Trois essais sur la méthode d'estimation des modèles dynamiques structurels et son application à l'économie d'éducation

Cette thèse se compose de trois articles autonomes, dont chacun correspond à un chapitre. Dans Chapitre 2, nous fournissons un nouvel estimateur en deux étapes qui peut être largement utilisé pour l’estimation des modèles structurels en abaissant les obstacles à l’entrée qui dissuadent actuellement les chercheurs. Contrairement à la littérature existante, cet estimateur en deux étapes repose principalement sur l’approximation de la fonction nuisance en utilisant l’approximation à la fois sur l’espace des paramètres et l’espace de données. Cette caractéristique principale conduit au fait que l’étape d’approximation soit effectuée en dehors de la boucle d’optimisation et réduit considérablement le temps d’estimation pour des modèles structurels. Dans certaines conditions de régularité et sans perte de généralité, nous prouvons que l’estimateur est cohérent et asymptotiquement normal. En outre, nous fournissons une condition suffisante qui garantit la racine carrée de l’estimation. Les expériences de Monte Carlo utilisant des modèles de Han (2015) (Chapitre 3) et Rust (1987) illustrent l’attractivité de la méthode. Le Chapitre 3 est une application directe de la méthode développée dans Chapitre 2. Nous étudions dans ce chapitre l’efficacité de la façon de noter qui a attiré de plus en plus l’attention des décideurs politiques à travers le monde. Dans la littérature existante, nous savons très peu sur comment les changements dans les notes sont capables de motiver les étudiants à étudier plus dans un cours particulier. Plus précisément, quel est le nombre optimal d’examens qui incitera un étudiant à s’efforcer d’apprendre ? Pour répondre à cette question, ce chapitre propose une approche structurelle pour analyser le mécanisme décisionnel d’un étudiant, pour quantifier les effets de l’apprentissage dynamique et pour déterminer les impacts de l’apprentissage sur les notes finaux. En supposant qu’un étudiant s’appuie sur sa capacité en fonction de ses résultats passés, ce modèle prédit qu’un examen supplémentaire, encouragera les étudiants à étudier plus fort. Pour renforcer cette prédiction, les données des étudiants de premier cycle spécialisés en économie sont adoptées dans cette étude. L’analyse empirique identifie l’existence d’effets incitatifs et quantifie les impacts de l’apprentissage sur les notes finales des agents. Il est suggéré que les 3 étudiants dans cet échantillon travaillent le plus lorsqu’ils ont deux examens à compléter plutôt que d’en avoir un ou trois. Le Chapitre 4, écrit conjointement avec Jose Raimundo Carvalho et Thierry Magnac, est une extension du chapitre 3. La plupart des études mettent l’accent sur les choix des élèves après l’admission au collège et leur interaction avec l’apprentissage. Cependant, peu de documents considèrent les décisions d’effort prises par les étudiants dans chaque cours et l’impact dynamique qu’elles ont sur l’allocation d’effort à l’avenir. C’est ce que le Chapitre 4 analyse. Nous utilisons les données d’un fichier d’étudiants de premier cycle et construisons un nouveau modèle théorique dans lequel les étudiants choisissent des cours et des efforts pour être exercés dans chaque cours. L’estimation d’un tel modèle d’éducation nous permet d’évaluer l’impact des politiques contrefactuelles d’éducation. En particulier, les politiques spécifiques que nous cherchons à évaluer sont les changements dans le processus de sélection des cours et la construction de l’examen qui sont récemment proposés dans la plupart des universités.This thesis consists of three self-contained papers, each of which corresponds to one chapter. In Chapter 2, we provide an alternative two-step estimator that can be widely used for structural estimation by lowering the entry barriers that currently deter researchers. In contrast with the existing literature, this two-step estimator is based mainly on the approximation of the nuisance function by using approximation over both parameter and data space. This main feature leads that the approximation step is performed outside the optimization loop and sharply reduces the estimation time for structural models. Under some regularity conditions and without loss of generality, we prove that the estimator is consistent and asymptotically normal. Moreover, we provide a sufficient condition that ensures root-n consistency, and Monte Carlo experiments using models of Han (2015) (Chapter 3) and Rust (1987) illustrate the attractiveness of the method. Chapter 3 is direct application of the method developed in Chapter 2. We investigate in this chapter the efficiency of grading that has attracted increasing attention from policy-makers throughout the world. In the existing literature, we know little about how changes in grades are capable of motivating students to study harder in a particular course. Specifically, what is the optimal number of exams per course that will urge a student to exert the most effort to learn? To answer this question, this chapter proposes a structural approach to analyze a student’s decision-making mechanism, to quantify the effects of dynamic learning, and to determine the impacts of learning on the final levels of achievement. Under the assumption that a student builds on his ability based on his past outcomes, this model predicts that an extra, preferably mid-term exam will encourage students to study harder. To strengthen this prediction, data from undergraduate students majoring in Economics is adopted in this study. The empirical analysis identifies the existence of incentive effects and quantifies the impacts of learning on a student’s final grades. It is suggested that students in this sample work hardest when they have two exams to complete within a course rather than one or three exams. Chapter 4, jointly written with Jose Raimundo Carvalho and Thierry Magnac, is an extension of Chapter 3. Most studies focus on students’ choices of major after admission in college and how it interacts with learning. However, few papers consider effort decisions taken by student in each course and the dynamic impact that they have on effort allocation in the future. This is what Chapter 4 analyzes. We use data from a file of undergraduate students and construct a new theoretical model in which students choose courses and effort to be exerted in each course. The estimation of such an education model allows us to evaluate the impact of counterfactual education policies. In particular, the specific policies that we seek to evaluate are the changes in the course selection process and exam’s construction that were recently proposed by the college