Présenter les résultats d’une DiD

Du tableau de régression à la présentation des résultats — Master GPE FERDI IHEDD

Auteur·rice

Pierre Beaucoral — Master GPE FERDI IHEDD

Date de publication

17 mars 2026

Note

Cette page ne contient pas de code R. Elle se concentre uniquement sur la façon de formuler et présenter les résultats d’une évaluation DiD à un public non-économiste.

1 Pourquoi formuler les résultats est difficile

Transformer un tableau de régression en phrase compréhensible pour un décideur est un exercice à part entière. Ce n’est pas une question de simplification — un résultat mal formulé reste mal compris, qu’il soit trop technique ou trop vague. C’est une question de précision dans le bon registre : le chiffre doit être là, l’unité doit être là, l’incertitude doit être là, mais le jargon ne doit pas être là.

La difficulté est réelle parce que les habitudes d’écriture académique vont à l’encontre de ce qu’on attend d’un rapport destiné à l’action. Ce que vous écrivez pour une revue économique et ce que vous écrivez pour votre Directeur général ou pour un bailleur de fonds sont deux textes différents avec deux logiques différentes.

2 Du tableau à la présentation des résultats

Après estimation, R produit quelque chose comme ceci :

Terme Estimateur Écart-type p-value
(Intercept) 0.423 0.012 < 0.001
traite 0.031 0.017 0.072
apres 0.011 0.009 0.218
traite:apres 0.082 0.021 0.001

C’est le résultat brut. La ligne qui compte est traite:apres — l’estimateur DiD. Le travail de communication commence ici.

2.1 La règle des quatre éléments

Toute formulation d’un résultat DiD doit contenir :

  1. Le chiffre — avec son unité de mesure
  2. Le sens — hausse ou baisse
  3. La variable concernée — ce qui a changé
  4. La portée — par rapport à quoi, pour qui
Astuce

Formule type : “Le programme a [augmenté / diminué] [variable] de [valeur absolue] ([valeur relative] %), dans les [unités traitées], [sur quelle période].”

3 Exemples de formulations (à ne pas faire / à faire)

3.1 Exemple 1 — Résultat principal (coefficient d’interaction)

Avertissement

À éviter : “Le coefficient de l’interaction traite×apres est de 0,082 (p = 0,001).”

Astuce

À faire : “Le programme Formation Compétences+ a augmenté le taux d’emploi formel de 8,2 points de pourcentage dans les régions bénéficiaires, soit une hausse de 19 % par rapport au niveau observé avant le programme dans les régions de contrôle.”

3.2 Exemple 2 — Résultat avec signe négatif

Avertissement

À éviter : “L’ATT estimé sous l’hypothèse de tendances parallèles est de −0,034 avec un écart-type robuste de 0,018.”

Astuce

À faire : “La hausse du salaire minimum est associée à une baisse de 3,4 % de l’emploi des jeunes dans les comtés concernés. Ce résultat est significatif à 6 % — à interpréter avec prudence avant toute décision de politique salariale.”

3.3 Exemple 3 — Résultat non significatif

Avertissement

À éviter : “Le coefficient n’est pas significativement différent de zéro au seuil de 5 %.”

Astuce

À faire : “Nous n’observons pas d’effet détectable du programme sur les recettes fiscales communales dans la période étudiée. Ce résultat peut refléter une absence d’impact réel, un délai de mise en œuvre trop court, ou des données insuffisamment précises. Des données sur une période plus longue permettraient de conclure plus fermement.”

3.4 Exemple 4 — Le test de pre-trend

Avertissement

À éviter : “L’event study montre des coefficients pré-traitement non significativement différents de zéro.”

Astuce

À faire : “La méthode est valide : le graphique d’évolution des indicateurs confirme que les régions bénéficiaires et de contrôle suivaient des trajectoires similaires avant le lancement du programme, ce qui renforce la confiance dans l’estimation de l’effet causal.”

3.5 Exemple 5 — Hétérogénéité des effets

Avertissement

À éviter : “L’agrégation de type ‘group’ de l’estimateur Callaway-Sant’Anna révèle une hétérogénéité entre cohortes.”

Astuce

À faire : “L’effet du programme varie selon la vague d’adoption : les régions entrées dans le programme dès 2015 enregistrent un impact deux fois plus élevé que celles ayant rejoint en 2017. Cela peut suggérer que les effets s’accumulent dans le temps, ou que les premières régions ciblées bénéficiaient de conditions plus favorables.”