Estimating Long Run Welfare Outcome in Rotating Panel with Grouped Fixed Effects: Application to Poverty Dynamics in Peru

Cet article propose l'application d'effets fixes groupés (GFE) à des panels rotatifs pour mieux estimer la dynamique de la pauvreté et les transitions à long terme au Pérou, démontrant que cette méthode surpasse les panneaux synthétiques en capturant plus précisément les mouvements d'entrée et de sortie de la pauvreté.

L'essentiel

🌟 Le Problème : La Photographie vs. Le Film

Imaginez que vous voulez comprendre comment la vie des familles pauvres au Pérou évolue sur 10 ans.

• Le problème : Vous n'avez pas de caméra pour filmer chaque famille en continu. Vous n'avez que des photos prises tous les ans.
• La difficulté : Sur ces photos, vous voyez des familles différentes chaque fois. Parfois, vous avez une photo de la famille A en 2007, puis une photo de la famille B en 2008. Vous ne savez pas si la famille A est devenue riche ou est restée pauvre, car vous ne les avez pas suivies. C'est comme essayer de reconstituer l'histoire d'un film en regardant des photos aléatoires de différents acteurs.

Les économistes utilisent souvent des méthodes pour "deviner" ce qui s'est passé entre les photos (comme des méthodes de "panneau synthétique"), mais c'est un peu comme deviner la fin d'un livre en lisant seulement les titres des chapitres.

🧩 La Solution : Le Puzzle Intelligent (GFE)

Les auteurs de ce papier (Hongdi Zhao et Seungmin Lee) ont une idée géniale. Ils utilisent une méthode appelée Effets Fixes Groupés (GFE).

Voici l'analogie pour comprendre :

Imaginez que vous avez un puzzle géant de la vie des familles péruviennes, mais il manque beaucoup de pièces (les années où les familles ne sont pas interrogées).

1. Le Rotating Panel (Le Panneau Rotatif) : Au Pérou, l'enquête fonctionne comme un roulement. Chaque année, on interroge de nouvelles familles, mais on en garde aussi quelques-unes de l'année précédente pendant 3 à 5 ans avant de les remplacer. C'est comme si vous aviez un film où certains acteurs restent 3 scènes, puis partent, et de nouveaux arrivent.
2. Le Groupe de "Types" : Au lieu de regarder chaque famille individuellement (ce qui est trop bruyant et imprécis avec si peu de données), les auteurs disent : "Regardons les familles qui ont des trajectoires de vie similaires."
   • Ils utilisent un algorithme pour regrouper les familles en 4 catégories invisibles (des "types") basées sur leur comportement passé.
   • Type 1 (Les "Rochers") : Des familles qui restent toujours très aisées, peu importe les années.
   • Type 2 (Les "Escaliers") : Des familles qui montent doucement, puis redescendent.
   • Type 3 (Les "Ascenseurs") : Des familles qui s'en sortent très bien et deviennent riches rapidement.
   • Type 4 (Les "Trappe") : Des familles qui restent coincées dans la pauvreté.

🔮 La Magie : Prédire l'Avenir

Une fois qu'ils ont identifié ces 4 types de familles, ils peuvent faire de la magie prédictive :

• Si une famille a été observée pendant 3 ans et qu'elle ressemble au "Type 3" (l'ascenseur), l'algorithme peut dire : "Même si on ne vous a pas vu en 2010, 2011 et 2012, comme vous êtes du Type 3, il est très probable que vous ayez continué à vous enrichir ces années-là."
• Ils remplissent les trous du puzzle en utilisant la "signature" du groupe auquel la famille appartient.

🏆 Les Résultats : Pourquoi c'est mieux ?

Les auteurs ont testé leur méthode avec les données réelles du Pérou (2007-2019) et l'ont comparée aux anciennes méthodes.

1. Précision : Leur méthode (GFE) prédit les changements de pauvreté beaucoup mieux que les anciennes méthodes. C'est comme si leur "film" reconstruit correspondait presque parfaitement à la réalité, même pour les années où ils n'avaient pas de données.
2. Compréhension : Au lieu de juste dire "la pauvreté a baissé de 5%", ils peuvent dire : "La pauvreté a baissé parce que le 'Type 3' (les familles qui montent) a vraiment prospéré, tandis que le 'Type 4' (les familles piégées) a eu du mal."
3. Stabilité : Même quand ils changent les règles de calcul, les résultats restent les mêmes. C'est une méthode solide.

💡 En Résumé pour la Politique

Pourquoi est-ce important ?

• Les aides temporaires (comme l'argent pour manger ce mois-ci) aident ceux qui tombent dans le piège par hasard (les "Type 2").
• Les investissements à long terme (écoles, routes, électricité) sont nécessaires pour aider ceux qui sont piégés structurellement (les "Type 4").

Grâce à cette méthode, les décideurs politiques peuvent voir non seulement qui est pauvre aujourd'hui, mais comment les familles bougent dans le temps. Ils peuvent ainsi mieux cibler l'aide : donner des outils pour sortir du piège aux uns, et un filet de sécurité aux autres.

En une phrase : Ce papier nous apprend comment utiliser de petits bouts de film (des données partielles) pour reconstruire un film complet et précis de la vie des pauvres, en les classant par "personnages" qui ont des histoires de vie similaires.

Résumé technique

1. Problématique et Contexte

L'étude des dynamiques de la pauvreté au niveau des ménages est souvent entravée par l'absence de données de panel à long terme. Les données de panel véritable (suivant les mêmes ménages sur de longues périodes) sont rares et coûteuses à maintenir. En leur absence, les chercheurs utilisent souvent des panels synthétiques ou des pseudo-panels basés sur des enquêtes transversales répétées.

Cependant, ces méthodes présentent des limites majeures :

• Elles ignorent la variation intra-ménage présente dans les panels rotatifs (où un sous-ensemble de ménages est suivi sur plusieurs années avant d'être remplacé par de nouveaux).
• Les panels synthétiques reposent sur des hypothèses fortes concernant la distribution conjointe des chocs non observés et la définition des cohortes, ce qui peut biaiser les estimations de la mobilité et de la persistance de la pauvreté, surtout sur le long terme.
• Les données de panels rotatifs (comme l'enquête ENAHO au Pérou) offrent une fenêtre d'observation courte (2 à 6 ans) mais contiennent des informations précieuses sur la persistance des chocs et l'hétérogénéité non observée grâce au chevauchement des ménages entre les vagues.

L'objectif de cet article est de combler ce fossé en utilisant une méthode économétrique avancée pour estimer les dynamiques de pauvreté à long terme à partir de données de panels rotatifs courts, en exploitant pleinement la variation intra-ménage.

2. Méthodologie : L'Estimateur à Effets Fixes Groupés (GFE)

Les auteurs appliquent l'estimateur Grouped Fixed Effects (GFE) développé par Bonhomme et Manresa (2015) aux données de l'enquête nationale péruvienne sur les conditions de vie et la pauvreté (ENAHO) couvrant la période 2007-2019.

Modélisation :
Le modèle spécifie le bien-être (mesuré par la dépense par habitant transformée par la fonction sinus hyperbolique inverse, IHS) comme suit :
$$y_{it} = x'_{it}\theta + \alpha_{g_i t} + \mu_{p_i} + \varepsilon_{it}$$
Où :

• $y_{it}$ : Dépense par habitant du ménage $i$ à l'année $t$.
• $x_{it}$ : Vecteur de caractéristiques observées (démographiques, éducation, etc.).
• $\theta$ : Coefficients communs à tous les ménages.
• $\alpha_{g_i t}$ : Effet fixe groupe-temps. C'est le cœur de la méthode. Les ménages sont classés dans un nombre fini de groupes latents ($G$). Chaque groupe $g$ possède sa propre trajectoire temporelle d'hétérogénéité non observée.
• $\mu_{p_i}$ : Effet fixe de localisation (province) pour contrôler les différences persistantes géographiques.
• $\varepsilon_{it}$ : Terme d'erreur idiosyncrasique.

Algorithme d'estimation :
L'estimation utilise un algorithme de recherche de voisinage variable (VNS) combiné à une recherche locale, adapté aux panels déséquilibrés (rotatifs) :

1. Clustering : Les ménages sont assignés à des groupes latents de manière à minimiser la somme des carrés des résidus, en tenant compte uniquement des années où le ménage est observé.
2. Estimation conjointe : Les paramètres ($\theta, \alpha, \mu$) et l'appartenance aux groupes ($\gamma$) sont estimés itérativement.
3. Sélection du nombre de groupes ($G$) : Le nombre optimal de groupes est déterminé en minimisant le Critère d'Information Bayésien (BIC) et l'Erreur Quadratique Moyenne (RMSE) sur des données de test (validation hors échantillon).

Prédiction et Reconstruction :
Une fois les groupes et les trajectoires $\hat{\alpha}_{gt}$ estimés, le modèle permet de reconstruire des trajectoires de bien-être complètes pour tous les ménages sur toute la période, même pour les années où ils n'ont pas été interrogés (en imputant les covariables manquantes par des règles simples, comme le report de la dernière valeur observée pour les variables stables).

3. Contributions Clés

1. Nouvelle approche pour les panels rotatifs : C'est la première application de l'estimateur GFE à la dynamique de la pauvreté. La méthode exploite les informations intra-ménage des panels rotatifs, que les méthodes de panels synthétiques traditionnelles ignorent.
2. Estimation de la dynamique à long terme : Contrairement aux panels synthétiques qui sont souvent limités aux transitions d'une année à l'autre, le GFE permet de reconstruire des trajectoires de bien-être sur des horizons dépassant la durée d'observation réelle d'un ménage.
3. Structure latente interprétable : Au lieu de produire uniquement des taux de transition agrégés, la méthode identifie des « types » de ménages latents avec des trajectoires de pauvreté distinctes, offrant une compréhension plus riche de la persistance et de la mobilité.
4. Robustesse aux définitions de cohortes : La méthode est pilotée par les données (data-driven) et ne dépend pas de la définition arbitraire de cohortes (par âge, lieu, etc.) nécessaire aux pseudo-panels.

4. Résultats Principaux

L'application aux données ENAHO du Pérou (2007-2019) aboutit aux conclusions suivantes :

• Sélection du modèle : Le nombre optimal de groupes latents est identifié à $G=4$. Ce choix minimise l'erreur de prédiction hors échantillon (RMSE) tout en évitant le surajustement.
• Validation hors échantillon :
  • Les taux de transition de pauvreté prédits par le modèle GFE (validation « one-step-ahead ») correspondent très étroitement aux taux observés dans les données réelles.
  • Le GFE surpasse légèrement les estimateurs de panels synthétiques (méthode de Dang et al.) en termes de précision (RMSE plus faible) et de stabilité temporelle.
• Trajectoires de bien-être : Les quatre groupes identifiés montrent des dynamiques distinctes :
  • Groupe 1 (Top) : Bien-être élevé et stable.
  • Groupe 4 (Bottom) : Bien-être faible, mais montrant la plus forte amélioration au fil du temps.
  • Groupes 2 et 3 : Des trajectoires intermédiaires avec des phases de déclin ou de stagnation.
• Caractéristiques des groupes : L'analyse des profils de base révèle que les groupes ne sont pas arbitraires. Le groupe « Top » se distingue par un niveau d'éducation plus élevé, un meilleur accès aux services de base (eau, électricité) et une plus grande probabilité de parler espagnol. Le groupe « Bottom » présente des désavantages structurels marqués.
• Précision de prédiction : Le modèle atteint un taux de classification correcte de la pauvreté d'environ 83 % sur les années de test, démontrant sa capacité à prédire l'état de pauvreté futur à partir de l'histoire passée et de la structure latente.

5. Signification et Implications

• Politique publique : La méthode permet d'identifier non seulement qui est pauvre, mais comment les ménages évoluent dans le temps. Elle distingue la pauvreté transitoire (souvent liée à des chocs temporaires) de la pauvreté chronique (liée à un manque d'actifs productifs et d'infrastructures). Cela aide à concevoir des politiques ciblées : assistance sociale pour la pauvreté transitoire et accumulation d'actifs/infrastructures pour la pauvreté chronique.
• Apport méthodologique : L'article démontre que les panels rotatifs, souvent considérés comme limités pour l'analyse longitudinale, peuvent fournir des estimations robustes de la dynamique à long terme si l'on utilise des méthodes appropriées comme le GFE.
• Robustesse : Les résultats sont robustes à différentes spécifications de covariables et à l'élargissement de l'échantillon (suppression de la restriction d'âge). Cependant, restreindre l'échantillon aux ménages observés sur de très longues périodes (5+ ans) réduit la taille de l'échantillon et rend les trajectoires estimées plus sensibles aux spécifications du modèle, soulignant l'importance de la taille de l'échantillon dans les panels rotatifs.

En conclusion, cet article propose un cadre robuste et interprétable pour transformer des données de panels rotatifs courts en une vision claire des dynamiques de pauvreté à long terme, offrant une alternative supérieure aux méthodes de panels synthétiques traditionnelles dans les contextes de développement.