Abonnez-vous à DeepL Pro pour éditer ce document.

Visitez www.DeepL.com/pro pour en savoir plus.

Les interactions comme investissements : La microdynamique et la

mesure de l'apprentissage chez les jeunes enfants
James Heckman et Jin Zhou

Centre pour l'économie du développement humain et Département

d'économie
Université de Chicago
31 octobre 2021

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.

Codes JEL : I3, J1, C5, D2, O12, C9

Mots clés : développement de l'enfant, mesures des compétences, échafaudage,
ciblage, expérience.

James J. Heckman Jin Zhou

Centre pour l'économie
du développement humain
et le département d'économie
Université de Chicago
1126 East 59th Street
Chicago, IL 60637
Courriel : jjh@uchicago.edu
Centre pour l'économie
du développement humain
et le département d'économie
Université de Chicago
1126 East 59th Street
Chicago, IL 60637
Courriel :
jinzhou@uchicago.edu

1Introduction
L'étude de l'investissement dans la petite enfance et de ses conséquences est un

domaine actif. De nombreux pays en développement considèrent l'investissement dans

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

développés est en cours.

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

sur de multiples dimensions de la compétence dans les premières années.

Nous offrons de nouvelles perspectives sur la mesure et l'évolution des compétences

et des aptitudes. Nous examinons empiriquement la microdynamique de la formation

des compétences des enfants pour des compétences multiples. Nous étudions l'impact

de l'intervention sur la croissance des compétences et présentons un test non

paramétrique de complémentarité dynamique. Nous développons un nouveau modèle

microdynamique de la formation des compétences multiples. Il formalise les

mécanismes suggérés en psychologie du développement. Nous étudions la croissance

des compétences à des niveaux plus granulaires que les analyses précédentes.

Nous proposons et mettons en œuvre des tests d'invariance des compétences en

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

constante des compétences en fonction de l'â ge et des facteurs de production. Les

estimations de la complémentarité dynamique basées sur la technologie dépendent de

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

problème et testons la complémentarité dynamique sans imposer d'hypothèse d'échelle.

une échelle particulière pour les compétences.

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

vecteur d'investissement familial et gouvernemental Ia (visites à domicile, éducation

parentale, interactions avec l'enfant, interventions en milieu scolaire, garde en centre,

stimulation scolaire, etc.) et des environnements Ga (y compris les variables de

voisinage, l'éducation parentale et les biens publics) :

compé tences à
 Investissement

, z}|{Ia , . (1)
Compé tences en matiè re d'environnement a Variables

Les propriétés clés présentées dans la littérature sont l'autoproductivité (θa+1 ↑ θa )

et la productivité des investissements et des environnements bénéfiques (θa+1 ↑ Ia ,Ga ).

La complémentarité dynamique ( ) est une proposition centrale dans

la littérature. Elle
∂θa∂Ia

stipule que l'investissement à un stade du cycle de vie rend l'investissement ultérieur

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

avancée (Heckman et Mosso, 2014).

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

micro-mécanismes qui sous-tendent la technologie ? Les psychologues de l'enfance

mettent l'accent sur les interactions entre les parents, les soignants et les enfants -

"l'étayage" (Vygotsky, 1978) - en tant que déterminants majeurs du développement de

l'enfant. Ils analysent les conséquences de ces interactions sur l'apprentissage et le

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

programmes de visites à domicile ciblent directement la vie familiale (par exemple,

Elango et al. , 2016).

(3) Comment mesurer les compétences et leur évolution ? Les résultats de tests

basés sur l'évaluation des compétences cognitives, socio-émotionnelles et autres sont

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

croissance des niveaux, ne souffrent pas de ce problème mais, en même temps, ne

mesurent pas les niveaux de compétences atteints. La complémentarité dynamique qui

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

construire. La littérature récente démontre l'importance empirique de ces questions.

Freyberger (2021) montre les conséquences dramatiques de différentes mises à

l'échelle pour les estimations de la technologie.

Ce document aborde ces questions en utilisant des données uniques. Nous

présentons les résultats suivants. Premièrement, il existe des preuves solides de

l'efficacité des interventions de visites à domicile que nous étudions sur le

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

de capacité des enfants. Deuxièmement, nous développons de nouvelles mesures de

l'apprentissage, des compétences et des capacités et nous examinons la persistance des

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

évaluer le développement. Troisièmement, nous développons un modèle dynamique

d'apprentissage empiriquement concordant. Nous trouvons des preuves de l'invariance

de l'â ge pour certaines compétences à des niveaux de difficulté spécifiques, mais pas

globalement pour la plupart des compétences. Quatrièmement, sans imposer

l'invariance de l'â ge, nous trouvons des preuves de la complémentarité dynamique en

utilisant des méthodes non paramétriques. Pour ce faire, nous montrons l'importance de

l'apprentissage antérieur dans l'acquisition de nouvelles compétences, et nous

examinons si les enfants en retard peuvent rattraper leur retard. Cinquièmement, nous

déterminons les effets de la capacité et des compétences acquises sur les taux

d'apprentissage des enfants pour différentes compétences et à différents â ges.

Le plan de l'article est le suivant. La section 2 décrit le programme de motivation,

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

conventionnels estimés. Elle développe et compare des mesures alternatives de

l'aptitude et de la croissance des connaissances et la manière dont elles sont influencées

par diverses interventions. La section 4 présente des tests non paramétriques de

complémentarité dynamique. La section 5 développe des modèles microdynamiques de

l'apprentissage en tant que processus de Markov latents. Nous discutons de

l'identification du modèle.

La section 6 présente les estimations du modèle et leur interprétation. La section 7

conclut.

2Le programme analysé et les données

L'inspiration du programme analysé est l'intervention jamaïcaine de visites à domicile

(Grantham-McGregor et Smith, 2016). Il s'agissait d'une intervention parentale

randomisée de visites à domicile donnée à un échantillon de 129 enfants souffrant d'un

retard de croissance â gés de 9 à 24 mois. Elle donnait aux enfants souffrant d'un retard

de croissance une alimentation et enseignait également aux parents des moyens

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

par enfant et par an.

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

compétences sociales et émotionnelles et les résultats sur le marché du travail.

Son succès a donné lieu à au moins sept réplications dans le monde, en Colombie, en

Inde, au Bangladesh, au Pérou et en Chine. Un programme irlandais de visites à domicile

en a été indirectement influencé. Voir le tableau A3 pour une description de ces

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,

Liu et Lu (2021) améliorent les recherches précédentes en analysant à la fois les

résultats des tests conventionnels et ceux ajustés à la difficulté. Ils indiquent que les

effets estimés du traitement découlent de l'amélioration des compétences plutô t que de

l'amélioration de l'utilisation des compétences existantes.

China REACH est un ECR à appariement par paires qui permet d'obtenir des erreurs

quadratiques moyennes optimales (Bai, 2019). Une méthode d'appariement

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

le groupe de contrô le. Les annexes B, C et D décrivent l'expérience, les preuves de

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

ici brièvement ses principales caractéristiques.

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

s'occuper d'un enfant. Le programme enseigne et encourage la mère ou le(s) grand(s)

parent(s) à parler avec l'enfant en jouant, en fabriquant des jouets, en chantant, en lisant

et en racontant des histoires pour stimuler le développement des compétences

cognitives, linguistiques, motrices et socio-émotionnelles de l'enfant.

Environ 3 à 4 compétences différentes (motricité globale, motricité fine, langage et

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

(1975) et largement appliqués dans la littérature sur le développement de l'enfant. La

figure 1 : Intensité des tâ ches du programme d'études par catégorie d'habiletés est au

cœur de notre stratégie d'identification dans le présent document.

en partant du principe que ces profils décrivent des hiérarchies de connaissances

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

présente le schéma des tâ ches de compétences enseignées et mesurées à chaque â ge.

Pour les compétences cognitives, il existe 13 niveaux de difficulté. Le tableau 1 donne

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.

Les tâ ches font progresser les compétences cognitives, de la simple compréhension

d'une image par reconnaissance verbale à l'utilisation du langage réceptif (entendu)

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

pour les leçons d'habileté cognitive

Niveau 1 Regarde les images et vocalise

Niveau 2 Nommez les objets et demandez au bébé de montrer les images
correspondantes.
Niveau 3 L'enfant peut nommer les objets d'une image et désigner l'image
nommée.
Niveau 4 L'enfant peut nommer les objets présents dans deux ou plusieurs
images et montrer du doigt l'image nommée.
Niveau 5 L'enfant peut montrer des images nommées, et dire les noms de
trois ou plus.
Niveau 6 L'enfant peut désigner l'image mentionné e et nommer
correctement le nom de 6 images ou plus.
Niveau 7 L'enfant peut parler des images, répondre aux questions,
comprendre ou nommer les verbes (manger, jouer, etc.).
Niveau 8 L'enfant peut suivre l'histoire, nommer les actions et répondre
aux questions.
Niveau 9 L'enfant peut comprendre les histoires, parler du contenu des
images.
Niveau 10 L'enfant peut suivre l'évolution de l'histoire.
Niveau 11 L'enfant peut dire le nom de chaque graphique, discuter du rô le
de chaque élément, puis relier les graphiques de la carte entre
eux.
Niveau 12 L'enfant peut nommer les objets figurant sur l'image, relier les
différentes images entre elles et discuter de certaines activités
figurant sur les images.
Niveau 13 L'enfant peut nommer les objets de l'image et parler de la
fonction des objets.

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

regarder des images ou des objets et à vocaliser.

Tableau 2 : Contenu de la tâ che d'habileté cognitive : Regarder des images et vocaliser

(niveau 1)
Difficulté Semain Matériel
Mois Contenu
Niveau e d'apprentissage
Le bébé émet des sons en regardant les
1 10 2 Livre d'images A
images
1 11 3 Livre d'images B Le bébé regarde les images et vocalise
L'enfant émet des sons en regardant les
1 12 3 Livre d'images A
images
L'enfant émet des sons en regardant les
1 13 3 Livre d'images B
images
La mère et l'enfant regardent les images
1 14 1 Livre d'images A ensemble, et la mère laisse l'enfant
vocaliser et toucher les images.
La mère et l'enfant regardent les images
1 15 2 Livre d'images B ensemble, et la mère laisse l'enfant
vocaliser et toucher les images.

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

compétence antérieurs pour revoir l'apprentissage de l'enfant et renforcer sa confiance

dans ses compétences acquises. La réversion est relativement rare, et nous l'ignorons

dans notre analyse empirique.

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

du programme et notent que China REACH est en passe de reproduire ou de dépasser

les résultats substantiels de l'étude de la Jamaïque.

Le fait que les protocoles soient communs à plusieurs sites donne un caractère

général aux conclusions de ce document. Le développement de l'enfant est un processus

universel. L'objectif de ce document est d'étudier les sources des effets du traitement

rapportés. Nous présentons ensuite les preuves de l'efficacité de l'intervention et nous

développons et comparons une variété de mesures des compétences.

3Mesurer les compétences et leur évolution

Nous mesurons le développement de l'enfant à l'aide des enregistrements des visites

hebdomadaires à domicile. Les superviseurs enregistrent les activités d'interaction des

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

visités. Au cours de la visite mensuelle à domicile, les superviseurs du programme

évaluent la qualité de la visite à domicile selon trois dimensions : (a) Qualité de la

capacité d'enseignement du visiteur à domicile ; (b) Qualité de l'interaction entre le

visiteur à domicile et l'aidant ; et (c) Qualité de l'interaction entre le visiteur à domicile

et l'enfant. L'annexe F décrit les données sur les interactions et la façon dont nous

formons des facteurs pour les résumer.

Zhou, Heckman, Liu et Lu (2021) estiment les effets causaux moyens de l'interaction

et de la qualité des visiteurs à domicile sur la performance des mesures standard de

réussite. Voir les tableaux H2-H3. Les impacts estimés des interactions entre le visiteur à

domicile et l'aidant sont positifs et statistiquement significatifs pour les compétences

cognitives et linguistiques. Les impacts estimés des interactions entre le visiteur à

domicile et l'enfant ne sont généralement pas significatifs, tout comme la capacité

d'enseignement du visiteur. Lorsque nous instrumentons pour les interactions entre le

visiteur à domicile, nous trouvons des résultats plus forts.

Nos données sur la croissance hebdomadaire des compétences nous permettent

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

facteurs qui l'influencent. Pour comprendre la structure de nos données, nous

 introduisons quelques notations. Soit S l'ensemble des compétences enseignées. Soit

ℓ(s,a) le niveau de la compétence s enseignée à l'â ge a ; ℓ(s,a) ∈ {1,...,Ls }. Ls est le nombre

de niveaux de difficulté pour chaque compétence s.

La maîtrise de la compétence s au niveau ℓ à l'â ge a est caractérisée par :


 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

la compétence latente minimale requise pour maîtriser la tâ che au niveau de difficulté ℓ.

Soit a(s,ℓ) ¯
est le premier â ge auquel la compétence s est enseignée au niveau ℓ, et ¯a(s,ℓ) est le
dernier â ge auquel la compétence s est enseignée.

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).

Avec l'apprentissage, les séquences sont chargées en arrière. Pour j > 0,

Pr(D(s,ℓ,a + j) ≥ D(s,ℓ,a)) ≥ Pr(D(s,ℓ,a + j) ≤ D(s,ℓ,a)).

L'acquisition de connaissances pour chaque compétence s à chaque niveau ℓ est

mesurée par les propriétés de ces tableaux et leurs relations. L'absence d'apprentissage

implique l'échangeabilité par â ge pour les séquences au sein de chaque ℓ. Zhou,

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

l'échangeabilité et trouvons des preuves de la croissance des connaissances.

La figure 3 caractérise la croissance des connaissances en matière de langage, de

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

correspond à l'apprentissage. Lorsque les individus passent à un niveau de difficulté

supérieur, les taux de réussite initiaux diminuent. Les taux de réussite ultérieurs

augmentent au fur et à mesure de l'apprentissage. Notre modèle dynamique rend

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

hebdomadaires détaillées nous permet de déterminer à quelles étapes l'apprentissage a

lieu et quelles interventions sont les plus efficaces. Nous examinons ensuite d'autres

mesures de l'apprentissage et de la vitesse d'apprentissage, ainsi que la façon dont elles

sont utilisées.

liés.

3.1Mesures de la connaissance et de l'acquisition de la connaissance

La mesure traditionnelle des connaissances est la proportion de réponses correctes sur

tous les niveaux de difficulté d'une évaluation. Le taux de réussite à la compétence s au

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

donne plus de poids aux niveaux de difficulté comportant plus d'éléments.

Il existe de nombreuses autres mesures plausibles des connaissances et de leur

acquisition. Pour des périodes d'apprentissage consécutives où tous les participants

entrent à chaque niveau au premier

leçon, nous définissons le temps de première maîtrise comme

), où pour

chaque s et . Nous pouvons également

définir le temps à plein
maîtrise comme ˜a(s,ℓ) = mina [D(s,ℓ,a) = 1,∀a ≥ a˜(s,ℓ)]. Ces mesures peuvent également
être moyennées sur tous les niveaux. Le temps nécessaire à la maîtrise complète est
˜a(s,ℓ) - a(s,ℓ). D'autres mesures de ¯
apprentissage sont possibles, comme le temps de maîtrise de deux d'affilée après ˆa(s,ℓ),

etc. Nous définissons le Backsliding au niveau ℓ pour la compétence s comme :

#{D(s,ℓ,a) = 0,a > aˆ(s,ℓ),a ≤ a¯(s,ℓ)}.

.
#{a > aˆ(s,ℓ),a ≤ a¯(s,ℓ)}.

Il est instructif d'examiner la corrélation entre les scores traditionnels de Denver et

ces mesures d'apprentissage pour chaque compétence. Les tableaux 3a-3c montrent les

corrélations entre les scores Denver (3 sous-scores : Langage-cognitif, Motricité fine, et

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

directions attendues. Le score de Denver est positivement corrélé avec le taux de

réussite moyen pour l'ensemble des tâ ches au cours de l'intervention ; le score de

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

de langage et de cognition présentent des corrélations statistiquement plus

significatives avec ces trois mesures. Le programme améliore significativement le

langage et les compétences cognitives.

Tableau 3a : Corrélation entre le taux de réussite moyen (tous niveaux) et les scores
finaux de Denver
Taux de réussite moyen

Langue CognitifMoteur finMoteur

global
Score de Langage et cognition 0.078*** 0. 098***0. 099***0.058***
Denver
Motricité fine 0.011 0.042***0 .042**0 .017
(Endline)
Motricité globale 0.075*** 0. 088***0. 064***0.055***
• Le taux de réussite moyen est le taux de réussite des tâ ches d'intervention à chaque niveau de difficulté pour
chaque type de compétence.
• ∗
p < 0,10,∗∗ p < 0,05,∗∗∗ p < 0,01.

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

Langue CognitifMoteur fin Motricité

globale
Score de Langage et cognition -0.070*** -0.063***-0 .043* -0.078***
Denver
Motricité fine -0.026 -0.040**-0 .021 -0.031
(Endline)
Motricité globale -0.061*** -0.074***-0 .048** -0.061**
• L'instabilité est définie comme la fraction d'échecs après le premier succès à chaque niveau de difficulté pour
chaque type de compétence.
• ∗
p < 0,10,∗∗ p < 0,05,∗∗∗ p < 0,01.

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

différentes dimensions de la connaissance. L'instabilité (retour en arrière) est au mieux

faiblement corrélée à la vitesse (temps de maîtrise).

Tableau 4 : Corrélations entre les trois mesures de l'apprentissage par compétence

Variables de corrélation Langue Cognitif Motricité Motricité
fine globale
Temps de maîtrise par rapport au taux de -0.641*** -0.677*** -0.688*** -0.607***
réussite moyen de réussite
Temps de maîtrise ou instabilité ? 0.181*** 0.208*** 0.175*** -0.035
Avg. Taux de réussite par rapport à -0.810*** -0.831*** -0.857*** -0.932***
l'instabilité
Notes : Le taux de réussite moyen est le taux de réussite des tâ ches d'intervention à chaque niveau de
difficulté pour chaque type de compétence. 2. Pour les tâ ches d'intervention, l'instabilité est définie
comme la proportion d'échecs après le premier succès à chaque niveau de difficulté par chaque type de
compétence. 3. Le temps de maîtrise est défini comme le nombre de tâ ches qu'un enfant doit effectuer
jusqu'à son premier succès (inclus) à chaque niveau de difficulté.
4.∗ p < 0,10,∗∗ p < 0,05,∗∗∗ p < 0,01.

L'annexe K résume la dimensionnalité de ces mesures. Il existe deux dimensions

pour chaque compétence et au moins cinq dimensions pour l'ensemble des

compétences. La notion d'une dimension unique de la compétence supposée dans les

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.

Tableau 5 : Groupes d'aptitudes

Groupe rapide Réussir la première tâ che pour plus de 80% des niveaux de difficulté, et le
taux de réussite moyen de toutes les tâ ches spécifiques aux compétences
est supérieur à 80%.
Groupe normal Réussir la première tâ che pour moins de 80% des niveaux de difficulté, et
le taux de réussite moyen de toutes les tâ ches spécifiques à la compétence
se situe entre 50% et 80%.
Groupe lent Le taux de réussite moyen de toutes les tâ ches spécifiques aux
compétences est inférieur à 50%.
En utilisant nos données, nous pouvons définir des groupes de compétences et

déterminer la stabilité de leur appartenance à des catégories. Les catégories sont

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%.

La figure 5 quantifie la persistance de la vitesse (nombre de tâ ches nécessaires pour

atteindre la maîtrise) à travers les niveaux de difficulté pour les compétences cognitives.

La figure L2 présente un schéma similaire pour toutes les compétences.

 Figure 5 : Temps de maîtrise des tâ ches cognitives par groupe et niveau d'aptitudes

L'aptitude prédit la fraction de fois où les enfants obtiennent une mauvaise réponse

après une première réponse correcte (une mesure de l'instabilité de la performance)

pour la cognition, le langage et les autres compétences. Voir la figure L3.

3.2 Impacts des interventions sur les niveaux de compétences

À l'aide de ces mesures, nous appliquons le modèle utilisé pour estimer les effets de

traitement du programme. Nous contrô lons l'endogénéité de la qualité des visiteurs de

la manière décrite à l'annexe H. Nous utilisons les informations sur la performance en

termes de résultats pour les enfants du même visiteur dans différents villages séparés

spatialement pour former des instruments.

Le tableau 6 présente l'impact des interactions du programme sur le temps

nécessaire à la première maîtrise des tâ ches linguistiques. Il montre un modèle

récurrent. L'interaction entre le visiteur à domicile et l'aide-soignant est le seul modèle

statistiquement significatif pour tous les niveaux de difficulté (notez qu'un coefficient

négatif signifie une maîtrise plus rapide).

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.

Tableau 6 : Effets des interactions sur le temps nécessaire à la première maîtrise de la

réalisation.
Tâ ches linguistiques à chaque niveau (IV)

Niveaux de difficulté des tâ ches linguistiques

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.

L'annexe M rapporte des résultats comparables pour d'autres compétences. Les

interventions n'ont aucun effet sur la motricité globale.

3.3 Impact des interventions sur l'interaction post-traitement avec

les enfants
L'objectif du programme est de promouvoir des interactions dans le jeu qui visent à

favoriser l'apprentissage entre la personne qui s'occupe de l'enfant et l'enfant. Nous

manquons d'informations détaillées sur ces interactions. Nous mesurons la fréquence à

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

grands-mères sont moins susceptibles de jouer avec les enfants.

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)

L'élevage des grands-mères -0.408 -0.053 -0.062 -0.145∗∗

(0.415) (0.489) (0.093) (0.063)

 ge mensuel -0.000 -0.002 0.001 -0.002

(0.012) (0.014) (0.004) (0.003)

Constant 5.194∗∗∗ 5.500∗∗∗ 5.745∗∗∗ 5.842∗∗∗

(0.456) (0.608) (0.144) (0.148)

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.

4Tests non paramétriques de complémentarité

dynamique.
Avant de passer à notre modèle dynamique de croissance des compétences, nous

présentons quelques preuves non paramétriques de la complémentarité dynamique, qui

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

même â ge reçoivent la même leçon. Nous déterminons si les retardataires peuvent

rattraper leur retard. Il s'agit d'un aspect de la complémentarité dynamique : à quelle

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.

Figure 6 : Distribution de l'â ge mensuel lors de l'inscription au programme

Sur la tranche d'â ge 10-23 mois, les enfants entrent dans le programme de manière

plus ou moins aléatoire par rapport à l'â ge en raison de contraintes administratives

(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

capables de maîtriser la tâ che dès le départ en raison de la maturation et de l'exposition

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

Il s'agit d'une mesure de l'apprentissage par maturation et exposition sans participation

au programme. Il nous renseigne également sur la complémentarité dynamique et

l'importance

des conditions initiales.

Nous considérons la performance par â ge au niveau de l'entrée. La figure 7 montre le

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.

Figure 7 : Comparaison des performances des tâ ches cognitives selon la durée de

l'inscription

L'annexe N présente des chiffres comparables (N1-N16) pour les autres

compétences. La tendance est la même, sauf pour la motricité globale, qui semble peu

affectée par la participation au programme.

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

programme, lorsqu'il y a un rattrapage apparent. Cette tendance est cohérente avec la

dépréciation des compétences entre les niveaux ou l'acquisition de nouvelles

compétences aux niveaux ultérieurs. Un schéma comparable apparaît dans les figures

relatives aux autres compétences de l'annexe N.

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

structurel clarifient cette évidence.

 Figure 8a : Taux de réussite moyen aux tests de langue par â ge d'inscription

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

Le schéma de rattrapage varie selon le groupe d'aptitudes. Les enfants de haut

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.

L'apprentissage rapide des enfants "rapides" suggère qu'un programme adaptatif

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).

5Mécanismes générant l'apprentissage de l'enfant

Pour motiver notre approche de l'estimation de la dynamique hebdomadaire de la

formation des compétences, nous considérons un modèle simple pour un niveau de

compétence avant de présenter notre modèle général. Le modèle plus général est le

modèle simple appliqué à chaque compétence à chaque niveau. Le programme

encourage la compétence à des â ges a ∈ [0,...,A¯]. Les leçons sont les mêmes pour tous à

l'â ge

a. Définissez K(a) comme le niveau de "connaissance" à l'â ge a avec la valeur initiale

K(0).

Des leçons avec un contenu de compétences identique sont enseignées et examinées en

utilisant une série de
tâ ches. Une personne présente la maîtrise d'une compétence au niveau K¯ si K(a) ≥ K¯.
Soit D(a) = 1 si

la personne à l'â ge a maîtrise la compétence, donc . La

maîtrise est mesurée
à chaque â ge.
Considérons un modèle déterministe de formation des compétences. En supposant

qu'il n'y a pas de dépréciation, les compétences évoluent de la manière suivante

 K(a) = K(a - 1) + δ(a)ηK(a - 1) + V (Q(a)), (4)

où η est le paramètre de capacité d'apprentissage qui est spécifique à l'individu et

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

indépendamment du niveau de K(a - 1). Nous supposons une invariance d'échelle au

sein de chaque niveau de compétence. Les compétences sont donc additives dans la

métrique qui quantifie K.

Dans ce cadre, l'autoproductivité est . La productivité de

l'investissement est . La complémentarité dynamique est

capturée par les investissements.
ment δ(a) étant plus productif plus le niveau de compétence est élevé :

La capacité η est un déterminant de la complémentarité dynamique et stimule

l'autoproductivité. La capacité elle-même peut être une conséquence de l'investissement

et fonctionne comme K(a - 1) en

renforcer les compétences.

Ajouter des amortisseurs

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

de croissance (ε(a)) sur une échelle logarithmique, l'acquisition de compétences est

caractérisée par :

lnK(a)-lnK(a - 1) = δ(a)η + V (Q(a)) + ε(a) (5)

donc
.

(0) (6)

où ε(a) est i.i.d. pour tous les a avec E(ε(a)) = 0. Le modèle présente une

complémentarité dynamique, une autoproductivité et une productivité de

l'investissement. Il introduit une croissance à marche aléatoire de la connaissance

suivant Rutherford (1955).

Définissez ) une marche aléatoire, ∆( ), des leçons

cumulées,

et Λ( )). La probabilité de maîtriser la

compétence à l'â ge a est de

Pr(D(a) = 1) = Pr(lnK(0) + U(a) + Λ(a) + η∆(a) > lnK¯),

où l'on suppose que η ⊥⊥ ε(j) pour tout j. Ainsi, en conditionnant η, que l'on suppose

indépendant de U(a), η et K(0), on obtient

Pr( .
(7)
 Le modèle général

En utilisant la notation introduite dans la section 3, le modèle général est le même

que le modèle simple appliqué aux compétences à chaque niveau où S est l'ensemble des

compétences enseignées, ℓ(s,a) est le niveau de la compétence s enseignée à l'â ge a, et

ℓ(s,a) ∈ {1,...,Ls }, où Ls est le nombre de niveaux de difficulté pour chaque compétence s.

Suivant les traditions en psychométrie, nous utilisons un modèle de franchissement

de seuil pour caractériser la maîtrise de la compétence s au niveau ℓ lorsque l'agent est

â gé de a ans.

K(s,ℓ,a) ≥ K¯(s,ℓ) D(s,ℓ,a) =

0sinon .

K¯(s,ℓ) est la compétence latente minimale requise pour réussir la tâ che pour le niveau

de difficulté ℓ. Les chocs au niveau ℓ pour l'â ge a-ε(s,ℓ,a)-sont supposés être

indépendants à travers a. Sa distribution peut varier avec ℓ et a, mais nous supposons

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

comme Vℓ (Q(a)). Nous définissons ensuite l'invariance des compétences et montrons

comment nous la testons dans notre modèle.

5.1 Invariance des compétences

L'invariance des compétences suppose une échelle commune au sein et entre tous les ℓ

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

définie. Elle exige, entre autres, qu'en l'absence de dépréciation

.
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

dans l'annexe O rend ce point précis.

S'il y a dépréciation (ou appréciation) par niveau,

K(s,ℓ,a(s,ℓ)) = Γℓ (K(s,ℓ - 1,a¯(s,ℓ - 1))), ¯

où Γℓ est une fonction générale. La dépréciation totale des compétences à ℓ-1 fixe Γℓ à la

fonction zéro. L'invariance de l'â ge à ℓ - 1 fixe Γℓ = I, la fonction identité. Dans ce

document, nous ne considérons que les transformations affines.

.
Nous abordons ensuite l'intuition de l'identification du modèle. Nous ne disposons

pas de mesures directes des compétences latentes, mais plutô t de chaînes de

performances de tâ ches binaires pour les enfants inscrits au programme, à partir

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),

nous pouvons identifier de manière non paramétrique les distributions conjointes

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

difficulté 1 à l'â ge hebdomadaire a, et K(0) est la condition initiale. lnK(0) = µ0 (Z) + Υ, où

sont des variables de base, E(Υ) = 0, Υ ⊥⊥ η, et ),

où ε(1,j) est un choc spécifique à la tâ che au niveau de difficulté 1 à l'â ge hebdomadaire j,

qui est supposé être i.i.d. avec une variance . Nous supposons que ε(1,j) ⊥⊥ (η,Υ)

pour tous les j.

¯
Nous paramétrons δ1 (a)η = β 1 (X)+ω1 , où X sont des covariables expliquant la capacité

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

niveau à l'autre. Dans cette notation,

D(1,a) = 1(lnK(1,a) > K¯(1)).

En général, nous ne pouvons pas distinguer les seuils des intercepts associés à la

technologie et à la condition initiale.

Un modèle à coefficient aléatoire pour la capacité multipliée par le contenu des

¯
leçons est β1 = β 1 (X) + ω1 , où ω1 est un choc aléatoire spécifique au niveau, E(ω1 ) = 0,

ω1 ⊥⊥ X, et ω1 ⊥⊥ (Υ,ε(1,j)) pour tous les j. Le coefficient aléatoire capture

l'hétérogénéité de la capacité d'apprentissage. L'équation (8) peut être réécrite dans

cette notation pour le cas général permettant l'hétérogénéité dans lnK(0) :

 ( a )
¯ X
lnK(1,a) = µ1 + µ0 (Z) + V (Q(a)) + β 1 (X)a + aω1 + ε(1,j) + Υ(9)
j=1

|{z} Ψ 1 (a)

où Var(Ψ ), où

.
Sous les conditions données dans Matzkin (1992, 2007), avec une variation suffisante de
la

régresseurs pour ce modèle de franchissement de seuil, nous pouvons identifier à la

période j, a(1) ≤ j ≤ ¯.
a¯(1),

où (1) et µ1 rassemble toutes les autres interceptes du modèle. Si un

coefficient est commun à j et j′ , nous pouvons identifier le ratio de . Dans cette

condition, avec une normalisation (par exemple, σ(1,j) = 1), nous pouvons identifier

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

σω21 , , et jusqu'à l'échelle dans chaque ℓ en utilisant la variation de l'â ge du terme

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.

Cependant, nous devons prendre position sur la dépendance à travers ωj .

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

= 0, et γ1,2 = 1), nous pouvons relier la compétence latente lnK(1,a¯(1)) (l'indice du

dernier â ge ¯a(1) de la dernière tâ che au niveau 1) à la compétence initiale au niveau 2,

lnK(2,a(2)) : lnK(1,a¯(1)) = lnK(2,a(2)). La compétence latente au niveau

¯¯

É tant donné la normalisation initiale et l'identification des paramètres du premier

¯
niveau (jusqu'à l'échelle), nous pouvons identifier V2 (Q(a)) et β 2 (X) jusqu'à l'échelle
σ(2,a), où

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). ¯

Cela n'ajoute aucune nouvelle information compte tenu de la normalisation initiale.

Sous les conditions établies dans Matzkin (2007) et Heckman et Vytlacil (2007), nous

pouvons identifier de manière non paramétrique les distributions de ε(1,a) et ε(2,a)

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.

5.2.1 Test de l'hypothèse d'invariance d'échelle

En cas d'invariance d'échelle, nous obtenons des restrictions strictes sur les coefficients
entre les niveaux.

La relaxation de l'invariance d'échelle ajoute deux nouveaux paramètres (γ 0,2 ,γ1,2 ) à

l'équation (10) :

Remarquez qu'il impose une restriction de proportionnalité entre les fonctions

communes à lnK(2,a) et lnK(1,a). Passage d'un niveau à l'autre,

 Cov
,

a > a¯(1) ; a(1) ≤ a′ < a¯(1). ¯

A partir de l'analyse précédente, le terme entre parenthèses est identifié (jusqu'à

l'analyse précédente).

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

de difficulté soient croissants en ℓ. Comme précédemment, nous pouvons estimer

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

compétence spécifique s. Nous ajustons pour le regroupement dans notre échantillon en

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

motricité fine, respectivement). En général, l'imposition de l'invariance d'échelle produit

des ajustements plus mauvais, un point développé plus loin. Nous rapportons les

estimations dans le texte, sans invariance d'échelle.

Les estimations imposant l'invariance d'échelle figurent à l'annexe R.

6.1Estimations
La composante d'apprentissage δℓ E(η) combine la leçon sur ℓ (c'est-à -dire δℓ )

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

significativement l'apprentissage des enfants pour chaque tâ che. Conformément aux

résultats rapportés pour notre analyse des effets du traitement pour nos nouvelles

mesures de compétences, l'interaction entre le visiteur à domicile et la personne

s'occupant de l'enfant est la seule interaction constamment positive dans la promotion

des compétences (voir le tableau R4 de l'annexe R). La grand-mère, en tant que

principale personne en charge de l'enfant, présente souvent des effets négatifs

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

des valeurs significativement plus élevées de la composante d'apprentissage pendant

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

également qu'un niveau d'éducation plus élevé de la personne s'occupant de l'enfant

augmente significativement la compétence linguistique lorsque les enfants sont inscrits

pour la première fois au programme (voir tableau R1). Il y a un apprentissage

substantiel pour les enfants exposés à des mères plus instruites.

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

ordre de tâ che au sein d'un même niveau.

6.2 Composantes de l'apprentissage et exécution des tâches

Les taux de réussite aux tâ ches augmentent en fonction des niveaux de difficulté. Dans

Zhou, Heckman, Wang et Liu (2021), nous utilisons des tests d'échangeabilité sur les

modèles d'apprentissage pour tester formellement l'existence de l'apprentissage. Dans

cette sous-section, nous examinons comment la composante apprentissage de notre

modèle structurel explique la performance des tâ ches des enfants.

Figure 9 : Estimations de δ(ℓ)E(η) par groupe d'aptitudes

∗
Les intervalles sont de la forme (j - 1,j]. Le paramè tre de l'intervalle est indexé par la valeur supé rieure, j.

Dans notre contexte, la composante d'apprentissage est δ ℓ η(X). Le terme δℓ capture

le contenu du curriculum à chaque niveau de difficulté, et le terme η(X) inclut la qualité

de l'interaction, la qualité de l'enseignement et la qualité de la grand-mère pendant

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)

pour chaque tâ che. Nous l'identifions en utilisant βℓ et en normalisant δ(1) = 1. On

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

du groupe normal contribuent le plus à la croissance de la composante apprentissage.

Les enfants du groupe rapide maîtrisent la tâ che rapidement, généralement dès le

premier essai. Ainsi, la croissance ultérieure de l'apprentissage est faible pour eux

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

cohérent avec nos estimations montrant que la composante d'apprentissage E(η)

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

à 4, bien que l'apprentissage ne soit pas substantiel à tous les niveaux.

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

monotonicité fournie par la composante déterministe du modèle et pour refléter le

manque d'ajustement du modèle aux données (voir Figure Q1(b)).

 Figure 13 : Compétence linguistique

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

ne sont pas monotones à l'intérieur d'une fourchette de 1 à 5 %.

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)

6.6Tester l' hypothèse d'invariance d'échelle

En vertu de l'invariance d'échelle, γ1,ℓ = 1. Notez que γ1,ℓ = 1 signifie une échelle

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

résultats du test χ2 pour chaque niveau et chaque compétence. Nos estimations

soutiennent partiellement l'invariance d'échelle. Pour certains niveaux, l'invariance

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

tâ che est très similaire pour ces différents niveaux.

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

d'aptitudes cognitives. Cependant, nous trouvons des preuves en faveur de l'invariance

des compétences pour les tâ ches de motricité fine, qui se concentrent principalement

sur les compétences de dessin.

Figure 19 : Tests de l'hypothèse nulle d'invariance d'échelle

Tableau 8 : Tests d'hypothèse d'invariance d'échelle par niveaux

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

Niveau 91.1130 .1130 .737 0.744 3.432 0.064

Niveau 101.0060 .0010 .970 2.068 12.211 0.000

Niveau 111.2230 .3750 .540 2.292 10.927 0.001

 Niveau 12 5.614 14.351 0.000

Niveau 13 1.420 4.333 0.037

Total101 .8970 .000 75.344 0.000 4.241 0.752

• Pour chaque niveau, nous testons l'hypothè se nulle que γ1,ℓ =1 .

• La colonne de la valeur p rapporte la probabilité de ne pas rejeter l'hypothè se nulle.

• La ligne "Total" vé rifie si l'hypothè se d'invariance d'é chelle est valide pour tous les niveaux.

• Nos donné es pour les tâ ches linguistiques commencent au niveau 2.

La preuve de l'invariance des compétences entre les niveaux 8-9, 9-10 et 10-11 est

logique étant donné la similarité des tâ ches à ces niveaux.

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

paramétrique. Cela limite la généralité de nos résultats. Comme indiqué précédemment,

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 :

les interactions entre le visiteur à domicile et la personne s'occupant de l'enfant, les

interactions entre le visiteur à domicile et l'enfant, la qualité de l'enseignant et la

fréquence à laquelle la personne s'occupant de l'enfant joue avec lui après le cours. Nous

constatons que les interactions de haute qualité entre le visiteur à domicile et la

personne s'occupant de l'enfant améliorent de manière significative le développement

des compétences de l'enfant dans de multiples dimensions, mais les autres

caractéristiques du programme ne sont pas

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

nos preuves d'effets de traitement pour diverses mesures d'apprentissage. Le modèle

capture les modèles d'apprentissage dans nos données et explique comment les

compétences évoluent aux niveaux hebdomadaires. Nous mesurons la croissance des

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

maîtrisent généralement la tâ che après leur première leçon. À l'avenir, lors de la

conception du programme, les leçons adaptatives qui accélèrent pour les enfants à haut

niveau d'aptitude favoriseront un meilleur apprentissage.

Nous testons formellement si l'invariance de l'â ge se vérifie pour chaque niveau.

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

invariantes selon l'â ge pour analyser le développement de l'enfant et la valeur ajoutée

des enseignants et des écoles.

Références
Agostinelli, F. et M. Wiswall (2021). Estimation de la technologie de la formation des

compétences des enfants. Révision demandée, Journal of Political Economy.

Almlund, M., A. L. Duckworth, J. J. Heckman, et T. Kautz (2011). Psychologie de la

personnalité et économie. Dans E. A. Hanushek, S. Machin et L. Wo¨ßmann.

(Eds.), Handbook of the Economics of Education, Volume 4, Chapitre 1, pp. 1-181.

Amsterdam : Elsevier B. V.

Andrew, A., O. Attanasio, B. Augsburg, M. Day, S. Grantham-McGregor, C. Meghir, F. Mehrin,

S. Pahwa et M. Rubio-Codina (2019). Effets d'une intervention évolutive de visite à

domicile sur le développement de l'enfant dans les bidonvilles de l'Inde urbaine :

preuves d'un essai contrô lé randomisé. Journal de la psychologie et de la psychiatrie de

l'enfant.

Bai, Y. (2019). Optimalité des plans de paires appariées dans les essais contrô lés

randomisés. Manuscrit non publié, Université de Chicago.

Borghans, L., B. H. H. Golsteyn, J. J. Heckman, et J. E. Humphries (2016). Que mesurent les

notes et les tests de réussite ? Soumis à Proceedings of the National Academy of Sciences.

Britto, P. R., P. L. Engle, et C. M. Super (Eds.) (2013). Manuel de recherche sur le

développement de la petite enfance et son impact sur les politiques mondiales. Oxford

University Press. Parrainé par l'UNICEF et la SRCD.

Bronfenbrenner, U. (Ed.) (2005). Making Human Beings Human : Bioecological Perspectives

on Human Development. SAGE Publications.

Cunha, F. et J. J. Heckman (2008, automne). Formuler, identifier et estimer la technologie

de formation des compétences cognitives et non cognitives. Journal of Human Resources

43(4), 738-782.

Cunha, F., J. J. Heckman, et S. M. Schennach (2010, mai). Estimating the technology of

cognitive and noncognitive skill formation. Econometrica 78(3), 883-931.

Cunha, F., E. Nielsen, et B. Williams (2021). L'économétrie du capital humain et des

investissements dans la petite enfance. Annual Review of Economics 13(1), 487-513.

Del Boca, D., C. J. Flinn, et M. Wiswall (2014). Les choix des ménages et le développement

des enfants. Review of Economic Studies 81(1), 137-185.

Doepke, M. et F. Zilibotti (2019). Amour, argent et parentalité : Comment l'économie

explique la façon dont nous élevons nos enfants. Princeton University Press.

Elango, S., , J. L. Garc'ıa, J. J. Heckman, et A. Hojman (2016). L'éducation de la petite enfance.

Dans R. A. Moffitt (Ed.), Economics of Means-Tested Transfer Programs in the United

States, Volume 2, Chapitre 4, pp. 235-297. Chicago : University of Chicago Press.

Engle, P. L., L. C. H. Fernald, H. Alderman, J. Behrman, C. O'Gara, A. Yousafzai,

M. Cabral de Mello, M. Hidrobo, N. Ulkuer, I. Ertem, et S. Iltus (2011, octobre). Stratégies

de réduction des inégalités et d'amélioration des résultats en matière de développement

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.

Gertler, P., J. J. Heckman, R. Pinto, S. M. Chang-Lopez, S. Grantham-McGregor, C.

Vermeersch, S. Walker et A. S. Wright (2021). Effet de l'intervention de stimulation de la

 petite enfance en Jamaïque sur les résultats sur le marché du travail à 31 ans. NBER

29292. En cours de révision.

Gertler, P., J. J. Heckman, R. Pinto, A. Zanolini, C. Vermeersch, S. Walker, S. Chang et S. M.

Grantham-McGregor (2014). Rendements sur le marché du travail d'une intervention de

stimulation de la petite enfance en Jamaïque. Science 344(6187), 998-1001.

Grantham-McGregor, S. et J. A. Smith (2016). Extending the jamaican early childhood

development intervention. Journal de la recherche appliquée sur les enfants : Informing

Policy for Children at Risk 7(2).

Heckman, J. J. (1978, septembre). Modèles statistiques simples pour données de panel

discrètes développés et appliqués pour tester l'hypothèse de dépendance d'état vraie

contre l'hypothèse de dépendance d'état fallacieuse. Annales de l'INSEE 30-31, 227-269.

Numéro spécial.

Heckman, J. J. (1981). Modèles statistiques pour les données de panel discrètes. Dans C.

Manski et D. McFadden (Eds.), Structural Analysis of Discrete Data with Econometric

Applications, pp. 114-178. Cambridge, MA : MIT Press.

Heckman, J. J. et S. Mosso (2014, aoû t). L'économie du développement humain et de la

mobilité sociale. Revue annuelle d'économie 6(1), 689-733.

Heckman, J. J. et E. J. Vytlacil (2007). Evaluation économétrique des programmes sociaux,

partie I : modèles causaux, modèles structurels et évaluation économétrique des

politiques. Dans

J. J. Heckman et E. E. Leamer (Eds.), Handbook of Econometrics, Volume 6B, Chapter 70,

pp. 4779-4874. Amsterdam : Elsevier B. V.

Kautz, T., J. J. Heckman, R. Diris, B. ter Weel, et L. Borghans (2014). Favoriser et mesurer les

compétences : Améliorer les compétences cognitives et non cognitives pour favoriser la

réussite dans la vie. Rapport technique, Organisation de coopération et de

développement économiques, Paris. Disponible à l'adresse

 https://www.oecd.org/edu/ceri/Fosteringand-Measuring-Skills-Improving-Cognitive-

and-Non-Cognitive-Skills-to-PromoteLifetime-Success.pdf.

Kim, J. H. (2019). Les compétences parentales et le développement de l'enfant. Non

publié.

Lord, F. M. et M. R. Novick (1968). Statistical theories of mental test scores. Reading, MA :

Addison-Wesley Publishing Company.

Matzkin, R. L. (1992, mars). Nonparametric and distribution-free estimation of the binary

threshold crossing and the binary choice models. Econometrica 60(2), 239-270.

Matzkin, R. L. (2007). Nonparametric identification. Dans J. J. Heckman et E. E. Leamer

(Eds.), Handbook of Econometrics, Volume 6B. Amsterdam : Elsevier.

OCDE (2021). Au-delà de l'apprentissage académique : Premiers résultats de l'enquête sur les

compétences sociales et émotionnelles. É ditions de l'OCDE.

Palmer, F. H. (1971). Concept training curriculum for children ages two to five. Stony Brook,

NY : State University of New York at Stony Brook.

Rutherford, R. S. G. (1955, juillet). Income distributions : A new model. Econometrica 23(3),

277-294.

Thelen, E. (2005, 04). La théorie des systèmes dynamiques et la complexité du

changement. Dialogues psychanalytiques 15, 255-283.

Todd, P. E. et K. I. Wolpin (2007, Hiver). The production of cognitive achievement in

children : Home, school, and racial test score gaps. Journal of Human Capital 1(1), 91-

136.

Uzgiris, I. C. et J. Hunt (1975). Assessment in infancy : Ordinal scales of psychological

development. University of Illinois Press.

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

psychologiques supérieurs. Cambridge, MA : Harvard University Press.

Zhou, J., J. Heckman, B. Liu, et M. Lu (2021). Effets de traitement et mesure des

compétences dans un programme influent de visites à domicile. Document de travail.

Zhou, J., J. Heckman, F. Wang, et B. Liu (2021). Tests des modèles d'apprentissage des

compétences de la petite enfance. Révision demandée, Journal of Community Psychology.