Analyse de la discrimination salariale à l’encontre des femmes en Suisse Présenté par Peter Brühwiler, Bertrand Giger, Anton Rachinski, Jean-François Huertas,

Présentation au sujet: "Analyse de la discrimination salariale à l’encontre des femmes en Suisse Présenté par Peter Brühwiler, Bertrand Giger, Anton Rachinski, Jean-François Huertas,"— Transcription de la présentation:

1 Analyse de la discrimination salariale à l’encontre des femmes en Suisse
Présenté par Peter Brühwiler, Bertrand Giger, Anton Rachinski, Jean-François Huertas, Didier Poulard

2 Définition: Il y a discrimination salariale à l’encontre des femmes (hommes) lorsque, à productivité égale, les hommes (femmes) obtiennent systématiquement un salaire supérieur à celui des femmes

3 Programme de la présentation
Présentation des variables explicatives La méthode d’Oaxace-Blinder Régression directe vs. Régression inverse La méthode d’Heckman Analyse des résultats avec commentaires

4 Modèle de base: Log(salairei) = α + β qualificationi + γ sexi + εi

5 variables explicatives
la formation acquise Variable muette Positif L’âge de l’employé L’état civil Variable binaire ? Le taux d’occupation Le type de contrat L’ancienneté

6 L’expérience Variable binaire Positif La taille de l’entreprise La branche économique Le niveau hiérarchique Variable muette Négatif Le secteur de l’entreprise ? La nationalité positif Le sexe de l’employé variable binaire

7 La méthode d’Oaxaca-Blinder
Pourquoi utiliser cette méthode Présentation de la méthode Quelques critiques Shrestha et Skellariou une alternative?

8 La méthode d’Oaxaca-Blinder
Pourquoi utiliser cette méthode? Car la méthode de base possède des point faibles: -Variable muette (0 ou 1) pour le sexe pas suffisant pour mesurer avec précision la discrimination -Les mode de formation des salaires est identiques pour les deux sexes ce qui n’est à l’évidence pas le cas. Permet de décomposer la différence totale de salaire entre 2 groupes.

9 La méthode d’Oaxaca-Blinder: suite
Explication de la méthode -Estimer sèparément les équation des 2 groupes. ln Wim=m+mX+im ln Wif= f+fX+if Avec ln W=logarithme naturel du salaire annuel brut =vecteur des coefficients des varaibles explicatives X=vecteur de varibles explicatives

10 La méthode d’Oaxaca-Blinder: suite
Explication de la méthode -Sachant que la droite de régression des MCO passe par le point moyen, on peut écrire: ln Wim=m+mX ln Wif= f+fX -Ainsi la différence totale est: ln Wim- ln Wif = m- f +mXm- fXf

11 La méthode d’Oaxaca-Blinder: suite
-Après quelques opérations, on obtient: ln Wim- ln Wif = m- f +(m - f)*Xf+m*(Xm- Xf) Avec Ef=Partie expliquée=m- f +(m - f)*Xf Df=Partie discriminatoire= m*(Xm- Xf)

12 La méthode d’Oaxaca-Blinder: suite
Quelques critiques de la MOB A) 2 mesures non identiques alors laquelle utiliser? B)Est-il juste de prendre le salaire moyen? C)L’idée d’utiliser un modèle classique vraiment bonne? D)Aucun test statistiques adéquats

13 La méthode d’Oaxaca-Blinder: suite
D’où, proposition de la méthode de Shrestha et Skellariou -Estimer le salaire non discriminatoire ln(W* )=X  -En s‘inspirant de Zellner on peut poser les équations: ln (Wh)=dh*ln(W*)+h= dh*Xh+ h ln (Wf)=df*ln(W*)+f=df*Xf+ f

14 La méthode de Shrestha et Skellariou
-Et on peut tester l’hypothèse: H0 : dh=df Contre H1 : dh>df -La MOB dépend des valeurs observée des moyennes des caractéristiques -La discrimination dépend donc de l’échantillon -Pour éviter ce problème, on écrit: E(ln(Wh (X))-ln(Wf (X)))=(dh-df) X =(dh-df) ln(W*(X))

15 La méthode de Shrestha et Skellariou
Le porcentage de la discrimination est: 100(dh-df) Indépendant des caractéristiques de X On pose dh=1 En réécrivant le modèle: y1=Z1 +u1 y2=dZ2 +u2 On peut calculer le logarithme de la fonction de vraissemblance

16 La méthode de Shrestha et Skellariou
La maximisation de la log-vraissemblance nous permet donc de tester la discrimination: tobs=(1-d)/d d=écart-type de d

17 Régression directe vs régression inverse: intro
Le modèle de base (direct): ln(Y) = a + b*X + c*S + u Explication des variables Pourquoi utiliser le logarithme naturel? Pourquoi utiliser la regression inverse?

18 Régression directe vs régression inverse: suite
Le modèle inverse: Q = α + β*ln(Y) + δ*S + η*X’ + w Explication: Q: indexe des variables à capital humain X’: vecteur des variables non retenues S: toujours la variable sexe....

19 Régression directe vs régression inverse: suite
Problèmes liés à l’estimation par la regression inverse: Biais dans le calcul de l’indexe Erreurs dans l’observation des variables salaire et qualification Résultats souvent contradictoires

20 Régression directe vs régression inverse: fin
Solution proposée dans Maddala - utilisation de bornes: lim δ < б < lim b δ - coéfficient de discrimination éstimé par régression inverse b - coéfficient de discrimination éstimé par régression directe б – « vrai » coéfficient de discrimination

21 Correction d’Heckman Échantillon choisi non-aléatoirement
Ne représente plus la population Paramètres estimés biaisés Heckman corrige ce bais de sélection de l’échantillon Sample selection bias

22 Algébriquement Modèle à deux équations pour individu i

23 Algébriquement On estime (1) mais des données manquent en Y1
L’équation de la population peut être réecrite comme suit: Et celle de l’échantillon:

24 Algébriquement Si Equation (3) = (4)
Conséquence de l’absence d’informations: Perte d’efficience

25 Sample selection law Hypothèse: Information dispopnible en Y1 si
Ainsi: Si U1i et U2i sont indépendants Les informations manquent aléatoirement en Y1

26 Cas général La fonction de régression de l’échantillon dépend donc de X1 et de X2 Le biais vient donc de l’omission d’une variable explicative La probabilité de participer au marché du travail En l’incluant => gain d’information

27 Application Variables utilisée pour estimer la probabilité de participer au marché du travail: Etat civil (marie) négatif Formation acquise (edu) positif Taille du ménage (taillemen) négatif Âge de la personne (age) ambigu Echantillon complet Actifs et inactifs

28 Remarques La correction d’Heckman modifie drastiquement les paramètres de la régression faite uniquement sur les femmes Elle n’est pas significativement nécessaire pour les hommes On en conclut que la majorité des inactifs sont des femmes La probabilité de travailler pour les hommes est toujours très proche de 1

29 Analyse des résultats Régression directe: Régression robuste (R²=0.53)
Toutes les variables confirment les hypothèses émises au départ Le coefficient de la variable “sexe” indique une discrimination contre les femmes

30 Analyse des résultats Interprétation des résultats de la MOB
29 % de la différence des salaires ne sont pas expliqués par les hypothèses de base Etude Fluckiger: cette différence monte à 39 % Donc: la MOB confirme les résultats de la régression directe, c.a.d discrimination contre les femmes

31 Analyse des résultats Interprétation de la discrimination
Erreurs sur les coefficients (exemple de l’ancienneté) Notions non prises en considération:politique de promotion(‘hirérar’) Discrimination varie avec le découpage des échantillons: selon secteur, domaine d’activité, position hiérarchique Prudence! Variables à « injustice naturelle » utilisées pour discriminer

32 Analyse des résultats La régression inverse remet en cause les résultats par: Analyse de Q (indexe des qualifications): discrimination envers les hommes (Df=36,9 %) Analyse séparée des variables explicatives applicables et significatives: Education (Df=87,8%), taux d’occupation(Df=82,9%), ancienneté(Df=78,7%). Contradiction avec régression directe: importance de la régression inverse car infirme conclusion précédente.

33 Analyse des résultats Le biais d’échantillonnage fausse les résultats de la régression des femmes Hypothèse: Elles constituent la majorité des inactifs La MOB effectuée après la correction d’Heckman indique une discrimination envers les hommes

34 Analyse des résultats Précautions:
MOB utilise les moyennes des salaires et de variables explicatives Moyennes tirées vers le bas en incluant les femmes inactives Que valent ces résultats?

35 Conclusion Quelle méthode utiliser? Régression directe:
rapide et nombreuses études disponibles. Résultats vérifiés par la MOB Discrimination contre les femmes Mais ne passe pas le test de la régression inverse! Biais de sélection et coefficients du modèle non représentatifs de la réalité. Correction de Heckman

36 Conclusion (suite) Correction de Heckman:
Tient compte des chômeurs et inactifs:enlève biais de sélection inclus probabilité de participer au marché du travail: représentaion plus réaliste de la réalité. Méthode la plus correcte économétriquement, s’applique avec la MOB. Discrimination envers les hommes ! Mais test de la régression inverse ne marche cependant pas! Prudence!

37 Conclusion (suite et fin)
Avantage de la démarche: pas conclure trop vite! Comment conclure dès lors? Refaire les échantillons de façon homogène et analyser Savoir parmi les femmes ne travaillant pas celles qui ne veulent pas travailler de celles qui ne peuvent. Que vaut la régression inverse? Dilemme de la disponibilité de la main d’oeuvre qualifiée Q’est-ce finalement de la discrimination?