Un nouveau document de travail signé par les économistes Raj Chetty, Jamie Fogel, Lawrence F. Katz, Kadeem Noray, Sonya Porter et James Reisinger indique que des modèles d'apprentissage automatique construits à partir de données administratives à grande échelle peuvent estimer les effets sur les revenus des programmes de formation professionnelle avec une précision comparable aux essais contrôlés randomisés (ECR). L'intégralité de l'étude est disponible en PDF via Opportunity Insights.

Des petits enquêtes aux données fiscales nationales

L'évaluation moderne des programmes privilégie depuis longtemps les données issues des ECR, dans lesquels les participants sont répartis de manière aléatoire entre un groupe traité et un groupe témoin, afin d'isoler l'effet d'un programme des autres facteurs. Les gouvernements et les chercheurs se sont appuyés sur ce type d'expériences parce que les estimations observationnelles de l'impact des programmes s'écartaient souvent sensiblement des références expérimentales — un problème signalé par les économistes depuis les années 1980. Ces conclusions antérieures, notent les auteurs du nouveau document, reposaient sur de petits jeux de données d'enquête. L'étude revisite la question à l'ère des données administratives à grande échelle, alors qu'il est rarement envisageable, pour des raisons de coût, de logistique ou d'éthique, de mener une expérience pour chaque programme qu'administre un gouvernement. Les données administratives offrent une base de données alternative : des registres générés dans le cadre des fonctions ordinaires de l'État — dont la déclaration fiscale — couvrant des populations entières plutôt que les petits échantillons d'enquête à l'origine des écarts constatés auparavant.

À partir de déclarations fiscales anonymisées couvrant tous les adultes américains entre 1999 et 2025, les chercheurs estiment les effets des programmes de formation professionnelle sur les revenus. Les modèles d'apprentissage automatique prédisent les résultats contrefactuels — ce que les participants auraient gagné en l'absence d'inscription — à partir de données riches sur les parcours professionnels antérieurs, les données démographiques et les lieux de résidence.

Égaler la référence expérimentale

Plutôt que de tester si leurs estimations observationnelles sont sans biais, les auteurs utilisent 37 ECR pour estimer la distribution de leur biais — une validation portant sur des dizaines d'expériences distinctes plutôt que sur une seule étude de référence. Les estimations issues de l'apprentissage automatique correspondent étroitement aux estimations des ECR, avec une erreur quadratique moyenne (RMSE) — une mesure standard de l'écart entre les estimations et les valeurs qu'elles visent à approcher — comparable à celle des ECR eux-mêmes. Selon l'étude, cette méthode réduit la RMSE de 60 % par rapport aux estimateurs paramétriques utilisés dans les travaux antérieurs, car des échantillons plus vastes et des covariables plus riches permettent des modèles contrefactuels plus flexibles et de dimension supérieure.

Là où les gains se concentrent

En appliquant la méthode à un ensemble plus large de sites et d'années d'inscription au-delà de l'échantillon expérimental, l'étude constate que les effets sur les revenus varient sensiblement selon les lieux et dans le temps, même au sein d'un même programme — autrement dit, un même programme peut produire des rendements très différents selon où et quand il est déployé. Les programmes qui placent le plus de participants dans des emplois du secteur visé génèrent les gains de revenus les plus importants, avec des effets qui persistent même après que les participants ont quitté leur emploi initial.

Ces résultats, écrivent les auteurs, fournissent des enseignements pour améliorer les programmes de formation professionnelle et, plus largement, illustrent une approche évolutive de l'évaluation des programmes : utiliser des données observationnelles pour construire des « jumeaux numériques » validés expérimentalement. Dans ce cadre, les expériences conservent un rôle central en tant que référence par rapport à laquelle les estimations fondées sur les données sont calibrées et vérifiées, tandis que les données administratives étendent l'évaluation à des sites, des années et des programmes au-delà de ceux où des essais randomisés ont été menés. L'étude applique la méthode à la formation professionnelle, et la mesure de son applicabilité à d'autres domaines de l'évaluation des politiques publiques reste à démontrer par des recherches ultérieures.

L'étude a été relayée sur Marginal Revolution, le blog d'économie fondé par Tyler Cowen et Alex Tabarrok, dans une publication datée du 11 novembre 2026. Le commentaire qui l'accompagnait était sans ambiguïté : « Des travaux de ce type vont révolutionner la méthode économique. »

En tant que document de travail, l'étude circule sous le format que les chercheurs utilisent généralement pour publier des résultats avant leur parution dans une revue et l'évaluation par les pairs qui l'accompagne, ce qui situe ces résultats à un stade précoce du processus de recherche.

Chetty et Katz sont tous deux économistes à l'Université Harvard. Chetty dirige Opportunity Insights, une organisation de recherche basée à Harvard et consacrée à l'opportunité et à la mobilité économiques, dont le site héberge le document de travail. Katz, économiste du travail, étudie depuis longtemps les salaires, l'éducation et le changement technologique.