Microdynamics Interactions Paper - 2021 10 31a - Lds - Modifiable
Microdynamics Interactions Paper - 2021 10 31a - Lds - Modifiable
Microdynamics Interactions Paper - 2021 10 31a - Lds - Modifiable
1
Résumé
Cet article utilise des données expérimentales inédites issues d'un programme de visites à
domicile largement diffusé et mis en œuvre en Chine avec des mesures à haute fréquence pour
étudier l'efficacité de différentes interactions dans la promotion du développement de l'enfant.
Les interactions de qualité entre les visiteurs à domicile et les soignants améliorent le
développement des compétences des enfants. Nous proposons et mettons en œuvre des tests de
complémentarité dynamique qui ne reposent pas sur des mesures arbitraires des compétences.
Nous formulons et estimons un modèle d'apprentissage dynamique pour des compétences
multiples et quantifions les sources d'apprentissage au début du cycle de vie. À l'aide de notre
modèle, nous testons et rejetons l'hypothèse largement répandue de l'invariance de l'â ge pour
les compétences linguistiques et cognitives.
1Introduction
L'étude de l'investissement dans la petite enfance et de ses conséquences est un
la petite enfance comme une stratégie précieuse pour promouvoir le développement des
compétences nationales (par exemple, Engle et al., 2011 ; Britto et al., 2013). La
recherche de stratégies efficaces, peu coû teuses et adaptables aux pays moins
paramètres.
Cet article analyse un programme de visites à domicile à faible coû t en Chine, basé
sur un format largement diffusé, développé à l'origine en Jamaïque, qui s'est avéré
efficace pour développer les compétences des enfants (par exemple, Grantham-
McGregor et Smith, 2016 ; Gertler et al. , 2014, 2021). L'étude de l'efficacité des visites à
domicile isole une composante des programmes omnibus réussis qui incluent cette
caractéristique (voir Elango et al. , 2016). Nous étudions les mécanismes produisant la
croissance des connaissances à partir des visites à domicile et examinons leurs impacts
des compétences des enfants pour des compétences multiples. Nous étudions l'impact
des compétences à des niveaux plus granulaires que les analyses précédentes.
fonction de l'âge, une hypothèse cruciale maintenue dans la littérature récente estimant
les technologies de formation des compétences. Elle suppose une unité de mesure
manière cruciale de cette hypothèse de mise à l'échelle, tout comme les modèles de "
valeur ajoutée " pour l'évaluation des interventions éducatives. 3 Nous contournons ce
Notre point de départ est la technologie de formation des compétences qui caractérise
la croissance des compétences de l'enfant à l'â ge (stade) a : θa . Elle est fonction d'un
compé tences à
Investissement
, z}|{Ia , . (1)
Compé tences en matiè re d'environnement a Variables
la littérature. Elle
∂θa∂Ia
plus productif. Cela implique également que la correction d'un déficit de compétences
est plus coû teuse (nécessite plus d'investissement) plus l'étape du cycle de vie est
Trois grandes questions se posent dans cette littérature. (1) Qu'est-ce que Ia et
comment le mesurer ? De nombreuses définitions sont utilisées. (2) Quels sont les
mettent l'accent sur les interactions entre les parents, les soignants et les enfants -
développement émotionnel. Les programmes efficaces basés sur les centres enrichissent
également la vie familiale des enfants en dehors des centres d'accueil et maintiennent
l'engagement des parents longtemps après que les enfants ont quitté la maternelle. Les
(3) Comment mesurer les compétences et leur évolution ? Les résultats de tests
largement utilisés. Ces mesures ont des échelles arbitraires (par exemple, Uzgiris et
Hunt, 1975 ; Cunha et Heckman, 2008 ; Cunha et al., 2010). Les fonctions de production
ordinales qui comparent les rangs entre les personnes à un moment donné, mais pas la
augmente avec l'â ge est intrinsèquement une propriété cardinale. Même si les mesures
2
utilisés sont monotones dans la
∂θa+1
connaissance, la propriété, ′ ↑ a est fondamentalement cardinale.
I
∂θa∂ a
Une solution à ce problème consiste à ancrer les scores (par exemple, Cunha et
Heckman, 2008) sur des résultats significatifs (par exemple, les revenus, la criminalité),
mais les ancrages comportementaux objectifs à des â ges précoces sont difficiles à
développement de l'enfant mesuré de diverses manières. Les impacts varient selon les
compétences, les niveaux de compétences, les â ges, les milieux familiaux et les niveaux
compétences acquises. Les différentes mesures plausibles des compétences ne sont pas
toujours fortement corrélées aux résultats des tests traditionnels ou entre elles. Les
mesures que nous développons peuvent être utilisées de manière fructueuse pour
de l'â ge pour certaines compétences à des niveaux de difficulté spécifiques, mais pas
utilisant des méthodes non paramétriques. Pour ce faire, nous montrons l'importance de
déterminons les effets de la capacité et des compétences acquises sur les taux
Jamaica Home Visiting Intervention, et le programme que nous analysons, China REACH,
qui s'en inspire. La section 3 traite des données et des effets de traitement
l'identification du modèle.
conclut.
retard de croissance â gés de 9 à 24 mois. Elle donnait aux enfants souffrant d'un retard
d'interagir avec les enfants. Elle est bon marché et adaptable. Les visiteurs à domicile
ont à peu près le même niveau d'éducation que les parents. Le coû t moyen se situe entre
1 000 et 2 100 dollars par enfant et par an,8 par rapport à des programmes omnibus
plus coû teux comme le programme Abecedarian qui peut coû ter jusqu'à 20 000 dollars
Des effets persistants substantiels ont été constatés pour le programme (par
exemple, Gertler et al., 2021, 2014). L'annexe A résume les preuves des effets
substantiels à long terme du programme Jamaica jusqu'à 31 ans sur l'éducation, le QI, les
Son succès a donné lieu à au moins sept réplications dans le monde, en Colombie, en
programmes.
Le programme que nous analysons est China REACH. Il suit de près le programme
jamaïcain pro-
8
2021 USD.
tocols. Mis en œuvre en 2015 par un essai de contrô le aléatoire à grande échelle, il a
recruté 1 500 sujets (â gés de 6 mois à 42 mois) dans 111 villages du comté de Huachi,
dans la province de Gansu, l'une des régions les plus pauvres de Chine. Zhou, Heckman,
résultats des tests conventionnels et ceux ajustés à la difficulté. Ils indiquent que les
China REACH est un ECR à appariement par paires qui permet d'obtenir des erreurs
Mahalanobis non bipartite a été utilisée pour jumeler les villages et sélectionner au
hasard un village au sein de la paire dans le groupe de traitement et l'autre village dans
l'équilibre des groupes de traitement et de contrô le, et de nombreux détails sur sa mise
en œuvre, y compris une étude de l'attrition qui s'avère être négligeable. Nous résumons
Des visiteurs à domicile formés, dont le niveau d'éducation correspond à peu près à
celui des mères des participants au programme, se rendent chaque semaine dans
chaque foyer traité et fournissent une heure de conseils sur l'art d'être parent ou de
cognition) sont enseignées chaque semaine. Les compétences enseignées sont classées
par niveau de difficulté selon les profils développés par Palmer (1971) et Uzgiris et Hunt
figure 1 : Intensité des tâ ches du programme d'études par catégorie d'habiletés est au
valables. Les compétences des enfants sont évaluées chaque semaine. Des évaluations
mensuelles de la qualité des visites sont effectuées par les superviseurs. La figure 1
les 13 niveaux de difficulté pour les leçons cognitives et la figure 2 donne le calendrier
des leçons par â ge. L'annexe E donne des informations comparables pour les autres
compétences.
pour identifier les images. Bien que le contenu des tâ ches progresse selon les niveaux, il
est similaire au sein d'un même niveau de difficulté . Par exemple, le contenu des tâ ches
d'habileté cognitive du niveau 1 est le suivant Tableau 1 : Liste des niveaux de difficulté
Figure 2 : Le timing des tâ ches d'habileté cognitive (comprendre des objets) en fonction
de la difficulté.
Niveaux
décrites dans le tableau 2. Toutes les tâ ches se rapportent à l'activité consistant à
Les tâ ches évoluent comme le montre la figure 2. En vieillissant, les enfants sont
confrontés à des tâ ches plus exigeantes. Parfois, le protocole revient à des niveaux de
dans ses compétences acquises. La réversion est relativement rare, et nous l'ignorons
Zhou, Heckman, Liu et Lu (2021) utilisent une analyse par modèle de Rasch modifié
pour estimer les effets du traitement. Ils rapportent des effets de traitement substantiels
Le fait que les protocoles soient communs à plusieurs sites donne un caractère
visiteurs à domicile, des soignants et des enfants au moins une fois par mois, ce qui nous
permet d'examiner leurs impacts. Nous évaluons la qualité des interactions entre les
visiteurs à domicile et les soignants, et entre les visiteurs à domicile et les enfants
et l'enfant. L'annexe F décrit les données sur les interactions et la façon dont nous
Zhou, Heckman, Liu et Lu (2021) estiment les effets causaux moyens de l'interaction
réussite. Voir les tableaux H2-H3. Les impacts estimés des interactions entre le visiteur à
d'aller au-delà des agrégats traditionnels de % d'items réussis tels que rapportés dans
les tests de Denver pour examiner la croissance des compétences â ge par â ge et les
0sinon
où D(s,ℓ,a) enregistre la maîtrise (ou non) d'une compétence à un niveau donné à l'â ge a.
K¯(s,ℓ) est
dans lequel il est enseigné au niveau ℓ. Pour les leçons consécutives d'une série, 1 + ¯a(ℓ)
- a(ℓ) est la valeur ¯
durée de la série (nombre de leçons enseignées sur la compétence s au niveau ℓ) à partir de
l'â ge Pour le niveau ℓ de la compétence s, recueillir les indicateurs de
connaissance dans une série :
Dans un environnement stationnaire avec une hétérogénéité invariable selon l'â ge, sans
apprentissage ni croissance de la connaissance au niveau ℓ, les séquences {D(s,ℓ,a′ )}, a′
∈ [a(ℓ),a¯(ℓ)] sont exchangeantes (c'est-à -dire qu'elles sont également probables pour
tout ordre dans ℓ).
mesurée par les propriétés de ces tableaux et leurs relations. L'absence d'apprentissage
Heckman, Wang et Liu (2021) testent et rejettent cette hypothèse pour nos données.
Nous résumons nos tests d'échangeabilité dans l'annexe I. Nous contrô lons les effets de
maturation et d'exposition qui pourraient stimuler les compétences en l'absence de
toute intervention (voir l'annexe J). Même après avoir procédé ainsi, nous rejetons
cognition et de motricité fine. Les taux de réussite moyens dans chaque niveau de
difficulté pour les tâ ches linguistiques et cognitives augmentent avec l'â ge, ce qui
supérieur, les taux de réussite initiaux diminuent. Les taux de réussite ultérieurs
compte de ce phénomène. Le modèle de la motricité fine est quelque peu différent. Pour
la plupart des niveaux, l'apprentissage est, au mieux, modeste. L'accès à des données
lieu et quelles interventions sont les plus efficaces. Nous examinons ensuite d'autres
sont utilisées.
liés.
niveau ℓ est :
Figure 3
. (2)
Le taux de réussite global est de :
, (3)
qui pondère tous les éléments de tous les niveaux de difficulté de manière égale, et
ces mesures d'apprentissage pour chaque compétence. Les tableaux 3a-3c montrent les
Gross Motor) et nos mesures d'apprentissage par compétence. Nos trois mesures sont
significativement corrélées avec les scores du test de Denver des enfants dans les
Denver est négativement corrélé avec le moment où l'enfant obtient son premier
succès ; et négativement corrélé avec la fraction d'échecs après le premier succès. Nous
constatons également que, par rapport aux scores de motricité fine et globale, les scores
Tableau 3a : Corrélation entre le taux de réussite moyen (tous niveaux) et les scores
finaux de Denver
Taux de réussite moyen
Tableau 3b : Corrélation entre le temps de maîtrise (tous niveaux) et les scores finaux de
Denver
Le temps de la maîtrise
Langue CognitifMoteur fin Motricité
globale
Score de Langage et cognition -0.077*** -0.071***-0 .046** 0.018
Denver
Motricité fine -0.027 -0.028*-0 .012 -0.005
(Endline)
Motricité globale -0.069*** -0.068***-0 .016 -0.025
• Le temps de maîtrise est défini comme le nombre de tâ ches qu'un enfant doit accomplir jusqu'à sa première
réussite (inclusivement) à chaque niveau de difficulté pendant l'intervention pour chaque type d'aptitude.
• ∗ p < 0,10,∗∗ p < 0,05,∗∗∗ p < 0,01.
Tableau 3c : Corrélation entre l'instabilité (tous les niveaux) et les scores finaux de
Denver
Instabilité
Bien que toutes les corrélations soient dans la direction attendue, les différentes
mesures sont loin d'être parfaitement corrélées, ce qui suggère qu'elles capturent
modèles standard d'unité d'efficacité et dans la psychologie du "g" qui prétend qu'une
compétence universelle prédit la performance dans toutes les tâ ches, est grossièrement
inexacte.
définies par la performance à travers les niveaux sur les aptitudes désignées.
Il y a une forte persistance des taux de réussite à travers les niveaux de difficulté (voir
Figure 4).
Figure 4 : Taux de réussite moyen aux tâ ches cognitives par groupe et niveau d'aptitude
Notes : Pour les compé tences cognitives : le groupe rapide repré sente 27,53%, le groupe normal repré sente 57,4%, et le groupe lent
repré sente 15,09%.
atteindre la maîtrise) à travers les niveaux de difficulté pour les compétences cognitives.
L'aptitude prédit la fraction de fois où les enfants obtiennent une mauvaise réponse
termes de résultats pour les enfants du même visiteur dans différents villages séparés
statistiquement significatif pour tous les niveaux de difficulté (notez qu'un coefficient
Notez en outre que les effets de l'â ge (maturation) sont statistiquement importants. Les
enfants acquièrent des compétences avec l'â ge et l'expérience. Le fait d'avoir une grand-
mère comme responsable des enfants a des effets négatifs sur la réalisation rapide de
l'objectif de la tâ che à des niveaux plus élevés, c'est-à -dire qu'il retarde la vitesse
d'apprentissage.
Visiteur à domicile et soignant (0,774) (0,235) (0,321) (0,632) (0,380) (0,389) (0,270) (0,142) (0,142) (0,170)
Qualité de l'interaction ∗∗ ∗
-0,292 -0,053 -0,154 -0,163 -0,351 -0,278 -0,1380 ,060 -0,0450 ,019
Visiteur à domicile et enfant (0.375) (0.098) (0.149) (0.239) (0.154) (0.161) (0.106) (0.056) (0.068) (0.045)
Capacité d'enseignement ∗∗∗ ∗∗∗ ∗∗ ∗∗∗ ∗∗ ∗∗ ∗∗
1,767 0,684 0,692 0,9271 ,619 1,230 -0,326 -0,470 0,264 0,341
(0.591) (0.231) (0.309) (0.602) (0.355) (0.507) (0.376) (0.239) (0.128) (0.230)
1 ∗ ∗∗∗ ∗∗∗ ∗
L'élevage des grands-mères 0,970 0,070 -0,131 0,836 0,218 0,993 0,773 0,744 1,081 0,540 (1,520) (0,343) (0,481) (0,741) (0,582) (0,551) (0,472)
(0,273) (0,287) (0,286)
 ge mensuel ∗∗∗ ∗∗ ∗∗∗ ∗∗∗ ∗∗∗ ∗∗ ∗ ∗
-0,114 -0,048 -0,093 -0,097 -0,074 -0,036 0,014 -0,025 0,004 -0,036
(0.020) (0.020) (0.016) (0.033) (0.014) (0.014) (0.022) (0.013) (0.013) (0.020)
Constant 4.574∗∗∗ 2.246∗∗∗ 3.350∗∗∗ 3.370∗∗∗ 3.348∗∗∗ 2.912∗∗∗1.936∗∗∗2.125∗∗∗ 1.035∗∗2.286∗∗∗
(0.462) (0.330) (0.281) (0.505) (0.288) (0.384) (0.518) (0.351) (0.465) (0.542)
1. % de visites à domicile lorsque la grand-mè re est la principale responsable des soins. 2. Les estimations pré senté es dans le tableau
sont basé es sur la ré gression à variable instrumentale. 3. Les variables de la capacité d'enseignement et de la qualité de l'interaction
entre le visiteur à domicile et la personne qui s'occupe de l'enfant sont des facteurs latents basé s sur les mesures enregistré es par le
superviseur. 4. Les variables instrumentales comprennent la moyenne, le maximum et le minimum des autres mesures d'interaction
du village par le mê me visiteur. 5. Le temps de maîtrise est dé fini comme le nombre de tâ ches qu'un enfant doit accomplir jusqu'à
son premier succè s (inclus) à chaque niveau de difficulté .
6. Les erreurs standard entre parenthè ses sont regroupé es au niveau du village. 7.∗ p < 0,10,∗∗ p < 0,05,∗∗∗ p < 0,01.
laquelle la personne s'occupant de l'enfant joue avec lui sur les tâ ches après chaque
visite à domicile. Nous analysons la moyenne sur l'ensemble des visites. Le tableau 7
montre que les variables d'intervention instrumentées ne favorisent le jeu que pour les
enfants de faible capacité, où la capacité est mesurée par l'appartenance simultanée aux
groupes de capacité pour les aptitudes cognitives, le langage et la motricité fine. Les
Tableau 7 : Les effets des interactions sur la fréquence à laquelle la personne s'occupant
de l'enfant joue avec lui, par groupe d'aptitudes.
FastSlow
OLSIVOLS IV
Qualité de l'interaction : 0.030 0.059 0.154 0.376∗∗∗
Visiteur à domicile et aide- (0.238) (0.507) (0.091) (0.073)
soignant
Qualité de l'interaction : 0.207∗ 0.059 -0.036 -0.108∗∗∗
Visiteur à domicile et enfant (0.114) (0.108) (0.020) (0.019)
Capacité d'enseignement 0.188 0.056 0.077 -0.041
(0.197) (0.266) (0.073) (0.168)
1. La fré quence à laquelle la personne s'occupant de l'enfant joue avec lui est dé finie comme le nombre de jours par semaine où elle
joue avec l'enfant en utilisant les tâ ches effectué es lors de la derniè re visite à domicile. 2. Le groupe rapide dans le tableau est dé fini
comme les enfants qui se trouvent dans le groupe rapide pour le langage, la cognition et la motricité fine. De mê me, le groupe lent est
dé fini comme les enfants qui sont dans le groupe lent pour le langage, les aptitudes cognitives et la motricité fine, où les dé finitions
pré cé dentes de rapide et lent sont utilisé es.
• Les variables instrumentales comprennent la moyenne, le maximum et le minimum des autres mesures
d'interaction avec le village en utilisant le mê me visiteur.
• Les erreurs standard entre parenthè ses sont regroupé es au niveau du village.
• ∗
p < 0,10,∗∗ p < 0,05,∗∗∗ p < 0,01.
ne nécessite aucune hypothèse particulière sur les échelles de compétences. Bien que les
enfants entrent dans le programme à des â ges différents, tous les enfants inscrits du
vitesse les enfants qui entrent plus tard dans le programme améliorent-ils leurs
compétences par rapport à ceux qui sont entrés plus tô t et ont reçu une certaine
formation.
Sur la tranche d'â ge 10-23 mois, les enfants entrent dans le programme de manière
(voir figure 6). Aucun des enfants ne reçoit de formation dans le programme avant son
entrée mais peut acquérir des compétences par imitation et maturation. Supposons
qu'un enfant entre au niveau ℓ(s) à la compétence s à l'â ge a+ (s,ℓ). Certains peuvent être
à des environnements riches, mais beaucoup ne le font pas. Nous calculons la probabilité
de maîtrise à l'â ge d'entrée a+ (s,ℓ) pour les nouveaux entrants comme suit
l'importance
taux de réussite initial (q) pour les tâ ches cognitives par â ge (durée d'inscription). Nous
constatons que pour la plupart des tâ ches, le groupe qui est inscrit depuis plus d'un mois
obtient des résultats significativement meilleurs que le groupe des nouveaux entrants.
14
Nous définissons les nouveaux entrants comme les enfants qui s'inscrivent au programme et qui y
sont exposés depuis moins d'un mois.
compétences. La tendance est la même, sauf pour la motricité globale, qui semble peu
Plus l'enfant a participé longtemps au programme, plus le taux de réussite aux tâ ches
cognitives est élevé. La figure 8a montre que cette tendance se dissipe à la fin du
compétences aux niveaux ultérieurs. Un schéma comparable apparaît dans les figures
Bien sû r, la difficulté peut varier d'un niveau à l'autre, et nous devons donc être
prudents et ne pas trop déduire de ces graphiques. Les estimations de notre modèle
Figure 8b : Taux de réussite moyen aux tests de langue par â ge et capacité d'inscription
Groupe
Figure 8c : Taux de réussite moyen pour les tâ ches linguistiques par â ge d'inscription et
groupe d'aptitudes
Figure 8d : Taux de réussite moyen aux tests linguistiques par â ge et capacité
d'inscription
Groupe
niveau qui commencent tard rattrapent presque immédiatement leur retard en matière
de compétences linguistiques (voir figure 8b). Les enfants peu doués qui commencent
tard ne rattrapent les enfants peu doués qui commencent tô t que vers la fin. Les enfants
peu doués ne rattrapent jamais les enfants très doués. Les enfants normaux qui
commencent tard ne rattrapent les enfants normaux qui commencent tô t que vers la fin.
Ils rattrapent aussi presque les enfants rapides (voir figure 8c). Les enfants lents qui
commencent tard rattrapent les enfants faibles qui commencent tô t, mais seulement
vers la fin (voir figure 8d) et les enfants lents ne rattrapent jamais les enfants normaux.
pourrait leur être plus bénéfique. Ils peuvent être amenés à des niveaux plus difficiles
plus rapidement que les enfants moyens et lents, et l'apprentissage serait favorisé.
Des schémas similaires apparaissent pour l'apprentissage des tâ ches cognitives (voir
les figures N6-N10 en annexe), des tâ ches de motricité fine (voir les figures N11-N15 en
annexe) et des tâ ches de motricité globale (voir les figures N16-N20 en annexe).
compétence avant de présenter notre modèle général. Le modèle plus général est le
encourage la compétence à des â ges a ∈ [0,...,A¯]. Les leçons sont les mêmes pour tous à
l'â ge
supposé positif (η > 0), et δ(a) est la "leçon" à l'â ge a pour tous les inscrits. V (Q(a))
capture les variables Q(a) qui affectent l'évolution des compétences qui fonctionnent
sein de chaque niveau de compétence. Les compétences sont donc additives dans la
Une version multiplicative du modèle s'avère très bien adaptée aux données sur la
croissance des compétences. En ajoutant des chocs idiosyncratiques i.i.d. dans les taux
caractérisée par :
(0) (6)
où ε(a) est i.i.d. pour tous les a avec E(ε(a)) = 0. Le modèle présente une
où l'on suppose que η ⊥⊥ ε(j) pour tout j. Ainsi, en conditionnant η, que l'on suppose
Pr( .
(7)
Le modèle général
que le modèle simple appliqué aux compétences à chaque niveau où S est l'ensemble des
â gé de a ans.
0sinon .
K¯(s,ℓ) est la compétence latente minimale requise pour réussir la tâ che pour le niveau
par la suite qu'elle est i.i.d. à l'intérieur de ℓ. η(s) peut varier à travers ℓ (la capacité peut
être spécifique au niveau) et δ(a) peut différer en fonction de l'évolution des leçons. Les
seuils (normes de réussite) K¯(s,ℓ) peuvent également varier selon les niveaux, tout
pour chaque s, bien que les échelles puissent varier entre les s. L'indice K(s,ℓ,a) se
cumule sur les niveaux, de sorte que la notion de croissance des connaissances est bien
.
É tat initial au niveau ℓ É tat final au niveau ℓ-1
Si toutes les composantes de la technologie de formation des compétences (équation
(5)) changent d'un niveau à l'autre, la notion d'échelle invariante selon l'â ge n'est pas
testable car l'échelle n'est pas directement observée et les paramètres de la technologie
peuvent être redéfinis pour imposer l'invariance selon l'â ge. Certains paramètres
doivent être invariants entre les niveaux, bien qu'il ne s'agisse pas nécessairement des
mêmes paramètres pour tous les niveaux. Notre preuve de l'identification du modèle
où Γℓ est une fonction générale. La dépréciation totale des compétences à ℓ-1 fixe Γℓ à la
.
Nous abordons ensuite l'intuition de l'identification du modèle. Nous ne disposons
desquelles nous pouvons déduire leurs compétences jusqu'à l'échelle comme dans le
modèle standard de franchissement de seuil binaire (voir, par exemple, Matzkin, 1992).
5.2Identification
Afin de ne pas compliquer la notation, nous utilisons une notation simplifiée pour une
seule compétence afin de motiver les idées essentielles qui sous-tendent l'identification
du modèle. Une preuve formelle est présentée à l'annexe O. Nous nous concentrons sur
les moyennes et les covariances car nous supposons que les erreurs d'estimation sont
normales. En nous appuyant sur Heckman et Vytlacil (2007) et Matzkin (1992, 2007),
jusqu'à la normalisation dans les conditions énoncées dans ces articles. Définir l'indice
latent K(1,a) pour la compétence au niveau 1 à l'â ge a. Cela correspond à K(s,1,a) pour
une compétence particulière s, qui reste implicite. Nous simplifions l'équation (5)
comme suit :
lnK(1,a) = , (8)
effets de maturationapprentissagechocs
où K(1,a) est l'indice latent (compétence) d'un modèle de résultat binaire au niveau de
qui est supposé être i.i.d. avec une variance . Nous supposons que ε(1,j) ⊥⊥ (η,Υ)
et X ⊥⊥ ε(1,j) pour tous les j. V1 (a) est un raccourci pour V1 (Q(a)). Nous supposons que
la composante d'apprentissage est constante à chaque niveau mais peut différer d'un
En général, nous ne pouvons pas distinguer les seuils des intercepts associés à la
¯
leçons est β1 = β 1 (X) + ω1 , où ω1 est un choc aléatoire spécifique au niveau, E(ω1 ) = 0,
|{z} Ψ 1 (a)
où Var(Ψ ), où
.
Sous les conditions données dans Matzkin (1992, 2007), avec une variation suffisante de
la
jusqu'à l'échelle.
A partir de la covariance entre D(1,a) et D(1,a′ ), nous pouvons identifier
Cov ,
où σ(1,a), σ(1,a′ ) sont identifiés jusqu'à une normalisation (par exemple, σ(1,1)) (voir
Heckman, 1981 et Heckman et Vytlacil, 2007). Pour a ≥ 2, nous pouvons donc identifier
entre accolades.
Pour simplifier l'analyse, nous supposons que ω ℓ = ω pour ℓ ∈ {1,.... ,L}. Nous
pouvons relâ cher cette hypothèse et obtenir tout de même une identification.
En adoptant une notation similaire pour les niveaux ℓ > 1, si nous supposons des
mesures invariantes par rapport à l'â ge reliant le niveau 1 au niveau 2 (c'est-à -dire , γ0,2
¯¯
Cov
Nous pouvons identifier puisque tous les autres termes sont identifiés par l'analyse
précédente. Par une analyse similaire à celle du niveau 1, nous pouvons identifier V2
¯
(Q(a)) et β 2 (X) jusqu'à σ(2,a). A partir des coefficients communs à tous les niveaux,
nous pouvons identifier σ(2,a)
pour a(2,a) ≤ a ≤ a¯(2,a).
¯
Notez en outre qu'à travers les niveaux, nous pouvons identifier (en rappelant qu'à
travers les niveaux a′ < a)
Cov ,
a > a¯(1) ; a(1) < a′ ≤ a¯(1). ¯
Sous les conditions établies dans Matzkin (2007) et Heckman et Vytlacil (2007), nous
pour chaque a dans les intervalles appropriés et les technologies à chaque niveau sous
réserve de la normalisation initiale. Nous ne développons pas ce point plus avant car
nous supposons des modèles paramétriques pour réaliser nos estimations. Les
conditions que nous venons de développer s'étendent de manière directe aux niveaux
supérieurs, ℓ > 2. Tous les paramètres de niveau supérieur sont identifiés jusqu'à la
normalisation initiale.
normalisation) au premier niveau. Ainsi γ1,2 est identifié, et nous pouvons tester si γ1,2 =
1. Tester γ0,2 = 0 nécessite des hypothèses plus fortes. Nous avons besoin que les
intercepts du modèle soient invariants, ce qui est difficile à maintenir étant donné que
K¯(2) est absorbé dans tout intercept estimé, et nous nous attendons à ce que les niveaux
lnK¯(2) jusqu'à l'échelle nette des intercepts, et nous pouvons identifier l'échelle.
6Résultats de l'estimation
Nous utilisons la méthode des moments simulés pour estimer le modèle pour chaque
utilisant le bootstrap en grappes appariées. Les détails sont fournis à l'annexe P. Les
moments utilisés pour former les estimations sont présentés au tableau Q1. Le modèle
passe les tests d'ajustement (voir l'annexe Q). L'annexe Q représente également les
prédictions du modèle par rapport aux données pour chaque compétence, avec et sans
invariance d'échelle (voir les figures Q1, Q7 et Q13 pour le langage, la cognition et la
des ajustements plus mauvais, un point développé plus loin. Nous rapportons les
enseignée à l'â ge a qui est commune à tous les enfants et η, la capacité de l'enfant. Les
mesures d'interaction de l'intervention (entrées comme X dans βℓ (X)) améliorent
résultats rapportés pour notre analyse des effets du traitement pour nos nouvelles
significatifs, comme ce fut le cas pour notre analyse de nos nouvelles mesures de
21
compétences. Les enfants apprenant rapidement (à haut niveau de compétence) ont
l'intervention pour toutes les compétences. Cette constatation est cohérente pour tous
les niveaux de difficulté et toutes les compétences (voir figure 9). Nous constatons
Les estimations ne confirment pas l'invariance de l'â ge à tous les niveaux, mais
l'hypothèse d'une invariance de l'â ge ne peut être rejetée pour certains niveaux et
certaines compétences. Par exemple, nous ne pouvons pas rejeter l'invariance de l'â ge
entre les niveaux 8, 9 et 10 pour les tâ ches d'habileté langagière. L'invariance de l'â ge
semble être une description valide de la motricité fine à tous les niveaux. Nous
constatons que les niveaux de difficulté avec de grands σ(ε,ℓ) ont un large éventail de
taux de réussite. Les taux de réussite n'augmentent pas toujours de façon monotone par
Zhou, Heckman, Wang et Liu (2021), nous utilisons des tests d'échangeabilité sur les
∗
Les intervalles sont de la forme (j - 1,j]. Le paramè tre de l'intervalle est indexé par la valeur supé rieure, j.
l'intervention. Par conséquent, nous nous concentrons sur la façon dont le terme η(X)
affecte la performance des tâ ches de l'enfant. La figure 10a montre la moyenne de η(X)
observe une tendance croissante de E(η) au sein des niveaux de difficulté. Dans la figure
10b, nous décomposons les valeurs estimées de E(η) par groupe d'aptitude. Les enfants
lorsqu'ils sont instruits sur la même tâ che plusieurs fois. Pour les enfants du groupe
normal, la performance s'améliore lorsqu'ils apprennent la tâ che plusieurs fois. Ceci est
augmente au sein d'un niveau de difficulté, particulièrement fortement pour les enfants
du groupe normal. Cette constatation s'applique également aux tâ ches cognitives. Pour
les tâ ches de motricité fine, on observe un schéma similaire pour les tâ ches supérieures
Figure 10a : Composante d'apprentissage E(η(X)) des tâ ches linguistiques par niveau
Figure 10b : Composante d'apprentissage E(η(X)) des tâ ches linguistiques par niveau et
par aptitude
Groupe
Figure 11a : Composante d'apprentissage E(η(X)) des tâ ches cognitives par niveau
Figure 11b : Composante d'apprentissage E(η(X)) des tâ ches cognitives par niveau et
aptitude
Groupe
Figure 12a : Composante d'apprentissage E(η(X)) des tâ ches de motricité fine par niveau
Figure 12b : Composante d'apprentissage E(η(X)) des tâ ches de motricité fine par niveau
et par aptitude
Groupe
6.3Les compétences linguistiques
La figure 13(a) présente les estimations de la compétence minimale requise pour chaque
niveau. Celle-ci est définie par rapport à K¯(1), en supposant qu'il n'y a pas de
changement dans les intercepts du modèle pour chaque compétence entre les niveaux.
Comme prévu, la compétence requise pour réussir les tâ ches augmente de façon
monotone à travers les niveaux de difficulté. La variance des chocs à chaque niveau
présente des schémas différents, reflétant une capacité différentielle. La figure 13(b)
présente les estimations des variances, et les variances aux niveaux 6, 8 et 11 sont plus
importantes que les variances aux autres niveaux. Nous représentons les taux de
réussite de la tâ che à ces trois niveaux dans la figure 14, et nous constatons que les
grandes variances sont associées à un plus grand éventail de taux de réussite. Les taux
de réussite n'augmentent pas de façon monotone par ordre de tâ che au sein d'un même
niveau (voir figure 14). Des chocs spécifiques au niveau interviennent pour modifier la
Figure 14 : Taux de réussite moyen des tâ ches linguistiques : p(s,ℓ) (données brutes)
6. 4Compétences cognitives
Le schéma des paramètres estimés pour les compétences cognitives est similaire à celui
des compétences linguistiques. Pour certains niveaux de difficulté, les taux de réussite
niveaux.
Figure 15 : Compétence cognitive
Figure 16 : Taux de réussite moyen des tâ ches cognitives : p(s,ℓ) (données brutes)
6. 5Motricité fine
Un schéma similaire se dessine pour la motricité fine.
Figure 17 : Motricité fine
Figure 18 : Taux de réussite moyen des tâ ches de motricité fine : p(s,ℓ) (données brutes)
uniforme entre ℓ et ℓ - 1. La figure 19a montre les estimations de γ1,ℓ pour chaque
niveau pour un modèle estimé sans imposer cette restriction. Le tableau 8 présente les
d'échelle ne peut être rejetée. Par exemple, nous ne pouvons pas rejeter l'invariance
d'échelle pour les compétences linguistiques entre les niveaux 8 et 11 (c'est-à -dire 8-9,
9-10 et 10-11). Elle est résolument rejetée aux niveaux 4-6. Le tableau 9 présente le
contenu de la tâ che pour les niveaux de difficulté 8-11 ; il montre que le contenu de la
Nous testons également l'invariance d'échelle pour les tâ ches d'habileté cognitive et
de motricité fine. Nous rejetons l'invariance d'échelle pour tous les niveaux des tâ ches
des compétences pour les tâ ches de motricité fine, qui se concentrent principalement
LangageCognitifMotricité fine
Pente(γ1,ℓ ) χ2 (1) p-value Pente (γ1,ℓ ) χ2 (1) p-value Pente (γ1,ℓ ) χ2 (1) p-
value
0.800 3.946 0.047 1.365 1.414 0.234
Niveau 1
Niveau 20.4657 .8460 .000 0.929 0.012 0.914 1.005 0.000 0.992
Niveau 30.9010 .5460 .460 0.936 0.010 0.922 0.963 0.022 0.883
Niveau 40.64520 . 1930.000 0.621 0.142 0.707 1.446 0.774 0.379
Niveau 50.669 .3820 .002 2.235 3.899 0.048 0.798 0.720 0.396
Niveau 61.5225 .0630 .024 0.317 17.482 0.000 0.748 1.277 0.258
Niveau 71.1250 .1820 .670 0.791 0.362 0.547 0.955 0.034 0.853
Niveau 80.5628 . 1950.004 1.893 4.237 0.040
• La ligne "Total" vé rifie si l'hypothè se d'invariance d'é chelle est valide pour tous les niveaux.
La preuve de l'invariance des compétences entre les niveaux 8-9, 9-10 et 10-11 est
Tableau 9 : Liste des niveaux de difficulté pour les tâ ches de langue (apprendre des
mots)
Niveau 8 L'enfant montre du doigt les images qui sont nommées, nomme une ou
plusieurs images et imite le son des objets.
Niveau 9 L'enfant montre les images qui sont nommées, nomme deux ou
plusieurs images, fait le son des objets.
Niveau 10 L'enfant montre du doigt 7 ou plus de 7 images et en parle.
Niveau 11 Apprenez à l'enfant quelques mots descriptifs simples et l'enfant
nomme des objets à la maison, et raconte l'usage de ces objets.
Nos preuves de l'invariance d'échelle sont basées sur une spécification normale
il est possible d'estimer une version non paramétrique du modèle. Il s'agit d'une tâ che à
venir.
7Conclusion
Cet article utilise de nouvelles données expérimentales sur un programme de visites à
domicile largement diffusé et mis en œuvre dans les zones rurales de Chine. Nous
étudions ses mécanismes d'amélioration des compétences des enfants. Nous étudions
les impacts de différents types d'interactions sur les mesures de réussite des enfants :
fréquence à laquelle la personne s'occupant de l'enfant joue avec lui après le cours. Nous
généralement efficace.
Nous développons et estimons de nouvelles mesures de l'apprentissage des
compétences et des aptitudes qui étendent la mesure traditionnelle (% de réponses
correctes) dans deux dimensions : le temps de maîtrise - la vitesse à laquelle l'enfant
atteint la maîtrise de la tâ che - et le retour en arrière, qui examine la stabilité de la
performance de l'enfant après la première maîtrise. Nous proposons et mettons en
œuvre des tests de complémentarité dynamique qui ne reposent pas sur des mesures
arbitraires de la compétence. Nous testons et rejetons un modèle de compétence
unitaire et trouvons en fait jusqu'à 5 dimensions de compétence, y compris des
dimensions multiples dans des catégories de compétences nominalement identiques.
Nous développons et estimons un modèle d'apprentissage dynamique cohérent avec
capture les modèles d'apprentissage dans nos données et explique comment les
connaissances à travers les niveaux de capacité. Comme les leçons sont les mêmes pour
tous les enfants du même â ge, les enfants de niveau d'aptitude normal connaissent
davantage de schémas d'apprentissage. E(η) est plus élevé pour les enfants à haut
niveau d'aptitude mais ne s'améliore pas au sein d'un même niveau de difficulté car ils
conception du programme, les leçons adaptatives qui accélèrent pour les enfants à haut
Nous trouvons des preuves soutenant l'invariance de l'â ge pour certaines compétences à
certains niveaux de difficulté, mais nous rejetons l'hypothèse de l'invariance de l'échelle
en tant que caractérisation globale, sauf pour les compétences de motricité fine. Ce
résultat remet en question la pratique standard qui s'appuie sur des mesures
Références
Agostinelli, F. et M. Wiswall (2021). Estimation de la technologie de la formation des
Amsterdam : Elsevier B. V.
l'enfant.
Bai, Y. (2019). Optimalité des plans de paires appariées dans les essais contrô lés
notes et les tests de réussite ? Soumis à Proceedings of the National Academy of Sciences.
développement de la petite enfance et son impact sur les politiques mondiales. Oxford
43(4), 738-782.
Del Boca, D., C. J. Flinn, et M. Wiswall (2014). Les choix des ménages et le développement
explique la façon dont nous élevons nos enfants. Princeton University Press.
des jeunes enfants dans les pays à faible revenu et à revenu intermédiaire. The Lancet
378(9799),
1339-1353.
Freyberger, J. (2021). Normalizations and misspecification in skill formation models. arXiv
preprint arXiv:2104.00473.
Numéro spécial.
Heckman, J. J. (1981). Modèles statistiques pour les données de panel discrètes. Dans C.
politiques. Dans
Kautz, T., J. J. Heckman, R. Diris, B. ter Weel, et L. Borghans (2014). Favoriser et mesurer les
and-Non-Cognitive-Skills-to-PromoteLifetime-Success.pdf.
threshold crossing and the binary choice models. Econometrica 60(2), 239-270.
OCDE (2021). Au-delà de l'apprentissage académique : Premiers résultats de l'enquête sur les
Palmer, F. H. (1971). Concept training curriculum for children ages two to five. Stony Brook,
277-294.
children : Home, school, and racial test score gaps. Journal of Human Capital 1(1), 91-
136.
van der Linden, W. J. (2016). Manuel de la théorie de la réponse d'item : Volume 1 : Models.
CRC Press.
Vygotsky, L. S. (1978). L'esprit dans la société : Le développement des processus
Zhou, J., J. Heckman, F. Wang, et B. Liu (2021). Tests des modèles d'apprentissage des