James Heckman

Heckman a eu un grand apport dans la théorie économétrique. Les nouveaux outils qu’il a créés ont été diffusés et sont utilisés pour effectuer des études empiriques. Ainsi, le cœur de son travail consiste à développer la meilleure base scientifique possible afin d’évaluer les politiques publiques et, in fine, améliorer l'estimation de leurs résultats afin d'améliorer l'efficacité de ces politiques.  

Heckman est notoire pour avoir introduit le concept de biais de sélection dans l'analyse économétrique moderne. En effet, travailler avec des échantillons avec une sélection non aléatoire des individus en faisant partie implique des résultats biaisés.

Par exemple, supposons que nous voulons estimer l’efficacité d’un certain programme de formation. La participation à ce programme est volontaire. Seulement les agents les plus motivés s’y présenteront. L’économètre observe la différence de revenus avant et après la formation, afin d’isoler l’effet de la formation. Néanmoins, cette différence peu s’expliquer par de nouvelles compétence acquises, mais aussi par la motivation des agents y participant : des agents moins motivés bénéficieront peut être moins de la formation. Ainsi, l’effet réel de la formation peut etre surestimé en raison de bais de sélection. D’un point de vue de politique publique cela signifierai que l’implémentation de la formation à une large échelle peu avoir des effets moindre qu’espéré, étant donné que les agents « peu motivés » qui sont présents dans la population mais qui n’étaient pas représentés dans  le sample bénéficieront pas de l’effet de la formation.

Il a créé un outil (la correction de Heckman) afin de pallier ces biais. Sa méthode consiste en une estimation en deux étapes :

d’abord, l’économètre estime les facteurs qui poussent les agents à entrer dans l’échantillon. Ainsi, chaque agent dans l’échantillon se voit attribuer une probabilité d’etre effectivement dans l’échantillon, conditionnellement à ses propres paramètres observés ;

ensuite, l’économètre évalue l’effet du traitement pour chaque agent, conditionnellement à la probabilité que l’agent soit dans le sample.

Si nous reprenons l’exemple au-dessus : on peu estimer le degré de motivation des agents (motivés ou non motivés) à la première période. Dans le sample, il y aura des agents considérés comme étant, de base, motivé et des agents considérés comme non motivés. Il suffit d’estimer l’effet du traitement au global et de voir les différences éventuelles entre l’effet estimé pour les personnes considérées comme motivés et l’effet estimé pour les personnes considérées comme non motivés. Cette différence constitue une estimation du biais de sélection.

• Longitudinal Analysis of Labor Market Data, Burton Singer (ed), Cambridge : Cambridge University Press, 1985.
• Handbook of Econometrics, Vol 5 (with E. L. Leamer), New York : North-Holland, 2001.
• Inequality in America : What Role for Human Capital Policy ?, J. Heckman and A. Krueger, eds., Cambridge, MA: MIT Press, 2003.
• Evaluating Human Capital Policies (Gorman Lectures), forthcoming Princeton University Press, 2004.
• Law and Employment: Lessons From Latin America and the Caribbean (with C. Pages), University of Chicago Press, For NBER, 2004.
• Handbook of Econometrics, Vol 6 (with E. L. Leamer), Under preparation. New York : North-Holland, forthcoming 2007.
• The GED, Under preparation, Brookings, 2007.

• (en) Steven Levitt, « Honoring James Heckman's Contributions to Economics : Identification, Heterogeneity, and Economic Models », Law & Social Inquiry, vol. 27, n^o 1,‎ 2002, p. 35 (lire en ligne)