La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

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

Présentations similaires


Présentation au sujet: "Analyse de la discrimination salariale à lencontre 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 lencontre 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 lencontre 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 Présentation des variables explicatives La méthode dOaxace-Blinder La méthode dOaxace-Blinder Régression directe vs. Régression inverse Régression directe vs. Régression inverse La méthode dHeckman La méthode dHeckman Analyse des résultats avec commentaires Analyse des résultats avec commentaires

4 Modèle de base: Log(salaire i ) = α + β qualification i + γ sex i + ε i

5 variables explicatives la formation acquise Variable muette Positif Lâge de lemployé Positif Létat civil Variable binaire ? Le taux doccupation Positif Le type de contrat Variable muette Positif Lancienneté Variable binaire Positif

6 Lexpérience Positif La taille de lentreprise Positif La branche économique Variable binaire Positif Le niveau hiérarchique Variable muette Négatif Le secteur de lentreprise Variable binaire ? La nationalité Variable binaire positif Le sexe de lemployé variable binaire ?

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

8 La méthode dOaxaca-Blinder Pourquoi utiliser cette méthode? 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 nest à lévidence pas le cas. -Les mode de formation des salaires est identiques pour les deux sexes ce qui nest à lévidence pas le cas. Permet de décomposer la différence totale de salaire entre 2 groupes.

9 La méthode dOaxaca-Blinder: suite Explication de la méthode Explication de la méthode -Estimer sèparément les équation des 2 groupes. ln W i m = m + m X+ i m ln W i f = f + f X+ i f Avec ln W=logarithme naturel du salaire annuel brut = vecteur des coefficients des varaibles explicatives = vecteur des coefficients des varaibles explicatives X=vecteur de varibles explicatives X=vecteur de varibles explicatives

10 La méthode dOaxaca-Blinder: suite Explication de la méthode Explication de la méthode -Sachant que la droite de régression des MCO passe par le point moyen, on peut écrire: ln W i m = m + m X ln W i m = m + m X ln W i f = f + f X ln W i f = f + f X -Ainsi la différence totale est: ln W i m - ln W i f = m - f + m X m - f X f ln W i m - ln W i f = m - f + m X m - f X f

11 La méthode dOaxaca-Blinder: suite -Après quelques opérations, on obtient: ln W i m - ln W i f = m - f +( m - f )*X f + m *(X m - X f ) Avec Ef=Partie expliquée= m - f +( m - f )*X f Df=Partie discriminatoire= m *(X m - X f )

12 La méthode dOaxaca-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)Lidée dutiliser un modèle classique vraiment bonne? D)Aucun test statistiques adéquats

13 La méthode dOaxaca-Blinder: suite Doù, proposition de la méthode de Shrestha et Skellariou Doù, proposition de la méthode de Shrestha et Skellariou -Estimer le salaire non discriminatoire ln(W* )=X ln(W* )=X -En sinspirant de Zellner on peut poser les équations: ln (W h )=d h *ln(W*)+ h = d h *X h + h ln (W h )=d h *ln(W*)+ h = d h *X h + h ln (W f )=d f *ln(W*)+ f = d f *X f + f ln (W f )=d f *ln(W*)+ f = d f *X f + f

14 La méthode de Shrestha et Skellariou -Et on peut tester lhypothèse: H0 : d h =d f H0 : d h =d f Contre H1 : d h >d f -La MOB dépend des valeurs observée des moyennes des caractéristiques -La discrimination dépend donc de léchantillon -Pour éviter ce problème, on écrit: E(ln(W h (X))-ln(W f (X)))=(d h -d f ) X E(ln(W h (X))-ln(W f (X)))=(d h -d f ) X =(d h -d f ) ln(W*(X)) =(d h -d f ) ln(W*(X))

15 La méthode de Shrestha et Skellariou Le porcentage de la discrimination est: Le porcentage de la discrimination est: 100(d h -d f ) Indépendant des caractéristiques de X On pose d h =1 En réécrivant le modèle: y 1 =Z 1 +u 1 y 2 =dZ 2 +u 2 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: t obs =(1-d)/ d d =écart-type de d d =écart-type de d

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

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

19 Régression directe vs régression inverse: suite Problèmes liés à lestimation par la regression inverse: Problèmes liés à lestimation par la regression inverse: Biais dans le calcul de lindexe Biais dans le calcul de lindexe Erreurs dans lobservation des variables salaire et qualification Erreurs dans lobservation des variables salaire et qualification Résultats souvent contradictoires Résultats souvent contradictoires

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

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

22 Algébriquement Modèle à deux équations pour individu i Modèle à deux équations pour individu i

23 On estime (1) mais des données manquent en Y 1 On estime (1) mais des données manquent en Y 1 Léquation de la population peut être réecrite comme suit: Léquation de la population peut être réecrite comme suit: Et celle de léchantillon: Et celle de léchantillon: Algébriquement

24 Si Si Equation (3) = (4) Equation (3) = (4) Conséquence de labsence dinformations: Conséquence de labsence dinformations: Perte defficience Perte defficience Algébriquement

25 Sample selection law Hypothèse: Hypothèse: Information dispopnible en Y 1 si Information dispopnible en Y 1 si Ainsi: Ainsi: Si U 1i et U 2i sont indépendants Si U 1i et U 2i sont indépendants Les informations manquent aléatoirement en Y 1 Les informations manquent aléatoirement en Y 1

26 Cas général La fonction de régression de léchantillon dépend donc de X 1 et de X 2 La fonction de régression de léchantillon dépend donc de X 1 et de X 2 Le biais vient donc de lomission dune variable explicative Le biais vient donc de lomission dune variable explicative La probabilité de participer au marché du travail La probabilité de participer au marché du travail En lincluant => gain dinformation En lincluant => gain dinformation

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

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

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

30 Analyse des résultats Interprétation des résultats de la MOB Interprétation des résultats de la MOB 29 % de la différence des salaires ne sont pas expliqués par les hypothèses de base 29 % de la différence des salaires ne sont pas expliqués par les hypothèses de base Etude Fluckiger: cette différence monte à 39 % Etude Fluckiger: cette différence monte à 39 % Donc: la MOB confirme les résultats de la régression directe, c.a.d discrimination contre les femmes 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 Interprétation de la discrimination Erreurs sur les coefficients (exemple de lancienneté) Erreurs sur les coefficients (exemple de lancienneté) Notions non prises en considération:politique de promotion(hirérar) Notions non prises en considération:politique de promotion(hirérar) Discrimination varie avec le découpage des échantillons: selon secteur, domaine dactivité, position hiérarchique Discrimination varie avec le découpage des échantillons: selon secteur, domaine dactivité, position hiérarchique Prudence! Prudence! Variables à « injustice naturelle » utilisées pour discriminer Variables à « injustice naturelle » utilisées pour discriminer

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

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

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

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

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

37 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 analyser 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. Savoir parmi les femmes ne travaillant pas celles qui ne veulent pas travailler de celles qui ne peuvent. Que vaut la régression inverse? Que vaut la régression inverse? Dilemme de la disponibilité de la main doeuvre qualifiée Dilemme de la disponibilité de la main doeuvre qualifiée Qest-ce finalement de la discrimination? Qest-ce finalement de la discrimination?


Télécharger ppt "Analyse de la discrimination salariale à lencontre des femmes en Suisse Présenté par Peter Brühwiler, Bertrand Giger, Anton Rachinski, Jean-François Huertas,"

Présentations similaires


Annonces Google