations dangereuses basées sur des illusions.

4. Les Applications Réelles : L'Histoire de l'Immigration

Les auteurs ont testé leur méthode sur trois grandes études réelles concernant l'immigration en Europe et aux USA.

Cas 1 (Tabellini, 2020) : L'étude originale disait que l'immigration rendait les gens plus conservateurs.
- Avec la nouvelle méthode : On confirme que l'immigration rend les gens plus conservateurs (et même un peu plus !). Mais pour l'économie, la nouvelle méthode dit : "Non, il n'y a pas d'effet". La vieille méthode avait vu un effet là où il n'y en avait pas.
Cas 2 & 3 (Moriconi et al.) : Ces études disaient que l'immigration changeait les votes et les attitudes.
- Avec la nouvelle méthode : En enlevant tout le brouillard (les facteurs complexes), on réalise que la "clé magique" utilisée par les auteurs originaux était en fait très faible.
- Conclusion : On ne peut pas être sûr de rien ! La nouvelle méthode dit : "Arrêtez de tirer des conclusions hâtives. Les données ne sont pas assez fortes pour prouver que l'immigration change les votes." C'est une conclusion plus prudente, mais plus honnête.

5. En Résumé : Pourquoi c'est important ?

Ce papier nous apprend trois choses essentielles, avec une analogie de cuisine :

La recette est trop complexe : On ne peut plus cuisiner avec des ustensiles en bois (les vieilles méthodes statistiques) quand on a des ingrédients complexes (données massives et non-linéaires). Il faut un robot-cuisine (Machine Learning).
Double vérification : Il faut nettoyer les ingrédients deux fois (Double Machine Learning) pour s'assurer qu'il ne reste aucune impureté (biais) avant de servir le plat.
Méfiez-vous des apparences : Parfois, un plat a l'air bon (résultats significatifs en 2SLS) mais il est en fait raté parce que la cuisson était mauvaise (instrument faible). Le nouveau test (Anderson-Rubin) est comme un test de goût qui vous dit : "Même si ça a l'air bon, ne mangez pas si vous n'êtes pas sûr."

Le message final : Cette nouvelle méthode permet aux économistes d'être plus honnêtes. Elle évite de raconter des histoires fausses basées sur des données mal nettoyées et nous aide à dire "Je ne sais pas" quand les preuves ne sont pas assez solides, plutôt que de inventer des causalités.

1. Problématique et Contexte

Les données de panel sont fondamentales en économétrie pour contrôler l'hétérogénéité non observée invariante dans le temps. Cependant, l'inférence causale devient extrêmement difficile lorsque le traitement est endogène et que les variables de confusion (confounders) sont de haute dimension et potentiellement non linéaires.

Limites des méthodes standards : L'estimateur standard à variables instrumentales (VI), tel que les Moindres Carrés en Deux Étapes (2SLS), devient peu fiable lorsque la validité de l'instrument dépend d'un ajustement conditionnel riche sur de nombreuses covariables. Les méthodes linéaires traditionnelles échouent face à la dimensionnalité élevée (risque de singularité de matrice) et ne peuvent capturer des relations non linéaires sans spécification paramétrique explicite.
Le dilemme : Il existe une tension entre la nécessité de contrôler un large ensemble de confondants pour justifier l'exogénéité de l'instrument et les limitations des méthodes conventionnelles sous contraintes de parcimonie et de sélection de modèle.

2. Méthodologie : Panel IV DML

Les auteurs proposent une nouvelle procédure d'Apprentissage Double (Double Machine Learning - DML) adaptée aux modèles de panel statiques avec traitements endogènes et variables instrumentales, baptisée Panel IV DML.

A. Cadre Économétrique

Le modèle repose sur une extension du modèle de régression partiellement linéaire (PLR) de Robinson (1988) et du cadre DML de Chernozhukov et al. (2018) aux données de panel.

Équations structurelles :
1. Équation de résultat : $Y_{it} = \theta_0 (D_{it} - r_0(X_{it})) + l_0(X_{it}) + \alpha_i + U_{it}$
2. Équation de traitement (première étape) : $D_{it} = V_{it}'\pi_0 + r_0(X_{it}) + \zeta_i + R_{it}$
3. Équation de l'instrument : $V_{it} = Z_{it} - m_0(X_{it}) - \gamma_i$
- Où $D_{it}$ est le traitement endogène, $Z_{it}$ les instruments, $X_{it}$ les covariables, et $\alpha_i, \zeta_i, \gamma_i$ des effets fixes individuels non observés.
- Les fonctions de nuisance $l_0, r_0, m_0$ sont non linéaires et estimées par des algorithmes d'apprentissage automatique (ML).

B. Transformation des Données

Pour éliminer les effets fixes individuels ( $\alpha_i, \zeta_i, \gamma_i$ ) sans imposer de contraintes fortes sur le processus générateur de données, les auteurs utilisent une transformation par différences premières (First-Differencing - FD). Cela permet de transformer le modèle en une forme où les effets fixes sont absents, facilitant l'estimation des fonctions de nuisance transformées.

C. Estimation et Inférence

Fonctions de Score de Neyman : Le cœur de la méthode réside dans la construction de fonctions de score orthogonales de Neyman. Ces scores sont conçus pour être insensibles aux petites erreurs de prédiction des fonctions de nuisance, permettant ainsi d'utiliser des algorithmes ML flexibles (Lasso, forêts, réseaux de neurones) sans introduire de biais de régularisation dans l'estimation du paramètre structurel $\theta_0$ .
Cross-fitting par blocs : Pour éviter le surapprentissage (overfitting) et garantir la validité asymptotique, la méthode utilise une validation croisée par blocs (block-k-fold cross-fitting), où la série temporelle complète d'une unité individuelle est assignée au même pli.
Diagnostics de Faible Identification :
- Statistique F de première étape : Adaptée au cadre DML pour détecter la faiblesse des instruments.
- Test d'Anderson-Rubin (AR) : Les auteurs proposent des statistiques de test et des ensembles de confiance basés sur le test AR. Contrairement au 2SLS, le test AR reste valide même lorsque les instruments sont faibles, car il teste les restrictions de forme réduite sans dépendre de la force de l'instrument pour l'identification.

3. Contributions Clés

Extension du DML aux Données de Panel : C'est l'une des premières applications du DML aux modèles de panel statiques avec effets fixes et traitements endogènes, en tenant compte de la dépendance sérielle et de l'hétérogénéité individuelle.
Intégration des Tests de Faiblesse des Instruments : Développement de diagnostics (F-stat et AR) spécifiques au DML pour les données de panel, comblant un vide méthodologique important pour les chercheurs utilisant des instruments potentiels faibles.
Flexibilité Non Linéaire : La méthode permet d'ajuster de manière flexible des ensembles de covariables de haute dimension et non linéaires, rendant les instruments "aussi bons que aléatoires" (as good as randomly assigned) là où les méthodes linéaires échouent.

4. Résultats Empiriques et Simulations

Les auteurs réanalysent trois études influentes sur l'immigration utilisant des instruments "shift-share" :

Étude 1 : Tabellini (2020) - Effets de l'immigration aux États-Unis (début XXe siècle) :
- Le Panel IV DML renforce la puissance prédictive de l'instrument (meilleure pertinence) grâce à l'ajustement flexible.
- Les résultats confirment globalement le 2SLS pour les effets politiques, mais infirment les effets économiques trouvés par le 2SLS (le Panel IV DML trouve un effet nul).
- L'ajout de contrôles supplémentaires rend les effets initiaux non significatifs dans les deux méthodes, suggérant une sensibilité aux confondants plutôt qu'à la méthode d'estimation.
Études 2 & 3 : Moriconi et al. (2019, 2022) - Immigration et attitudes politiques en Europe :
- Dans ces cas, l'ajustement flexible du Panel IV DML révèle que les instruments "shift-share" sont faibles (faible pertinence), alors qu'ils apparaissaient forts sous le 2SLS standard.
- Les diagnostics de faible identification (F-stat bas, ensembles de confiance AR non bornés) indiquent que l'identification causale est insuffisante.
- Contrairement au 2SLS qui produit des estimateurs biaisés et des inférences trompeuses, le Panel IV DML fournit une inférence plus prudente et honnête, signalant l'impossibilité d'estimer un effet causal fiable.
Simulations de Monte Carlo :
- Instruments forts : Le Panel IV DML surpasse le 2SLS en termes de biais et de convergence, notamment grâce à sa capacité à capturer les non-linéarités.
- Instruments faibles : Le 2SLS échoue systématiquement à détecter la faiblesse des instruments (F-stat élevés artificiellement, intervalles de confiance trompeurs). Le Panel IV DML, couplé aux tests AR, détecte correctement la faible identification et fournit des ensembles de confiance non bornés, reflétant l'incertitude réelle.

5. Signification et Conclusion

Cet article démontre que l'application de l'apprentissage automatique aux données de panel avec variables instrumentales est non seulement possible, mais nécessaire pour une inférence causale robuste.

Avantage principal : Le Panel IV DML permet de contrôler des confondants complexes et non linéaires, ce qui peut soit améliorer la validité des instruments (en éliminant les biais de spécification), soit révéler leur faiblesse réelle.
Recommandation : Les auteurs plaident pour l'utilisation systématique des diagnostics de faible identification (notamment le test d'Anderson-Rubin) dans les applications empiriques utilisant des variables instrumentales, car les méthodes conventionnelles comme le 2SLS peuvent être gravement trompeuses lorsque les instruments sont faibles ou lorsque les relations sont non linéaires.

En résumé, cette méthode offre une boîte à outils théoriquement fondée et empiriquement pratique pour combler les lacunes des méthodes économétriques traditionnelles dans les environnements de données complexes et de haute dimension.