Analyse de la discrimination salariale à lencontre des femmes en Suisse Présenté par Peter...
-
Upload
magalie-lemercier -
Category
Documents
-
view
111 -
download
2
Transcript of Analyse de la discrimination salariale à lencontre des femmes en Suisse Présenté par Peter...
Analyse de la Analyse de la discrimination discrimination
salariale à salariale à l’encontre des l’encontre des
femmes en Suisse femmes en Suisse Présenté par Peter Brühwiler, Bertrand Présenté par Peter Brühwiler, Bertrand Giger, Anton Rachinski, Jean-François Giger, Anton Rachinski, Jean-François
Huertas, Didier PoulardHuertas, Didier Poulard
Définition:Définition:
Il y a discrimination salariale à Il y a discrimination salariale à l’encontre des femmes (hommes) l’encontre des femmes (hommes) lorsque, à productivité égale, les lorsque, à productivité égale, les hommes (femmes) obtiennent hommes (femmes) obtiennent systématiquement un salaire systématiquement un salaire supérieur à celui des femmes supérieur à celui des femmes
Programme de la Programme de la présentationprésentation
Présentation des variables Présentation des variables explicativesexplicatives
La méthode d’Oaxace-BlinderLa méthode d’Oaxace-Blinder Régression directe vs. Régression Régression directe vs. Régression
inverseinverse La méthode d’HeckmanLa méthode d’Heckman Analyse des résultats avec Analyse des résultats avec
commentairescommentaires
Modèle de base:Modèle de base:
Log(salaireLog(salaireii) = ) = αα + + ββ qualification qualificationi i + + γγ sexsexii + + εεii
variables explicativesvariables explicatives
la formation la formation acquiseacquise
Variable muetteVariable muette PositifPositif
L’âge de l’employéL’âge de l’employé PositifPositif
L’état civilL’état civil Variable binaireVariable binaire ??
Le taux Le taux d’occupationd’occupation
PositifPositif
Le type de contratLe type de contrat Variable muetteVariable muette PositifPositif
L’anciennetéL’ancienneté Variable binaireVariable binaire PositifPositif
L’expérienceL’expérience Variable binaireVariable binaire PositifPositif
La taille de La taille de l’entreprisel’entreprise
PositifPositif
La branche La branche économiqueéconomique
Variable binaireVariable binaire PositifPositif
Le niveau Le niveau hiérarchiquehiérarchique
Variable muetteVariable muette NégatifNégatif
Le secteur de Le secteur de l’entreprisel’entreprise
Variable binaireVariable binaire ??
La nationalitéLa nationalité Variable binaireVariable binaire positifpositif
Le sexe de Le sexe de l’employél’employé
variable binairevariable binaire ??
La méthode d’Oaxaca-La méthode d’Oaxaca-BlinderBlinder
Pourquoi utiliser cette méthodePourquoi utiliser cette méthode Présentation de la méthodePrésentation de la méthode Quelques critiquesQuelques critiques Shrestha et Skellariou une Shrestha et Skellariou une
alternative?alternative?
La méthode d’Oaxaca-La méthode d’Oaxaca-BlinderBlinder
Pourquoi utiliser cette méthode?Pourquoi utiliser cette méthode?Car la méthode de base possède des point faibles:Car la méthode de base possède des point faibles:
-Variable muette (0 ou 1) pour le sexe pas -Variable muette (0 ou 1) pour le sexe pas suffisant pour mesurer avec précision la suffisant pour mesurer avec précision la discriminationdiscrimination
-Les mode de formation des salaires est -Les mode de formation des salaires est identiques pour les deux sexes ce qui n’est à identiques pour les deux sexes ce qui n’est à l’évidence pas le cas.l’évidence pas le cas.
Permet de décomposer la différence totale de Permet de décomposer la différence totale de salaire entre 2 groupes.salaire entre 2 groupes.
La méthode d’Oaxaca-La méthode d’Oaxaca-Blinder: suiteBlinder: suite
Explication de la méthodeExplication de la méthode-Estimer sèparément les équation des 2 -Estimer sèparément les équation des 2 groupes.groupes.
ln Wln Wiimm==mm++mmX+X+ii
mm
ln Wln Wiiff= = ff++ffX+X+ii
ff
Avec ln W=logarithme naturel du salaire annuel Avec ln W=logarithme naturel du salaire annuel brutbrut ==vecteur des coefficients des varaibles vecteur des coefficients des varaibles explicativesexplicatives X=vecteur de varibles explicativesX=vecteur de varibles explicatives
La méthode d’Oaxaca-La méthode d’Oaxaca-Blinder: suiteBlinder: suite
Explication de la méthodeExplication de la méthode-Sachant que la droite de régression des -Sachant que la droite de régression des
MCO MCO passe par le point moyen, on passe par le point moyen, on peut écrire:peut écrire:
ln Wln Wiimm==mm++mmXX
ln Wln Wiiff= = ff++ffXX
-Ainsi la différence totale est:-Ainsi la différence totale est:
ln Wln Wiimm-- ln Wln Wii
f f = = mm- - ff + +mmXXmm- - ffXXff
La méthode d’Oaxaca-La méthode d’Oaxaca-Blinder: suiteBlinder: suite
-Après quelques opérations, on obtient:-Après quelques opérations, on obtient:
ln Wln Wiimm-- ln Wln Wii
f f = = mm- - ff +( +(m m - - ff)*X)*Xff++mm*(X*(Xmm- - XXff))
AvecAvec
Ef=Partie expliquée=Ef=Partie expliquée=mm- - ff +( +(m m - - ff)*X)*Xff
Df=Partie discriminatoire= Df=Partie discriminatoire= mm*(X*(Xmm- - XXff))
La méthode d’Oaxaca-La méthode d’Oaxaca-Blinder: suiteBlinder: suite
Quelques critiques de la MOBQuelques critiques de la MOB
A) 2 mesures non identiques alors A) 2 mesures non identiques alors laquelle utiliser?laquelle utiliser?
B)Est-il juste de prendre le salaire B)Est-il juste de prendre le salaire moyen?moyen?
C)L’idée d’utiliser un modèle classique C)L’idée d’utiliser un modèle classique vraiment bonne?vraiment bonne?
D)Aucun test statistiques adéquatsD)Aucun test statistiques adéquats
La méthode d’Oaxaca-La méthode d’Oaxaca-Blinder: suiteBlinder: suite
D’où, proposition de la méthode de Shrestha D’où, proposition de la méthode de Shrestha et Skellariouet Skellariou-Estimer le salaire non discriminatoire-Estimer le salaire non discriminatoire
ln(W* )=X ln(W* )=X -En s‘inspirant de Zellner on peut poser les -En s‘inspirant de Zellner on peut poser les équations:équations:
ln (Wln (Whh)=d)=dhh*ln(W*)+*ln(W*)+hh= = ddhh*X*Xhh+ + hh
ln (Wln (Wff)=d)=dff*ln(W*)+*ln(W*)+ff==ddff*X*Xff+ + ff
La méthode de Shrestha La méthode de Shrestha et Skellariouet Skellariou
-Et on peut tester l’hypothèse:-Et on peut tester l’hypothèse:
H0 : dH0 : dhh=d=dff
Contre H1 : dContre H1 : dhh>d>dff
-La MOB dépend des valeurs observée des -La MOB dépend des valeurs observée des moyennes des caractéristiquesmoyennes des caractéristiques
-La discrimination dépend donc de -La discrimination dépend donc de l’échantillonl’échantillon
-Pour éviter ce problème, on écrit:-Pour éviter ce problème, on écrit:
E(ln(WE(ln(Whh (X))-ln(W (X))-ln(Wff (X)))=(d (X)))=(dhh-d-dff) X) X
=(d=(dhh-d-dff) ln(W*(X))) ln(W*(X))
La méthode de Shrestha La méthode de Shrestha et Skellariouet Skellariou
Le porcentage de la discrimination est:Le porcentage de la discrimination est:
100100(d(dhh-d-dff) Indépendant des ) Indépendant des caractéristiques de Xcaractéristiques de X
On pose dOn pose dhh=1=1En réécrivant le modèle:En réécrivant le modèle:
yy11=Z=Z11 +u +u11
yy22=dZ=dZ22 +u +u22
On peut calculer le logarithme de la On peut calculer le logarithme de la fonction de vraissemblancefonction de vraissemblance
La méthode de Shrestha La méthode de Shrestha et Skellariouet Skellariou
La maximisation de la log-La maximisation de la log-vraissemblance nous permet donc de vraissemblance nous permet donc de tester la discrimination:tester la discrimination:
ttobsobs=(1-d)/=(1-d)/dd
dd=écart-type de d=écart-type de d
Régression directe vs Régression directe vs régression inverse: intro régression inverse: intro
Le modèle de base (direct):Le modèle de base (direct):
ln(Y) = a + b*X + c*S + uln(Y) = a + b*X + c*S + u Explication des variablesExplication des variables Pourquoi utiliser le logarithme Pourquoi utiliser le logarithme
naturel?naturel? Pourquoi utiliser la regression Pourquoi utiliser la regression
inverse?inverse?
Régression directe vs Régression directe vs régression inverse: suiterégression inverse: suite
Le modèle inverse:Le modèle inverse:Q = α + β*ln(Y) + δ*S + η*X’ + wQ = α + β*ln(Y) + δ*S + η*X’ + w
Explication:Explication: Q: indexe des variables à capital Q: indexe des variables à capital
humainhumain X’: vecteur des variables non retenuesX’: vecteur des variables non retenues S: toujours la variable sexe....S: toujours la variable sexe....
Régression directe vs Régression directe vs régression inverse: suiterégression inverse: suite
Problèmes liés à l’estimation par la Problèmes liés à l’estimation par la regression inverse:regression inverse:
Biais dans le calcul de l’indexeBiais dans le calcul de l’indexe Erreurs dans l’observation des Erreurs dans l’observation des
variables salaire et qualificationvariables salaire et qualification Résultats souvent contradictoiresRésultats souvent contradictoires
Régression directe vs Régression directe vs régression inverse: finrégression inverse: fin
Solution proposée dans Maddala - Solution proposée dans Maddala - utilisation de bornes:utilisation de bornes:
lim δ < б < lim blim δ < б < lim b• δ δ - coéfficient de discrimination éstimé par - coéfficient de discrimination éstimé par
régression inverserégression inverse• bb - coéfficient de discrimination éstimé par - coéfficient de discrimination éstimé par
régression directerégression directe• бб – « vrai » coéfficient de discrimination – « vrai » coéfficient de discrimination
Correction d’HeckmanCorrection d’Heckman
Échantillon choisi non-aléatoirementÉchantillon choisi non-aléatoirement Ne représente plus la populationNe représente plus la population Paramètres estimés biaisésParamètres estimés biaisés Heckman corrige ce bais de Heckman corrige ce bais de
sélection de l’échantillonsélection de l’échantillon Sample selection biasSample selection bias
AlgébriquementAlgébriquement
Modèle à deux équations pour Modèle à deux équations pour individu i individu i
siquand
siquandUUEUE
UXY
UXY
siji
iii
iii
0
)(,0)(
)2(
)1(
1221
2222
1111
)(),()4( 11111 lawselectionsampleUEXlawselectionsampleXYE iiii
On estime (1) mais des données On estime (1) mais des données manquent enmanquent en YY11
L’équation de la population peut être L’équation de la population peut être réecrite comme suit:réecrite comme suit:
Et celle de l’échantillon:Et celle de l’échantillon:
1111 )()3( iii XXYE
AlgébriquementAlgébriquement
Si Si
Equation (3) = (4)Equation (3) = (4)
Conséquence de l’absence Conséquence de l’absence d’informations:d’informations:
Perte d’efficiencePerte d’efficience
0)( 1 lawselectionsampleUE i
AlgébriquementAlgébriquement
Sample selection lawSample selection law
Hypothèse:Hypothèse: Information dispopnible en YInformation dispopnible en Y11 si si Ainsi:Ainsi:
Si USi U1i 1i et Uet U2i 2i sont indépendantssont indépendants Les informations manquent aléatoirement Les informations manquent aléatoirement
en Yen Y11
02 Y
),(
)0,(),(
22211
21111
iiii
iiiii
XUXUE
YXUElawselectionsampleXUE
0)),(( 11 lawselectionsampleXUEE ii
Cas généralCas général
La fonction de régression de La fonction de régression de l’échantillon dépend donc de Xl’échantillon dépend donc de X1 1 et de Xet de X22
Le biais vient donc de l’omission d’une Le biais vient donc de l’omission d’une variable explicativevariable explicative
La probabilité de participer au marché La probabilité de participer au marché du travaildu travail
En l’incluant => gain d’informationEn l’incluant => gain d’information
222111211 ()0,( iiiiiii XUUEXYXYE
ApplicationApplication
Variables utilisée pour estimer la Variables utilisée pour estimer la probabilité de participer au marché du probabilité de participer au marché du travail: travail:
• Etat civil (marie)Etat civil (marie) négatifnégatif• Formation acquise (edu)Formation acquise (edu) positifpositif• Taille du ménage (taillemen)Taille du ménage (taillemen) négatifnégatif• Âge de la personne (age)Âge de la personne (age) ambiguambigu
Echantillon complet Actifs et inactifsEchantillon complet Actifs et inactifs
RemarquesRemarques
La correction d’Heckman modifie La correction d’Heckman modifie drastiquement les paramètres de la drastiquement les paramètres de la régression faite uniquement sur les régression faite uniquement sur les femmesfemmes
Elle n’est pas significativement Elle n’est pas significativement nécessaire pour les hommes nécessaire pour les hommes
On en conclut que la majorité des On en conclut que la majorité des inactifs sont des femmes inactifs sont des femmes
La probabilité de travailler pour les La probabilité de travailler pour les hommes est toujours très proche de 1 hommes est toujours très proche de 1
Analyse des résultatsAnalyse des résultats
Régression directe:Régression directe: Régression robuste (RRégression robuste (R²=0.53)²=0.53) Toutes les variables confirment les Toutes les variables confirment les
hypothèses émises au départhypothèses émises au départ Le coefficient de la variable “sexe” Le coefficient de la variable “sexe”
indique une discrimination contre indique une discrimination contre les femmesles femmes
Analyse des résultatsAnalyse des résultats
Interprétation des résultats de la MOBInterprétation des résultats de la MOB 29 % de la différence des salaires ne 29 % de la différence des salaires ne
sont pas expliqués par les hypothèses sont pas expliqués par les hypothèses de basede base
Etude Fluckiger: cette différence Etude Fluckiger: cette différence monte à 39 % monte à 39 %
Donc: la MOB confirme les résultats de Donc: la MOB confirme les résultats de la régression directe, c.a.d la régression directe, c.a.d discrimination contre les femmesdiscrimination contre les femmes
Analyse des résultatsAnalyse des résultats Interprétation de la discriminationInterprétation de la discrimination Erreurs sur les coefficients (exemple de Erreurs sur les coefficients (exemple de
l’ancienneté)l’ancienneté) Notions non prises en considération:politique Notions non prises en considération:politique
de promotion(‘hirérar’)de promotion(‘hirérar’) Discrimination varie avec le découpage des Discrimination varie avec le découpage des
échantillons: selon secteur, domaine échantillons: selon secteur, domaine d’activité, position hiérarchiqued’activité, position hiérarchique
Prudence!Prudence! Variables à « injustice naturelle » utilisées Variables à « injustice naturelle » utilisées
pour discriminerpour discriminer
Analyse des résultatsAnalyse des résultats La régression inverse remet en cause les La régression inverse remet en cause les
résultats par:résultats par: Analyse de Q (indexe des qualifications): Analyse de Q (indexe des qualifications):
discrimination envers les hommes (Df=36,9 %)discrimination envers les hommes (Df=36,9 %) Analyse séparée des variables explicatives Analyse séparée des variables explicatives
applicables et significatives:applicables et significatives:
Education (Df=87,8%), taux Education (Df=87,8%), taux d’occupation(Df=82,9%), ancienneté(Df=78,7%).d’occupation(Df=82,9%), ancienneté(Df=78,7%).
Contradiction avec régression directe: Contradiction avec régression directe: importance de la régression inverse car infirme importance de la régression inverse car infirme conclusion précédente.conclusion précédente.
Analyse des résultatsAnalyse des résultats
Le biais d’échantillonnage fausse les Le biais d’échantillonnage fausse les résultats de la régression des résultats de la régression des femmesfemmes
Hypothèse: Elles constituent la Hypothèse: Elles constituent la majorité des inactifsmajorité des inactifs
La MOB effectuée après la La MOB effectuée après la correction d’Heckman indique une correction d’Heckman indique une discrimination envers les hommesdiscrimination envers les hommes
Analyse des résultatsAnalyse des résultats
Précautions:Précautions:• MOB utilise les moyennes des MOB utilise les moyennes des
salaires et de variables explicativessalaires et de variables explicatives• Moyennes tirées vers le bas en Moyennes tirées vers le bas en
incluant les femmes inactivesincluant les femmes inactives• Que valent ces résultats?Que valent ces résultats?
ConclusionConclusion
Quelle méthode utiliser?Quelle méthode utiliser? Régression directe:Régression directe: rapide et nombreuses études disponibles.rapide et nombreuses études disponibles. Résultats vérifiés par la MOBRésultats vérifiés par la MOB Discrimination contre les femmesDiscrimination contre les femmes Mais ne passe pas le test de la régression Mais ne passe pas le test de la régression
inverse!inverse! Biais de sélection et coefficients du Biais de sélection et coefficients du
modèle non représentatifs de la réalité.modèle non représentatifs de la réalité. Correction de HeckmanCorrection de Heckman
Conclusion (suite)Conclusion (suite) Correction de Heckman:Correction de Heckman: Tient compte des chômeurs et inactifs:enlève Tient compte des chômeurs et inactifs:enlève
biais de sélectionbiais de sélection inclus probabilité de participer au marché du inclus probabilité de participer au marché du
travail: représentaion plus réaliste de la travail: représentaion plus réaliste de la réalité.réalité.
Méthode la plus correcte Méthode la plus correcte économétriquement, s’applique avec la MOB.économétriquement, s’applique avec la MOB.
Discrimination envers les hommes !Discrimination envers les hommes ! Mais test de la régression inverse ne marche Mais test de la régression inverse ne marche
cependant pas! Prudence!cependant pas! Prudence!
Conclusion (suite et fin)Conclusion (suite et fin) Avantage de la démarche: pas conclure trop vite!Avantage de la démarche: pas conclure trop vite! Comment conclure dès lors?Comment conclure dès lors? Refaire les échantillons de façon homogène et Refaire les échantillons de façon homogène et
analyseranalyser Savoir parmi les femmes ne travaillant pas celles Savoir parmi les femmes ne travaillant pas celles
qui ne veulent pas travailler de celles qui ne qui ne veulent pas travailler de celles qui ne peuvent.peuvent.
Que vaut la régression inverse?Que vaut la régression inverse? Dilemme de la disponibilité de la main d’oeuvre Dilemme de la disponibilité de la main d’oeuvre
qualifiéequalifiée Q’est-ce finalement de la discrimination?Q’est-ce finalement de la discrimination?