Analyse de la discrimination salariale à l’encontre des femmes en Suisse

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

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 enY1 • 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?