7 Méthode d’appariement

Cliquer ici pour télécharger la présentation.

On a vu dans le chapitre précédent que les comparaisons simples réalisées entre les premières et les dernières aires à avoir été formellement protégées pose problème.

On va maintenant chercher à renforcer la comparabilité entre le goupe de traitment et le groupe de contrôle en réalisant un appariemment (cf. diapos de présentation).

On va utiliser le package {MatchIt}: ne pas hésiter à se référer à la documentation du package : [TODO: insérer le lien vers la doc]

On va commencer par réaliser quelques ajustements, car {MatchIt} requiert qu’aucune valeur des variables mobilisées ne soit manquante. On va donc retirer les observations comportant des NA.

Code

library(tidyverse) # Simplifie la manipulation de données
library(lubridate) # Simplifie les opérations sur des dates
library(sf) # Pour traiter les données spatiales
library(MatchIt) # Pour réaliser les appariements.
library(cobalt) # Pour les tests d'équilibre sur l'appariement
library(gt) # Pour faire de jolies tables
library(stargazer) # Pour préssenter les résultats de régressions

# Désactiver les notations scientifiques
options(scipen =999)
# On recharge les données préparées dans le chapitre 3
load("data/ch3_AP_Vahatra.rds")

# Harmoniser les données entre avant et après.
load("data/rct_AP_Mada.rds")


rct_AP_Mada_noNA <- rct_AP_Mada %>%
  # On enlève les observations pour lesquelles il manque des valeurs
  filter(!is.na(`Déforestation 1996-2016 (%)`)) %>%
  filter(!is.na(dist_ville)) %>%
  # La vatiable de traitement doit être recodée en [0, 1]
  mutate(traitement = ifelse(Groupe == "Traitement", 1, 0)) %>%
  rename(surface_ha = `Surface (ha)`, 
         couv_foret_96 = `Couvert forestier en 1996 (%)`)

rct_AP_Mada_noNA %>%
  group_by(Groupe) %>%
  summarize(`Nombre d'aires protégées` = n()) %>%
  gt() %>%
  tab_header("Observations par groupe avant appariemment") %>%
  tab_source_note("Source : Association Vahatra et Carvalho et al. 2018")

Groupe	Nombre d'aires protégées
Observations par groupe avant appariemment
Controle	47
Traitement	43
Source : Association Vahatra et Carvalho et al. 2018

Pour commencer, on va estimer le un modèle qui estime dans quel mesure la propension pour une aire d’avoir été protégée avant 2015 dépend de sa taille, de son taux de couverture forestière en 1996, de son altitude, de son caractère accidenté et de sa distance d’une ville d’au moins 5000 habitants.

Cette spécification peut se représenter selon l’équation suivante : [TODO: revoir la spécification au format standard]

\[ T = \alpha + \beta_{1}A + \beta_{2}B + \beta_{3}C + \beta_{4}D + \beta_{5}E + \varepsilon \tag{7.1}\]

Où Y est le traitement, A est la taille (surface en hectares, B le taux de couverture forestière en 1996, C l’altitude, D, le caractère accidenté et E le temps de parcours à une ville d’au moins 5000 habitants.

Cette même formule est encodée en R de la manière suivante :

pscor <- traitement ~  surface_ha + 
                       couv_foret_96 + 
                       altitude +
                       indice_accidente + 
                       dist_ville

On va maintenant réaliser une régression pour connaître l’influence de ces facteurs dans la désignation des aires comme protégées.

Code

reg_select <- glm(formula = pscor,
                  family = binomial(link = "probit"),
                  data = rct_AP_Mada_noNA)

match_out1 <- stargazer(reg_select, type = "html") %>%
  str_replace_all("\\*", "\\\\*") 

# Dans un bloc plus bas et non affiché, on a le code suivant
# cat(match_out1)


	Dependent variable:

	traitement

surface_ha	-0.00000
	(0.00000)

couv_foret_96	0.005
	(0.006)

altitude	-0.0003
	(0.0004)

indice_accidente	0.004
	(0.023)

dist_ville	0.002^**
	(0.001)

Constant	-0.498
	(0.364)


Observations	90
Log Likelihood	-59.054
Akaike Inf. Crit.	130.108

Note:	^p<0.1; ^p<0.05; ^**p<0.01

On va maintenant utiliser ce modèle pour comparer les aires protégées traitées en premier par rapport à celles traitées plus récemment.


	Dependent variable:

	`Déforestation 1996-2016 (%)`

traitement	-6.781^**
	(3.166)

surface_ha	0.00000
	(0.00002)

couv_foret_96	-0.083
	(0.072)

altitude	0.001
	(0.005)

indice_accidente	-0.357
	(0.260)

dist_ville	-0.009
	(0.015)

Constant	25.457^***
	(4.826)


Observations	78
R²	0.144
Adjusted R²	0.072
Residual Std. Error	13.939 (df = 71)
F Statistic	1.992^* (df = 6; 71)

Note:	^p<0.1; ^p<0.05; ^**p<0.01

7 Méthode d’appariement

7.0.1 Exercice simple

7.0.2 Exercice intermédiaire

7.0.3 Exercice avancé