les déterminants des choix de programmes d’études
TRANSCRIPT
Les déterminants des choix de programmes d’études postsecondaires au Canada: Évolution entre 2005 et 2013
Mémoire
Mahamady Ouedraogo
Maîtrise en économique Maître ès arts (M.A.)
Québec, Canada
© Mahamady Ouedraogo, 2017
Les déterminants des choix de programmes d’études postsecondaires au Canada: Évolution entre 2005 et 2013
Mémoire
Mahamady Ouedraogo
Sous la direction de:
Marion Goussé, directrice de recherche
iii
Résumé
Alors que certains secteurs économiques au Canada connaissent une pénurie de main d’œuvre,
d’autres affichent un trop plein. Il est important de comprendre les facteurs qui motivent les jeunes
dans leurs aspirations professionnelles pour permettre une action des pouvoirs publics. La présente
étude a pour objectif d’identifier les facteurs déterminants dans le choix de programmes d’études
postsecondaires au Canada. Pour ce faire, le modèle probit multinomial a été utilisé. Il intègre les
équations de succès scolaire, de marché de l’emploi et de revenu après les études; ceci afin de
prendre en considération la corrélation qui existe entre le choix des études et ces indicateurs socio-
économiques et académiques. Il ressort de l’analyse que des facteurs socio démographiques comme
l’âge, le sexe; des facteurs de revenu comme l’endettement, la bourse d'étude et les facteurs liés aux
parents ont un impact dans le choix des programmes d’études.
iv
Abstract
The objective of this research is to identify the factors that determine the choice of post-secondary
education in Canada. Some Canadian's sectors of the economy experience a labor shortage, while
other sectors experience a plethora. Thus, it is important to examine and understand the factors that
motivate young people in their professional aspirations, in order to provide research-based evidence
to inform policy makers for policy options. To achieve this, we implemented a multinomial probit
model, taking into account the equations of academic outcomes, labor market and post-graduate
income. This takes into account the correlation between the type of studies undertaken and these
socio-economic and academic indicators. We found that demographic factors such as age, gender;
income factors such as debt, bursary and parental factors have an impact on the choice of studies.
v
Je dédie ce mémoire à mon Père feu OUEDRAOGO Mandaogo, à ma famille, à mon
épouse et à mes enfants.
vi
Table des matières
Résumé ................................................................................................................................... iii Abstract ................................................................................................................................... iv Liste des tableaux .................................................................................................................... vii
Liste des figures ..................................................................................................................... viii
Remerciements ........................................................................................................................ ix Avant-propos .......................................................................................................................................................x
1. Introduction ....................................................................................................................... 1
1.1 Mise en situation ........................................................................................................ 1 1.2 Objectifs et apports de recherche ................................................................................ 2 1.3 Plan de travail de la recherche .................................................................................... 3
2. La revue de la littérature empirique ..................................................................................... 4 2.1 Approche statique ...................................................................................................... 4
2.2 L’approche dynamique ............................................................................................... 6
3. Présentation du modèle de choix multinomial ....................................................................... 8 3.1 Le concept de modèle de choix ................................................................................... 8 3.2 Le modèle logit multinomial indépendant ..................................................................... 8
3.3 Le probit multinomial ................................................................................................ 10 4. Données ......................................................................................................................... 12
4.1 Description de la base de données ............................................................................ 12
4.2 Analyse statistiques des données ............................................................................. 12
5. Spécification du modèle ................................................................................................... 19 5.1 L’équation 1 : le choix de filières d’études ................................................................ 19
5.2 Équation 2 : le niveau d’éducation ........................................................................... 21 5.3 Équation 3 et 4: marché de travail et salaire ............................................................. 21 5.4 Le modèle final ...................................................................................................... 22
6. Estimation et analyse des résultats ................................................................................... 25
6.1 Résultats de l’estimation de l’équation 1: choix de filière d’études ................................ 25 6.2 Résultats de l’estimation de l’équation 2 : niveau d’études ........................................... 29
6.3 Résultats estimation des équations 3 et 4: emploi après la graduation et le salaire ........ 32 6.4 Résultats de l’estimation du modèle final ................................................................... 38
7. Conclusion ...................................................................................................................... 41
Bibliographie ........................................................................................................................... 42
Annexes ................................................................................................................................. 43
vii
Liste des tableaux
Tableau 1 : Répartition des données par domaine d’étude .................................................... 13
Tableau 2 : Répartition des programmes suivant le sexe ...................................................... 14
Tableau 3 : Statistiques descriptives sommaire ..................................................................... 16
Tableau 4 : Nouvelle répartition des domaines d’études ....................................................... 19
Tableau 5 : Estimation de l’équation 1 : choix de programmes d’études ............................... 28
Tableau 6 : Estimation de l’équation 2 : niveau d’éducation atteint ........................................ 31
Tableau 7 : Estimation de l’équation 3 et 4 : équations de l’emploi et du salaire ................... 37
Tableau 8 : Synthèse des résultats de l’estimation du modèle conjoint ................................. 40
viii
Liste des figures
Figure 1 : Évolution des diplômés au Canada.......................................................................... 2
Figure 2 : répartition des taux de postes vacants par secteur ................................................ 17
Figure 3A: Effets marginaux de l’interaction genre et âge lié à l’équation 1 ........................... 26
Figure 3B: Effets marginaux de l’interaction genre et âge lié à l’équation 1 ........................... 27
Figure 4A : Effets marginaux de l’interaction genre et âge lié à l’éducation ........................... 30
Figure 4B : Effets marginaux de l’interaction genre et âge lié à l’éducation ........................... 30
Figure 5A : Effets marginaux de l’interaction genre et âge lié à l’emploi ................................ 33
Figure 5B : Effets marginaux de l’interaction genre et âge lié à l’emploi ................................ 34
Figure 6 : Effets marginaux de l’interaction genre et âge lié au salaire .................................. 36
ix
Remerciements
Ce mémoire est l’aboutissement d’un travail soutenu par plusieurs personnes à qui je ne manquerai
pas cette occasion de traduire ma gratitude. Mes sincères remerciements vont tout d’abord à ma
directrice de mémoire pour sa contribution qui a été très déterminante. Sa disponibilité et la qualité
de son suivi ont été très précieuses dans l’aboutissement de ce travail. Mes remerciements vont
également à l’encontre de mon gestionnaire au travail, qui n’a cessé de me soutenir afin que ce
projet puisse aboutir. Je ne saurai occulter le soutien de la famille et des amis qui n’ont cessé de
m’encourager et de m’appuyer dans mes efforts. Je vous dis à tous merci pour votre soutien.
x
Avant-propos
Le présent mémoire s'inscrit dans le cadre de l'obtention du diplôme de maîtrise en économique à
l’université Laval.
Cette étude se veut une contribution pour analyser les motivations des jeunes canadiens dans leurs
aspirations professionnelles. Les résultats de l'étude constituent un outil de décision pour les
pouvoirs publics afin de prendre des actions qui créeront un équilibre de la main d’œuvre sur le
marché de travail et particulièrement dans certains secteurs économiques.
Des difficultés n'ont pas manqué. Elles concernent particulièrement la disponibilité de données,
notamment celles sur les postes vacants en 2005.
1
1. Introduction
1.1 Mise en situation
Les programmes de formation au Canada sont très diversifiés et embrassent tous les secteurs
économiques: la santé, l’éducation, les finances, l’économie, la technologie. Chaque année des
milliers de diplômés sont mis au service des entreprises publiques et privées1 (figure 1). Selon le
rapport Regards sur l’éducation 2014,2 le Canada est le premier pays de l’Organisation de
Coopération et de Développement Économiques (OCDE) où le taux d’obtention d’un diplôme
postsecondaire est le plus élevé. Cependant la main d’œuvre sur le marché n’est pas uniformément
répartie. En effet, certains secteurs sont en abondance de main d’œuvre tandis que d’autres sont
déficitaires. Au 31 décembre 2014, le Canada avait enregistré 94 000 permis valides de travailleurs
étrangers temporaires pour combler les pénuries de main d’œuvre. Au même moment, le pays
affichait un taux de chômage3 de 7%. Cette situation montre combien, certains secteurs accueillent
plus de personnes dans la formation que d’autres. La problématique du choix des filières de
formation est clairement posée. Les politiques publiques se sont investies à trouver une solution à
une répartition des compétences dans tous les domaines d’activités afin de prévenir une pénurie
dans certains secteurs professionnels pendant que d’autres domaines connaissent des surplus. Les
recherches réalisées à ce jour indiquent que de nombreux facteurs peuvent influencer le choix d’un
domaine d’étude, notamment les représentations sociales, les origines sociales et culturelles, la
motivation, la famille, les pairs, les expériences scolaires antérieures et actuelles et la nature
biologique de l’individu. Parallèlement, certaines études se sont intéressées à l’influence des
aspirations professionnelles sur les choix scolaires et professionnels; d’autres études se sont portées
sur l’influence du genre dans le choix des filières de formation. C’est dans ce contexte que notre
étude examine les questions de recherche suivantes :
1) Quels sont les facteurs déterminants dans le choix des filières de formation au Canada?
2) Ces déterminants ont-ils connu une évolution significative au cours de la période de 2005 à 2013?
____________________
1) voire annexes 1 et 2 pour l’évolution des diplômés au Canada par province et par sexe
2) Selon le rapport Regards sur l’éducation 2014 OCDE, le Canada affiche le pourcentage le plus élevé d’adultes âgés de
25 à 64 ans possédant un diplôme de niveau postsecondaire parmi les pays membres de l’OCDE.
3) Statistique Canada : Enquête sur la population active, septembre 2014
2
Figure 1 : Évolution des diplômés au Canada
Source: Statistique Canada, Système d'information sur les étudiants postsecondaires (SIEP)
1.2 Objectifs et apports de recherche
L’objectif de cette recherche est double. Le premier consiste à mettre en œuvre un modèle
permettant d’analyser le choix des étudiants dans les filières d’études postsecondaires. Ce modèle
s’appuiera sur celui élaboré par Kyui et Simonnet (2014), qui ont étudié le choix des filières de
formation en France.
Le deuxième objectif se propose d’analyser le comportement des étudiants à travers le temps. Les
facteurs explicatifs du choix des étudiants ont-ils connu un changement entre 2005 et 2013. En effet,
dans ce type d’analyse, la période étudiée exerce une influence importante sur les résultats. En
particulier, lorsque les évènements conjoncturels ne sont pas plus favorables à une promotion qu’à
une autre. La promotion de 2009 par exemple subit les effets défavorables de la crise financière de
2008, ce qui ne fut pas le cas pour la promotion de 2005.
L’intérêt de la recherche est manifeste. Plusieurs études ont déjà analysé les déterminants des
aspirations scolaires des étudiants ou les facteurs de succès des étudiants au Canada. Toutefois,
ces études ont analysé séparément les effets des facteurs. La présente recherche se distingue par
l'analyse simultanée des aspirations professionnelles, le marché de travail, la rémunération et le
succès aux études. Ceci a le mérite d’éviter les potentiels biais d’endogénéité qui existeraient. En
effet, il est évident que le choix des filières d’études est lié aux facteurs de succès dans le
3
programme choisi ou aux perspectives du marché de travail dans le domaine choisi, de même que la
rémunération future espérée. Par ailleurs, en réalisant l’analyse sur deux périodes, cette recherche
veut appréhender les changements liés aux événements survenus entre les deux périodes.
1.3 Plan de travail de la recherche
Afin de bien cerner le travail, l'étude se subdivise en cinq sections :
La section II contient la revue de littérature pertinente au sujet étudié. Elle est consacrée à la
littérature empirique se rapportant au thème de la recherche.
La section III sera consacrée à la présentation du modèle théorique usité. La section IV sera dédiée
à la description de la base de données utilisée dans l’élaboration de notre modèle et les résultats
statistiques. La section V portera sur la spécification du modèle et décrira la méthodologie utilisée
dans la mise au point du modèle. Cette section discutera également des différentes variables
retenues dans notre modèle. La section VI présente l’analyse des résultats fournis par les modèles
choisis. Enfin, la section VII rappellera les conclusions générales et identifiera quelques modifications
et futures avancées possibles dans le domaine.
4
2. La revue de la littérature empirique
Plusieurs auteurs se sont intéressés aux études sur le choix de l’éducation en rapport avec les
aspirations professionnelles, conditions de succès aux études ou les perspectives du marché de
l’emploi. La littérature économique distingue deux approches: une approche dynamique et une
approche statique.
2.1 Approche statique
Pour cette approche, les auteurs analysent les facteurs qui influencent le choix des jeunes dans les
filières de formation. Je commence par présenter le modèle statique de Cannings et al. (1997). Ces
auteurs développent un modèle basé sur l’utilité espérée, laquelle utilité tient compte de la rentabilité
économique, du goût et des habiletés. Ils retiennent trois hypothèses essentielles :
- Le choix est lié à un taux de succès dans la carrière future. Ainsi une probabilité de succès
est calculée pour chaque étudiant i et selon la filière j;
- Le choix est motivé par les gains futurs; ainsi les gains espérés par individu i et par filière
de formation j sont estimés
- Les filières risquées sont associées à des gains futurs élevés.
Pour un individu i qui choisi un programme j, l’utilité espérée prend la forme suivante :
Où est la probabilité de succès de i pour le programme j;
est l’espérance de gains de i pour le programme j.
est l’espérance de gains alternatifs en décidant de ne pas poursuivre les études.
X et Z constituent les facteurs déterminants respectivement pour la probabilité de succès et
l’espérance de gains futurs.
Par conséquent, l’individu i choisi le programme j et non le programme k lorsque l’espérance de
l’utilité de j est supérieure à celui de k: .
Dans ce modèle, en supposant que les probabilités de succès sont les mêmes entre les différents
programmes (cas d’un étudiant talentueux), les gains escomptés seront plus déterminants dans le
choix de filière de formation. En revanche, lorsque les gains espérés seront les même pour deux
formations données, les probabilités de succès se présenteront comme les facteurs les plus
déterminants dans le choix de la filière de formation. Les variables déterminantes dans le calcul de la
5
probabilité de succès comprennent l’habileté, le background et la situation socio économique des
parents.
Les conclusions de cette étude montrent que le choix des individus étudiés dépend des bénéfices
attendus, et cet impact est beaucoup plus fort chez les hommes que chez les femmes. Aussi, les non
blancs sont moins influencés par cette variable que les blancs.
Toutefois, le modèle de Cannings et al. (1997) n’intègre pas un modèle de marché et se limite à
mesurer l’impact monétaire du marché de travail. Ce qui nous amène à intégrer un second rapporté
dans la littérature empirique, le modèle de Kyui et Simonnet (2014). Il estime conjointement quatre
équations: une équation sur le choix professionnel, une sur les objectifs scolaires, la troisième sur le
marché de travail et la dernière équation sur la rémunération. En utilisant un modèle conjoint, les
auteurs espèrent capturer d’éventuelles endogenéités qui pourraient exister dans les prises de
décisions sur les quatre aspects du modèle.
Les résultats de leur analyse montrent que les préférences professionnelles dépendent de la filière
d’étude, du métier des parents, des habiletés individuelles en français et en mathématiques, du
service de conseils à l'école, ainsi que des discussions avec les parents sur les choix éducatifs et
professionnels. Cependant, la situation du marché de l’emploi ne semble pas avoir d’impact sur les
préférences professionnelles des jeunes.
Pour le deuxième modèle portant sur les objectifs scolaires, les résultats obtenus montrent que le
niveau de scolarité dépend des habiletés individuelles, de l'éducation et du métier des parents, des
ressources financières de la famille, et les préférences professionnelles exprimées au cours de la
dernière année du secondaire.
Quant au modèle du marché de travail, les résultats montrent que les facteurs tels que les résultats
des tests individuels et le niveau de scolarité sont les principaux facteurs affectant le statut d'emploi.
En outre, être marié ou avoir des enfants à la fin de la dernière année de scolarisation affecte
positivement et de manière significative la probabilité de travailler pour les hommes, mais
négativement pour celle des femmes.
Dans la note de recherche no5 du Centre Interuniversitaire de Recherche sur la Science et la
Technologie (CIRST), Blanchard Céline et al (2010) ont analysé les aspirations professionnelles et
secondaires des jeunes canadiens. Il ressort de leurs travaux que le statut socioéconomique, les
facteurs socioculturels, la structure familiale, la région et la taille de la collectivité, l’expérience
scolaire sont des facteurs importants dans le choix des programmes ou de la poursuite des études.
6
Les modèles statiques ci-dessus présentés, malgré les bons résultats obtenus, laissent une limite
majeure: ils ne permettent pas d’analyser les changements de parcours au cours du temps, les
mises à jours des individus en fonction de leurs résultats scolaire. D’où la prise en compte de
modèles dynamiques par d’autres auteurs dans l’analyse des choix de formation scolaire ou
académique.
2.2 L’approche dynamique
Les modèles dynamiques ont été élaborés par d’autres auteurs afin de prendre en compte la mise à
jour de l’information avec le temps et avec elle le changement de choix qui peut en découler. Ainsi,
pour Arcidiacono Peter (2004) trois raisons fondamentales pourraient justifier la prise en compte du
facteur temps :
- Les individus font leur choix sur des périodes multiples et il est possible de séparer les
périodes pour mieux distinguer les facteurs académiques des facteurs du marché de travail
qui ont un impact sur le choix du programme d’étude;
- La dynamique permet d’intégrer la mise à jour de l’information à travers le temps
d’apprentissage ou de formation. L’individu découvre ses capacités et ses habiletés dans
l’évolution de son processus scolaire et pourrait décider de changer de décision.
- Enfin, la dynamique permet de contrôler la sélection dans les différentes étapes du modèle
notamment l’hétérogénéité dans la qualité de l’école ou dans le choix de la filière.
Arcidiacono Peter (2004) propose un modèle dynamique à trois périodes :
Dans la première période, les individus choisissent à la fois l’institution et la filière
d’étude ou font le choix d’entrer directement sur le marché du travail. Ce choix est fait
avec les attentes concernant la période suivante.
Dans la seconde période, les individus en apprennent plus sur les caractéristiques de
chacune des filières ainsi que leurs habiletés dans cet environnement. Avec cette nouvelle
information, les individus mettent à jour leurs décisions en changeant soit de programme,
d’école, ou d'aller travailler.
Dans la troisième période, les individus travaillent, reçoivent des gains en fonction de leur
scolarité.
Altonji et al. (2012) ont mis au point un modèle dynamique similaire à celui de Arcidiacono Peter
(2004). Analysant les grandes différences dans la rentabilité des programmes de formation sur le
7
marché du travail, leur modèle dynamique s'intéresse au choix des filières d’études post secondaires
et les bénéfices attendus du marché de l’emploi. Le modèle met en exergue la spécificité du capital
humain et de l'incertitude sur les préférences, l’habilité, les résultats scolaires, et les rendements du
marché du travail avec une distinction importante entre rentabilité ex ante et ex post par rapport aux
décisions du choix de filière d’études. Le cycle de décision de l’individu est également divisé en 3
périodes : la période secondaire, la période d’études post secondaires et la période de la vie active
au travail.
En analyse empirique, les modèles dynamiques sont plus réalistes par rapport aux modèles
statiques. Cependant, les modèles dynamiques sont très complexes à estimer. Par conséquent, dans
le cadre de ce mémoire, nous utiliserons un modèle statique similaire à celui de Kyui et Simonnet qui
permet déjà d’obtenir de bonnes indications sur les choix des majeures. La section suivante serait
consacrée à la présentation détaillée dudit modèle.
8
3. Présentation du modèle de choix multinomial
3.1 Le concept de modèle de choix
La littérature économique s’est intéressée aux choix d’études et aux aspirations professionnelles des
jeunes. Les modèles utilisés concernent essentiellement des modèles de l’économie
comportementale. Il s’agit d’analyser les préférences des individus et comment se font le choix des
individus dans un environnement donné. La théorie économique s’accorde sur le facteur probabiliste
des choix réalisés par les individus. En effet, confronté à des choix répétés entre deux actions, il
arrive que l’individu change de choix. En d’autres termes, on note une certaine intransitivité lorsque
nous sommes en face de choix répétés. Dans de pareilles situations le choix des individus réponde
plus à une logique probabiliste que déterministe. Nous pouvons constater que le choix à faire est un
phénomène complexe qui pourrait incorporer des facteurs déterministes et des facteurs
stochastiques. Face à cette complexité, plusieurs types de modèles ont été élaborés afin de bien
appréhender le problème: les modèles binaires lorsque le nombre d’alternative est égal à 2; les
modèles multinomiaux lorsque nous sommes en présence de plus de deux choix. Cette dernière
catégorie de modèle se subdivise en modèles multinomiaux ordonnés, non ordonnés et séquentiels.
Un modèle multinomial ordonné est un modèle avec plusieurs modalités de choix dans lequel les
modalités suivent un ordre naturel. Les modalités sont identiques pour tous les individus. Les
modèles ordonnés mettent plus l’emphase sur le rang des évènements. Quant aux modèles
séquentiels, ils traduisent les choix effectués par les individus de manière séquentielle en fonction du
temps. Toutefois, dans la pratique les évènements sont rarement ordonnés ou séquentiels. Ainsi,
face à des situations où il est impossible de ranger les événements suivant une séquence ou un rang
donné, la théorie économique fait recours aux modèles plus adaptés: Les modèles multinomiaux non
ordonnés. Dans le cadre de la présente recherche, la dernière catégorie de modèle est mise à
contribution afin d’analyser les facteurs qui influencent le comportement des étudiants canadiens. Je
présente deux types de modèle de cette catégorie: le modèle logit indépendant où les termes
d’erreurs ne sont pas corrélés et le modèle probit multinomial avec des termes d’erreur corrélés.
3.2 Le modèle logit multinomial indépendant
Le modèle logit multinomial conceptualise le classement des utilités en termes de probabilité pour
l’individu de réaliser le choix. Le choix du programme j dépend du gain en termes d’utilité que
l’individu engrange par rapport aux autres programmes. Ainsi, l’individu pour pouvoir faire son choix
9
devrait classer les fonctions d’utilités de tous les programmes de formation et choisir celle la plus
élevée. L’utilité de la modalité j de l’individu n pourrait prendre la forme suivante : . En
d’autres termes, la modélisation d’un choix j pour un individu n dans m+1 modalités prendra la forme
suivante :
(1)
(2)
Dans le modèle logit multinomial, en considérant l’équation (3) ci-dessus, le paramètre et les
variables respectent des hypothèses données. En effet, le paramètre varie avec les modalités
et les variables explicatives varient avec les individus. La probabilité prend la forme suivante :
; (3)
n représente les individus (n=1,2,…,N) et k représente les choix (k=0,1,2,…,m).
En normalisant on pourra écrire
(4)
Les paramètres dans ce modèle s’interprètent comme une différence par rapport , la modalité de
référence. En effet, on peut démontrer que :
(5)
En remplaçant et
., l’équation 5 devient :
(6)
Les m+1 probabilités seront donc estimées en fonction de m(m+1)/2 différences de paramètres
.
Par ailleurs, le rapport des probabilités conduit à une fonction linéaire simple de la forme :
. (7)
Rapporté au logarithme, l’équation (8) aboutit à une fonction linéaire simple:
10
. (8)
Le rapport des deux probabilités donne un résultat important. En effet, il ne reste plus dans l’équation
(9) que l’indice des choix j et p uniquement. Ce résultat montre bien le ratio des probabilités entre le
choix j et p est totalement indépendant des alternatives autres que j et p.
Trois types de variables explicatives peuvent être utilisés par le modèle logit multinomial: des
variables continues, des variables binaires (codés en 0 et 1) et des variables qualitatives ayant plus
de deux modalités. Dans cette dernière catégorie de variables, la variable doit être subdivisée en m
variables binaires colinéaires codés comme suit : la j ième variable vaut 1 si l’individu a la modalité j,
0 sinon.
3.3 Le probit multinomial
L’un des plus populaires et le plus usité de modèle de choix à termes d’erreurs corrélés est le probit
multinomial. Les termes d’erreurs ou parties non observées de l’utilité sont supposés suivre une loi
normale multivariée de moyenne nulle et de variance covariance égale à . Dans ce cas, le choix de
l’option j est corrélé aux autres options et cette corrélation est matérialisée par les termes d’erreurs
des fonctions d’utilité. En reprenant l’équation (1), la probabilité de choisir l’option j par l’individu n
s’écrit :
(9)
Une variable binaire peut être créée afin de matérialiser le cas où l’utilité nj est plus grande à l’utilité
nk de l’option alternative, où k représente n’importe laquelle des autres options :
(10)
Avec
Ainsi, l’équation (9) se transformera comme suit :
=
Posons ,
, ,
L’équation devient :
(11)
11
Avec J modalités, on retrouve J-1 intégrales multiples à résoudre.
Pour contourner cette difficulté, un mécanisme de simulation permettant de résoudre avec moins de
difficultés ce problème a été mis au point. Cette solution sera développée dans la section
méthodologie de notre étude.
12
4. Données
Dans cette section, nous décrivons la source des données utilisées, l’échantillon de l’enquête ainsi
que des statistiques sommaires sur les données.
4.1 Description de la base de données
Les données utilisées proviennent de l’enquête nationale auprès des diplômés du Canada organisée
par Statistique Canada en 2005 et 2013. La base de données contient 16 081 répondants pour 2005
et 14 745 pour 2013. Une pondération est appliquée sur cet échantillon afin d’avoir une population
représentative des jeunes inscrits dans les écoles canadiennes. La population d’études à l’échelle du
Canada comprend 295 197 jeunes pour 2005 et 389 910 pour 2013.
Les données sur le marché de l’emploi proviennent de l’Enquête sur l'emploi, la rémunération et les
heures de travail (EERH). Cette enquête fournit les statistiques sur les postes vacants, la demande
de travail et les taux de postes vacants selon le Système de classification des industries de
l'Amérique du Nord (SCIAN). Les données recueillies proviennent de 2011 à 2014.
La section suivante permettra de mettre en exergue le profil des répondants à partir de ces bases de
données.
4.2 Analyse statistiques des données
4.2.1 Analyse de la distribution des programmes d’études
Nous présentons dans le tableau 1 ci-dessous, les statistiques sommaires sur les données recueillies
au cours des deux enquêtes. Ces statistiques montrent une forte proportion des sciences de gestion
et de l’administration publique par rapport aux autres domaines. En effet, la proportion de répondants
inscrits à ce programme d’études est de 22% en 2005 et 24% en 2013. Ce programme est suivi de
celui des sciences sociales et comportementales qui enregistrent 17% en 2005 et 15% en 2013.
Cependant, les programmes des arts et des spectacles, des mathématiques, informatiques et des
sciences de l’information, des sciences physiques et de la vie, de l’agriculture et des ressources
naturelles enregistrent les faibles taux d’inscriptions. Ces secteurs indiquent des taux d’inscription de
l’ordre de 5%. Il y a donc une forte disparité du taux d’inscription entre les différents programmes
d’études.
13
Tableau 1 : Répartition des données par domaine d’études
Domaines d’études 2005 2013
Éducation 26 081 9% 29 990 8%
Arts, spectacles et sciences de la communication 14 506 5% 16 084 4%
Sciences humaines 21 336 7% 31 106 8%
Sciences sociales et comportementales 50 016 17% 59 517 15%
Gestion des affaires et administration publique 65 199 22% 91 649 24%
Sciences physiques et de la vie 15 118 5% 21 709 6%
Mathématiques, informatiques et sc. l’information 13 800 5% 10 533 3%
Architecture et ingénierie 32 600 11% 47 486 12%
Santé, sports et loisirs 40 665 14% 57 729 15%
Agriculture et ressources naturelles 15 876 5% 24 107 6%
Total 295 197 100% 389 910 100%
4.2.2 Analyse des choix de programme des répondants suivant le sexe
Les statistiques montrent un effectif féminin de l’ordre de 60% versus 40% pour les hommes. Le
tableau 2 montre clairement une répartition non uniforme du genre dans les différentes filières
d’études. En effet, la proportion des femmes dans les programmes des sciences sociales et
humaines, de l’éducation, de la santé est plus importante que celle des hommes. Les statistiques
indiquent une proportion de 80% de femmes contre 20% d’hommes dans les domaines de
l’éducation et de la santé, une proportion de 63% contre 37% dans le domaine des sciences
sociales et humaines pour les deux années d’études. Aussi, le tableau montre que les femmes sont
en plus grande proportion que les hommes dans les sciences de gestion et de l’administration
publique. En effet, la proportion est de 60% de femmes contre 40% d’hommes dans le programme
de la gestion.
14
Toutefois les tendances s’inversent lorsque nous analysons les domaines des sciences exactes et de
l’agriculture. En effet, la proportion est de 80% d’hommes pour 20% de femmes pour les sciences
mathématiques, du génie. Aussi, il y’a d’avantages d’hommes que de femmes dans le domaine de
l’agriculture et de l’exploitation des ressources naturelles.
De manière générale, les données indiquent une distribution inégalement répartie entre les
programmes mais aussi entre les genres. Le domaine de la gestion des affaires et administration
publique représente un peu moins le quart de l’effectif et cette part ne cesse de croître. En effet, la
proportion est de 22% en 2005 et elle passe à 24% en 2013 soit une croissance de 9% sur 8 ans. La
figure 2 montre clairement cette disparité entre le genre.
Tableau 2: répartition des programmes suivant le sexe
programmes Année 2005 Année 2013
Femme Homme Femme Homme
Éducation 1 219 342 1 099 314
78% 22% 78% 22%
Arts spectacles 676 376 618 350
64% 36% 64% 36%
Sciences humaines 777 466 788 451
63% 37% 64% 36%
Sciences sociales et droits humains
1 628 562 1 471 581
74% 26% 72% 28%
Commerce gestion et administration publique
1 459 959 1 322 878
60% 40% 60% 40%
Sciences physiques et de la vie
641 419 639 517
60% 40% 55% 45%
Mathématiques et informatiques
275 777 221 578
26% 74% 28% 72%
Architecture ingénierie et technologies liées
352 1 484 373 1 583
19% 81% 19% 81%
santé condition physique et loisirs
1 552 361 1 506 348
81% 19% 81% 18%
Agriculture et ressources naturelles
530 629 522 572
46% 54% 48% 52%
15
4.2.3 Analyse des caractéristiques individuelles des répondants
Dans le tableau 3 ci-dessous sont présentées les statistiques sommaires sur les caractéristiques des
individus enquêtés. La colonne 1 présente la moyenne et l’écart type pour chacune des
caractéristiques pour l’année 2005 et la colonne 2 présente les mêmes indicateurs pour l’année
2013.
L’analyse du tableau montre que 58% des répondants ont moins de 25 ans pour l’année 2005 et
cette proportion est de 53% pour l’année 2013. Aussi 38% des répondants de 2005 sont mariés ou
vivent avec un conjoint et moins de 20% d’entre eux ont un enfant en charge. Cette proportion est
plus importante en 2013. En effet on dénombre 48% de couples et 23% d’entre eux ont au moins un
enfant en charge.
Aussi, au moins 60% des étudiants se sont endettés pour financer leurs études et 50% des étudiants
canadiens ont bénéficié de la bourse. Le faible écart des taux de bourses et le taux des étudiants
endettés s’explique par les programmes gouvernementaux de prêts et bourses.
Les répondants qui estiment se placer dans le quartile supérieur du rang supposé plus intelligents
sont les plus nombreux soit plus de 80% de l’effectif. Les répondants qui sont bilingues (français et
anglais) représentent plus de la moitié. En effet ils sont 57% en 2005 et 62% en 2013 soit une
croissance de 9%. Par ailleurs le taux de succès au diplôme supérieur est de l’ordre de 70% et le
taux d’employabilité après la graduation est de l’ordre de 75%.
Parmi ceux qui obtiennent leur premier emploi après la graduation, 49% en 2005 et 63% en 2013
réussissent à négocier un revenu salarial annuel de plus de 40 000 $. Ce qui indique une relation
plus étroite et positive entre les diplômes et le rendement salarial en 2013 plus qu’en 2005.
16
Tableau 3: Statistiques descriptives sommaires
VARIABLES 2005 2013
Genre (Homme) 0.405*** 0.423***
(0.00614) (0.00812)
moins de 25ans 0.582*** 0.527***
(0.00616) (0.00821)
25 - 29 ans 0.200*** 0.232***
(0.00501) (0.00695)
30 - 39 ans 0.130*** 0.138***
(0.00405) (0.00524)
40 ans et plus 0.0886*** 0.102***
(0.00337) (0.00481)
statut matrimonial (marié) 0.378*** 0.479***
(0.00607) (0.00822)
avoir des enfants à charge 0.192*** 0.238***
(0.00486) (0.00694)
Langue parlée (Bilingue) 0.433*** 0.381***
(0.00624) (0.00795)
Dette d’étude 0.590*** 0.594***
(0.00623) (0.00805)
Bourse d’étude 0.492*** 0.569***
(0.00631) (0.00826)
Rang dans le top 10% 0.371*** 0.381***
(0.00597) (0.00797)
Rang 10% - 25 % 0.444*** 0.435***
(0.00631) (0.00821)
Rang 25% - 50% 0.165*** 0.164***
(0.00478) (0.00622)
Rang sous les 50% 0.0203*** 0.0201***
(0.00177) (0.00198)
salaire seuil 40 000$ 0.486*** 0.631***
(0.00631) (0.00810)
niveau postsecondaire réussi 0.678*** 0.705***
(0.00575) (0.00772)
emploi obtenu après graduation 0.729*** 0.766***
(0.00553) (0.00681)
Observations 10 229 9 573
Écarts types estimés entre parenthèses
*** p<0.01 ** p<0.05 * p<0.1
17
4.2.4 Analyse des données du marché de travail
Plusieurs études ont montré une association entre les aspirations professionnelles et le choix de
filières de formation. La situation du marché de travail a une influence certaine dans le choix de
filières de formation. L’annexe 4 présente la situation du marché de travail au Canada à travers le
taux de postes vacants par secteurs professionnels de 2011 à 2014. Ce taux est le rapport entre le
nombre de postes vacants et la demande de main-d’œuvre totale (postes vacants+postes occupés)
d’un secteur donné. Il ressort de ce tableau que le secteur de la restauration, le secteur de la santé,
le secteur de l’extraction minière, le secteur scientifique et technique sont les principaux secteurs
avec une forte tension de main d’œuvre. En effet, ces secteurs ont le taux de postes vacants le plus
élevé, soit en moyenne 2%.
On peut constater aussi à partir de la figure ci-dessous (Figure 2) que l’enseignement est le domaine
avec le plus faible taux de postes vacants moyen (0,7%) durant les 4 dernières années suivi des
services publics, des services immobiliers et de la fabrication manufacturière (moins de 1,2%). Un
fait marquant est observé avec le secteur de l’extraction minière où on observe une baisse de plus
de 50% du taux de postes vacants entre 2011 et 2014 (voire Annexes 3 et 4). Cette situation pourrait
être liée à la hausse du cours du pétrole et de l’or qui a subséquemment vu le secteur accueillir de
nombreux travailleurs.
Figure 2 : taux de postes vacants moyen par secteur
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
Serv
ices
d'h
éber
gem
ent …
Serv
ices
d'h
ygiè
nes
et …
Art
s s
pec
tacl
es e
t lo
isir
s
Co
nst
ruct
ion
Serv
ices
d'e
nse
ign
emen
t
Fin
ance
et
assu
ran
ces
Soin
s d
e sa
nté
et …
Ind
ust
ries
exc
luan
t le
s …
Ind
ust
rie
de …
Fab
rica
tio
n …
Extr
acti
on
min
ière
et …
Au
tres
ser
vice
s (s
auf
les …
Serv
ices
pro
fess
ion
nel
s …
Ad
min
istr
atio
ns
pu
bliq
ues
Serv
ices
imm
ob
ilier
s et
…
Co
mm
erce
de
dét
ail
Tran
spo
rt e
t en
trep
osa
ge
Serv
ices
pu
blic
s
Co
mm
erce
de
gro
s
taux moyen de postes vacants
18
L’analyse des données de l’étude donne un aperçu de la manière dont s’opère le choix des filières
études au Canada et les domaines privilégiés des étudiants canadiens. Suite à cette analyse
préliminaire nous émettons les hypothèses suivantes :
Le domaine de la gestion des affaires et de l'administration publique est le domaine
privilégié des étudiants canadiens.
Le choix des filières d'études est lié au sexe. Les femmes choisissent les domaines liés aux
activités traditionnelles de femmes et les hommes de même. En effet, les femmes
choisissent traditionnellement les domaines de l’éducation et de la de la santé et les
hommes préfèrent les domaines de l’ingénierie et des sciences.
L’impact lié aux facteurs socioéconomique dans le choix des études est limité.
19
5. Spécification du modèle
Notre analyse utilisera le modèle de Kyui et Simonnet (2014) pour l’appliquer aux données
canadiennes. Il s’agit d’un modèle conjoint à 4 équations: l’équation de choix de filière de formation,
l’équation de l’éducation, l’équation de l’emploi et l’équation sur la rémunération salariale.
5.1 L’équation 1 : le choix de filières d’études
La première équation décrit le choix de domaines d’études fait par les jeunes pour leurs études
postsecondaires. La commission de l’éducation au Canada regroupe les programmes d’études en 10
principaux domaines. Nous avons reconstitué ces principaux domaines d’études en 4 principales
filières d’études comme présenté dans le tableau suivant:
Tableau 4 : nouvelle répartition des domaines d’études
1. Sciences de gestion
Commerce gestion et administration publique
2. Sciences sociales
Éducation
Arts, spectacles et communications
Sciences humaines
Santé, conditions physiques et loisirs
Sciences sociales et comportementales
3. Sciences techniques
Sciences physiques et de la vie
Mathématiques, informatiques et technologies
liées
Architecture, ingénierie et technologie liée
4. Autres
Agriculture et ressources naturelles et non
déterminée
20
Le répondant i fait le choix de programme K suivant le modèle ci-après :
où K*=1…4 et l*=1…4 K et
l décrivent les domaines d’études.
.
Dans le cadre de notre modèle formé de 4 filières d’études, les fonctions d’utilités se présentent
comme suivent :
X représente les variables déterminantes dans le choix de domaine k*. représente les paramètres à estimer
et composent les termes d’erreurs. Les termes d’erreurs sont indépendants et suivent une loi normale
représentée comme suit :
(12)
Pour l’identification du modèle la dernière équation sera normalisée afin de laisser que 3 équations
qui se présentent comme suivent :
(13)
Où .
Le système à 4 équations se transforme à un système à 3 équations :
(14)
Et les termes d’erreurs prennent la forme suivante (appendice 1 démonstration):
(15)
Les variables explicatives qui seront utilisées sont subdivisées en 4 catégories:
Variables caractéristiques des répondants : âge, sexe, statut matrimonial, enfants à charge,
langue parlée, rang parmi les meilleurs étudiants
Les variables de revenu : dette d’études et bourses d’études
21
Variables famille : le niveau de scolarité des parents; elles sont définies comme suit :
Niveau d’étude de la mère =1 si la mère détient au moins un diplôme postsecondaire et 0 sinon
Niveau d’étude du père =1 si la mère détient au moins un diplôme postsecondaire et 0 sinon
Variables du marché de l’emploi : le taux de postes vacants. Toutefois, par manque de
données en 2005 pour les taux de postes vacants, cette variable ne pourrait pas être utilisée
dans l’équation de 2005.
5.2 Équation 2 : le niveau d’éducation
Cette équation porte sur le niveau d’éducation atteint. Il s’agit de valider la réussite au diplôme à
l’étude supérieure ou non. Pour les données de la promotion de 2005 il est question de valider la
réussite ou non à un diplôme supérieur en 2007; et pour la promotion 2009 il est aussi question de
valider le succès en 2011. Un modèle probit sera utilisé pour analyser le niveau atteint. Lorsque le
niveau de l’étudiant lors de la graduation en 2007 ou en 2013 suivant l’année concernée est
supérieur au niveau de diplôme pendant son enrôlement, nous considérons que l’intéressé a atteint
le niveau escompté et la variable Edu=1. Sinon la variable Edu=0.
(16)
Où
indique les variables explicatives dans le choix du niveau d’étude. Les variables utilisées dans
la première équation seront également utilisées.
5.3 Équation 3 et 4: marché de travail et salaire
Ici nous considérons deux équations :
Équation de l’emploi : Un modèle de type probit est employé en désignant par 1 si l’étudiant
a réussi à trouver un emploi à la fin des études et la valeur 0 sinon :
Où (17)
Équation du salaire : La quatrième équation concerne le salaire au premier emploi pour ceux
qui travaillent. La variable salaire a été regroupée en 2 grandes catégories:
- Moins de 40 000$
- 40 000$ et plus
22
Où (18)
Nous estimons qu’après l’obtention d’un diplôme post secondaire le revenu minimal escompté serait
40 000$ et cela en rapport avec le taux moyen des emplois d’un niveau de qualification post
secondaire au Canada entre 2007-2013.
Cependant, il y a une dépendance entre la variable emploi et celle de salaire. En effet, les données
sur les salaires existent que pour les répondants qui ont réussi à trouver un emploi après la
graduation. Nous sommes en présence d’un modèle de sélection qui regroupe l’équation de l’emploi
et celle du salaire. Par conséquent le modèle de Heckman sera mis à contribution pour l’estimation
de ces deux équations.
(19)
et indiquent respectivement les variables explicatives dans l’équation du marché de
travail et les variables explicatives dans l’équation de salaire. Les variables utilisées seront les
mêmes que celles des équations précédentes.
5.4 Le modèle final
Jusque-là, j’ai défini 4 équations que j’estime séparément. Cependant, il est intéressant de
considérer un modèle final où les 4 équations sont estimées conjointement en supposant une
corrélation dans les résidus. C’est le modèle final présenté ici. Le modèle final prend conjointement
les 4 équations précédemment présentées. Étant donné que l’équation 1 se transforme en système à
3 équations (formule 20), le modèle final se présente comme suit :
L’équation des résidus se présente comme suit :
23
→N
où é
Ce vecteur était initialement l’équation 12 et sans prise en compte des équations d’éducation,
d’emploi et de salaire.
Avec
L’estimation du modèle conjoint se fera suivant la méthode de simulation de GHK (Geweke (1991)
Keane (1994) and Hajivassiliou and McFadden (1996)).
Pour la technique GHK, la probabilité de choisir l’option j sur m alternatives par l’individu n prend la
forme suivante (réf. Équation 11):
Posons ,
, ,
GHK introduit un changement de variables pour remplacer par une loi univariée
. Pour cela la matrice de Cholesky est utilisée pour cette transformation. Soit A la
matrice de Cholesky telle que
En normalisant =1 le résultat se présente comme suit :
On retrouve l’écriture suivante :
24
Afin d’estimer ce modèle GHK propose les étapes suivantes:
1. Tirer telle que
; une fois connue on passe à l’étape suivante
2. Tirer telle que
;
une fois é
…………………………………….
m. Tirer telle que
n. Répéter D fois les étapes (1) (2) …(m) pour obtenir les
(
o. Calcul
p. Une fois calculée on retrouve la valeur du log vraisemblance :
.
q. On procède par des itérations de sorte à trouver le qui maximise .
est sans biais; cependant ln( est un estimateur biaisé de ln(p).
Il sera procédé dans un premier temps à l’estimation des 4 équations de manière séparée. Dans un
second temps le modèle conjoint sera estimé par la méthode du maximum de vraisemblance simulé.
Le logiciel STATA fut mis en contribution pour les estimations.
25
6. Estimation et analyse des résultats
Ce chapitre nous permet d’analyser les résultats des estimations réalisées pour les modèles qui ont
été décrits plus haut. L’estimation est faite pour les deux années d’études 2005 et 2013.
6.1 Résultats de l’estimation de l’équation 1: choix de filière d’études
Le tableau 5 présente l’effet des variables explicatives sur les variables dépendantes que sont les
filières d’étude pour les étudiants canadiens, pour les deux années d’études. Cette relation est
analysée dans un premier temps en omettant l’influence du niveau d’étude atteint, de l’emploi et de
salaire espéré. Les étoiles ***, ** et * indiquent les coefficients qui sont significatifs à 1%, 5% et 10%,
respectivement.
Pour l’année 2005, les coefficients des variables sexe, âge, dette études, bourse d’études, niveau
d’étude de la mère, le classement estimé de l’étudiant (rang dans le décile supérieur) sont
significatifs à 5% ou moins.
Le sexe a une influence sur le choix de filière pour l’ensemble des programmes. Les moins de 25 ans
choisissent moins les programmes de gestion et de sciences sociales que les étudiants plus âgés (-
6% annexe 5). Tandis que les étudiants de 25 à 39 ans choisissent plus la filière de sciences
physiques et techniques que les plus de 40 ans et que les moins de 25 ans.
Par ailleurs, la figure 3A ci-dessous montre qu’il existe une interaction entre les groupes d’âge et le
genre dans le choix des programmes de formation. En combinant le sexe avec l’âge, cette interaction
indique que l’effet du sexe diffère suivant les groupes d’âge. En effet, le graphique montre que dans
le cas des sciences de gestion, l’effet d’être un homme diminue la probabilité de choix de la filière
pour les moins de 25 ans, mais augmente progressivement avec l’âge et pour les plus de 40 ans, le
fait d’être un homme augmente la probabilité de choix de la filière de gestion. On observe le même
effet encore plus prononcé en 2013.
Posséder une dette d’étude diminue le choix du programme des sciences de gestion mais n’a
aucune influence sur le choix des autres programmes; Cette influence est de 7% moins importante
comparé à ceux qui n’ont pas de dette d’étude. La bourse d’étude n’influence pas le choix pour le
programme de gestion mais augmente la probabilité de choix des filières de 5%. C’est toujours le cas
en 2013 (annexe 5).
26
Relativement au classement estimé, les étudiants qui estiment être dans le décile supérieur ont une
probabilité plus faible que les autres de choisir la filière de gestion ou de sciences techniques. Ce
n’est plus le cas en 2013
Lorsque la mère a fait des études post secondaires, cela augmente la probabilité de choix de la filière
des sciences sociales en 2005 et en 2013. Lorsque le père a fait des études secondaires, la
probabilité de choix de la filière de gestion et de la filière technique augmente. Ces effets
disparaissent en 2013 et l’effet de l’éducation du père devient même négatif sur la probabilité de
choix de la filière de gestion en 2013.
Par ailleurs, le ratio de postes vacants est significatif en 2013 pour tous les programmes et
particulièrement pour les programmes de sciences sociales et les programme de sciences physiques
et techniques, cela veut dire que l’état du marché du travail a un impact sur les choix des filières de
formation.
Figure 3A : Effets marginaux du sexe suivant les groupes d’âge par rapport au choix de
programme pour l’année 2005
-.04
-.02
0
.02
.04
.06
Effe
cts
on
Pr(
Pro
g=
=_
1_
__
Scie
nce
_D
e_
Ge
stion
)
[1] Less than 25 [2] 25 to 29 [3] 30 to 39 [4] 40 or moreDV-Age at time of graduation
Average Marginal Effects of 1.GENDER with 95% CIs
27
Figure 3B : Effets marginaux du sexe suivant les groupes d’âge par rapport au choix de
programme pour l’année 2013
-.04
-.02
0
.02
.04
.06
Effe
cts
on
Pr(
Pro
g=
=_
1_
__
Sci
ence
_D
e_
Ge
stio
n)
[1] Less than 25 [2] 25 to 29 [3] 30 to 39 [4] 40 or moreDV-Age at time of graduation
Average Marginal Effects of 1.GENDER with 95% CIs
28
Tableau 5 : estimation du modèle 1 : choix de programmes d’études
VARIABLES 2005 2013
Sc. Gestion
Sc. social Sc. technique
Sc. Gestion
Sc. social Sc. technique
homme -0.683*** -1.216*** 0.717*** -0.529*** -1.146*** 0.755***
(0.0991) (0.0861) (0.0898) (0.151) (0.139) (0.145)
Moins 25 ans -0.931*** -0.723*** 0.373 -0.239 -0.240 0.276
(0.224) (0.208) (0.234) (0.295) (0.284) (0.290)
25 - 29 ans -0.244 -0.0513 0.654*** 0.149 0.399 0.641**
(0.234) (0.217) (0.242) (0.320) (0.314) (0.317)
30 – 39 ans -0.0752 -0.00112 0.824*** 0.542 0.647** 0.813**
(0.235) (0.221) (0.247) (0.331) (0.330) (0.330)
marié 0.121 0.187* 0.116 0.169 0.182 0.181
(0.125) (0.109) (0.111) (0.232) (0.223) (0.225)
Enfants à charge
0.174 -0.0281 -0.0278 -0.0494 0.0328 0.224
(0.166) (0.150) (0.160) (0.254) (0.241) (0.247)
Bilingue 0.136 0.0866 0.0936 0.112 0.163 0.210
(0.0998) (0.0868) (0.0899) (0.395) (0.391) (0.387)
Dette d’étude -0.360*** 0.0632 -0.0970 -0.230 -0.00283 -0.218
(0.103) (0.0888) (0.0920) (0.151) (0.139) (0.141)
Bourse d’étude
0.137 0.420*** 0.625*** -0.0531 0.408*** 0.540***
(0.104) (0.0897) (0.0930) (0.152) (0.140) (0.145)
Rang Top 10%
-0.699** -0.383 -0.699** 0.112 -0.0145 -0.234
(0.340) (0.301) (0.296) (0.498) (0.428) (0.417)
Rang Top 10% - 25%
-0.0313 0.0645 -0.422 0.542 0.317 -0.223
(0.338) (0.299) (0.294) (0.494) (0.424) (0.412)
Rang Top 25% - 50%
0.0404 0.259 -0.240 0.440 0.0737 -0.329
(0.352) (0.311) (0.306) (0.503) (0.429) (0.417)
Niveau étude de la mère
-0.0296 0.207** 0.141 0.255 0.542*** 0.305
(0.109) (0.0940) (0.0976) (0.200) (0.190) (0.194)
Niveau étude du père
0.236** 0.152 0.321*** -0.258 -0.359 -0.229
(0.112) (0.0969) (0.100) (0.230) (0.224) (0.222)
Ratio Postes vacants
0.175*** 2.967*** 2.591***
(0.0553) (0.161) (0.102)
Constant 2.550*** 2.817*** 0.430 1.103 -2.74*** -3.88***
(0.405) (0.362) (0.378) (0.700) (0.695) (0.656)
Observation 11 510 11 510 11 510 11,192 11,192 11,192
Écarts types estimés entre parenthèses
*** p<0.01, ** p<0.05, * p<0.1
29
6.2 Résultats de l’estimation de l’équation 2 : niveau d’études
La deuxième estimation porte sur le niveau d’étude atteint par les répondants et a été obtenue avec
le modèle logit. Les résultats des estimations des modèles sur le niveau d’étude de 2005 et 2013
sont présentés dans le tableau 6 et les effets marginaux dans l’annexe 6.
Pour l’année 2005, les préférences professionnelles, l’âge, situation matrimoniale, la langue parlée,
les enfants à charge, la dette d’étude, la bourse d’étude, le niveau d’étude des parents et le
classement estimé par les répondants (rang dans le décile supérieur) sont des facteurs déterminants
dans le succès aux études. L’effet du classement estimé par les répondants est négatif; ce résultat
indique que les étudiants qui se classent parmi les moins bons réussissent mieux que les autres.
On retrouve les mêmes facteurs déterminants en 2013, excepte la langue parlée et la dette d’étude
qui ne sont plus significatives. En revanche, le genre n’a aucun impact dans le succès aux études
pour les deux périodes. La figure 4A montre également qu’être homme n’augmente en rien sa
probabilité de succès par rapport aux femmes quel qu’en soit le groupe d’âge. Il en est de même
pour l’année 2013 (figure 4B). Avoir des enfants à charge influence négativement le succès aux
études et ceux qui ont des enfants ont 13% moins de succès que les sans enfants en 2005 et ce taux
diminuent à 9% en 2013 (annexe 6). Les étudiants endettés ont 3% plus de succès que les étudiants
non endettés en 2005 et cette différence n’est pas significative en 2013. Les étudiants boursiers ont
20% plus de succès que les non boursiers en 2005 et il est de même en 2013. Être bilingue influence
positivement le succès aux études et ceux qui sont bilingue ont une réussite de 9% plus que ceux qui
ne le sont pas. Par rapport à la filière agricole et ressources naturelles, les trois autres filières
augmentent les chances de réussite. Plus l’étudiant est âgé et plus ses chances de réussite
augmentent. Le fait d’être marié augmente également le taux de succès. Avoir des parents qui ont
fait des études augmente le taux de réussite, en revanche les étudiants qui estiment être dans le
meilleur décile ont moins de succès que les autres.
30
Figure 4A : Effets marginaux du sexe suivant les groupes d’âge par rapport au niveau
d’éducation atteint pour l’année 2005
Figure 4B: Effets marginaux du sexe suivant les groupes d’âge par rapport au niveau
d’éducation atteint pour l’année 2013
-.02
-.01
0
.01
.02
.03
Effe
cts
on
Pr(
Ed
uc=
=_
0_
__
Niv
ea
u_
Edu
c_N
on
_A
tte
int)
[1] Less than 25 [2] 25 to 29 [3] 30 to 39 [4] 40 or moreDV-Age at time of graduation
Average Marginal Effects of 1.GENDER with 95% CIs
-.02
0
.02
.04
.06
Effe
cts
on
Pr(
Ed
uc=
=_
0_
__
Niv
ea
u_
Edu
c_N
on
_A
tte
int)
[1] Less than 25 [2] 25 to 29 [3] 30 to 39 [4] 40 or moreDV-Age at time of graduation
Average Marginal Effects of 1.GENDER with 95% CIs
31
Tableau 6 : estimation de l’équation 2 : niveau d’éducation
VARIABLES Éducation 2005 Éducation 2013
SCIENCES DE GESTION 1.166*** 1.624***
(0.111) (0.193)
SCIENCES SOCIALES 1.687*** 1.761***
(0.0946) (0.174)
SCIENCES TECHNIQUES 1.230*** 1.178***
(0.0981) (0.183)
Homme -0.0225 -0.130
(0.0599) (0.0818)
moins de 25 ans -1.474*** -0.945***
(0.131) (0.146)
25 - 29 ans -0.464*** -0.114
(0.136) (0.155)
30 - 39 ans -0.273** 0.133
(0.138) (0.158)
Marié 0.545*** 0.318***
(0.0710) (0.0938)
avoir des enfants à charge -0.629*** -0.469***
(0.0996) (0.116)
Bilingue 0.433*** 0.265*
(0.0997) (0.145)
endettement pour étude 0.158*** 0.106
(0.0576) (0.0791)
avec bourse d'étude 1.056*** 1.106***
(0.0602) (0.0835)
RANG dans le top 10% -0.998*** -0.685***
(0.196) (0.207)
RANG 10% - 25 % -0.269 -0.212
(0.195) (0.206)
RANG 25% - 50% -0.0271 0.167
(0.204) (0.219)
Mère, niveau post secondaire 0.407*** 0.567***
(0.0633) (0.0981)
Père, niveau post secondaire 0.579*** 0.784***
(0.0631) (0.100)
Constant -0.521** -0.916***
(0.257) (0.313)
Observations 11,510 11,192
Écarts types estimés entre parenthèses
*** p<0.01, ** p<0.05, * p<0.1
32
6.3 Résultats estimation des équations 3 et 4: emploi après la graduation et le salaire
La troisième estimation porte sur l’équation de l’emploi et du salaire. Les résultats des estimations
pour l’année 2005 et 2013 sont présentés dans le tableau 7.
6.3.1 L’équation de l’emploi
Le tableau 7 et l’annexe 7 permettent d’analyser les déterminants du marché de premier emploi des
nouveaux diplômés. Le tableau 7 présente les coefficients de l’estimation et l’annexe 7 décrit les
effets marginaux des différentes variables.
Pour l’année 2005, les préférences professionnelles, le statut matrimonial, avoir des enfants à
charge, la langue parlée, la bourse d’étude et le niveau d’étude des parents ont un impact sur le
marché de premier emploi des nouveaux diplômés. Par contre le genre, l’âge, la dette d’études n’ont
aucune influence sur le marché de premier emploi. La figure 5A et la figure 5B montrent qu’il n’existe
pas d’interaction entre le sexe et les catégories d’âge dans la recherche d’emploi. Il en est de même
en 2013.
L’influence des préférences professionnelles dans le domaine de la gestion augmente comparé aux
autres secteurs; mais cette influence diminue en ce qui concerne les sciences sociales et l’influence
pour les sciences techniques n’est pas significative. L’impact de la bourse diminue de 5% par rapport
aux sans bourses; de même ceux qui ont des enfants à charge ont 7% moins de chance dans la
recherche d’un premier emploi après le diplôme par rapport à ceux qui sont sans enfants; l’impact
des mariés augmente de 7% par rapport aux célibataires; les diplômés bilingues ont 8% plus de
chance de trouver un emploi par rapport aux personnes non bilingues.
Pour l’année 2013, les préférences professionnelles en science de gestion, la tranche d’âge de
moins de 25 ans, le statut matrimonial, le niveau d’étude du père, la dette d’étude, la bourse d’étude
ont un impact sur la recherche d’emploi. Par contre le genre, les enfants à charge, la langue parlée,
le niveau d’étude de la mère n’affectent pas le marché de l’emploi. Les préférences sur les sciences
sociales et techniques, la catégorie d’âge de plus de 29 ans n’ont pas aussi d’impact. Les jeunes de
moins de 25 ans ont 7% plus de change dans la recherche de l’emploi par rapport aux étudiants plus
vieux. Ceux qui sont endettés ont 5% moins de chance par rapport aux étudiants non endettés; de
33
même ceux qui ont la bourse ont 4% moins de chance dans la recherche d’emploi que les non
boursiers (annexe 7).
Les résultats de 2013 sont différents à plusieurs niveaux par rapport à l’année 2005. En effet, avoir
des enfants à charge, le niveau d’étude de la mère, la langue parlée ne sont plus significatifs alors
que certaines catégories d’âge, la dette d’étude, le niveau d’étude du père deviennent des facteurs
importants dans la recherche d’emploi en 2013 par rapport à 2005.
Ces résultats corroborent la réalité du marché de l’emploi des diplômés au Canada. En effet les
personnes qui sont bilingues versus ceux qui parlent une des langues officielles n’ont pas la même
change de trouver un emploi. Aussi certains emplois font la part belle à ceux qui ont obtenu des
bourses d’excellence. De même être marié ou non ou avoir des enfants à charge affectent la
recherche d’emploi des sortants en ce sens que les mariés ou ceux qui ont des enfants viseraient
des emplois qui leur permettent de concilier vie professionnelle et vie de famille. Par contre l’âge ou
avoir des dettes d’études n’ont jamais été un critère de recrutement.
Figure 5A : Effets marginaux du sexe suivant les groupes d’âge par rapport au marché de
l’emploi pour l’année 2005
-.04
-.03
-.02
-.01
0
.01
Effe
cts
on
Pr(
Em
plo
i==
_0_
__
San
s_E
mp
loi)
[1] Less than 25 [2] 25 to 29 [3] 30 to 39 [4] 40 or moreDV-Age at time of graduation
Average Marginal Effects of 1.GENDER with 95% CIs
34
Figure 5B : Effets marginaux du sexe suivant les groupes d’âge par rapport au marché de
l’emploi pour l’année 2013
6.3.2 L’équation du salaire
Le modèle du salaire analyse le niveau de salaire de ceux qui ont réussi à décrocher leur premier
emploi après la graduation. L’analyse se fait à travers les résultats consignés dans le tableau 7 et
l’annexe 8 (les effets marginaux).
Pour l’année 2005, les sciences techniques, l’âge, le genre, la bourse, le niveau d’étude du père ont
un impact sur le premier salaire des nouveaux diplômés. Par contre les préférences professionnelles
en sciences de gestion et en sciences sociales, le niveau d’étude de la mère, les enfants à charge, le
statut matrimonial, la langue parlée et la dette d’études n’ont aucune influence sur le marché de
premier emploi. Les hommes ont 12% plus de chance d’obtenir un salaire de plus de 40 000 $
comme première rémunération après la graduation que les femmes. Cette différence salariale est
confirmée par les données de Statistique Canada4. En combinant le sexe avec l’âge, cette interaction
indique que l’effet du sexe diffère suivant les groupes d’âge et que l’effet marginal est différent de
zéro (Figure 6). Le graphique 6 montre également que la chance pour les hommes d’obtenir un
salaire de plus de 40 000 $ est significativement plus bas par rapport aux femmes pour les étudiants
-.04
-.02
0
.02
Effe
cts
on
Pr(
Em
plo
i==
_0_
__
San
s_E
mp
loi)
[1] Less than 25 [2] 25 to 29 [3] 30 to 39 [4] 40 or moreDV-Age at time of graduation
Average Marginal Effects of 1.GENDER with 95% CIs
35
de moins de 30 ans, mais la probabilité augmente progressivement avec l’âge pour être très
substantiels pour les plus de 40 ans. On observe le même effet également en 2013.
Les boursiers ont 11% plus de chance d’avoir un salaire de plus de 40 000 $ après la graduation par
rapport aux non boursiers et ceux dont le père a un niveau poste secondaire ont 5% plus de chance
d’avoir revenu salarial supérieur à 40 000 $ que ceux pour lesquels le père n’a pas le niveau de
poste secondaire. Les jeunes de moins 25 ans ont moins de chance (-25%) d’avoir un salaire
supérieur à 40 000 $ par rapport aux plus vieux; ceux de 25 -29 ans ont 11% moins de chance
d’avoir un salaire supérieur à 40 000 $ que les autres catégories d’âge et ceux de 30 – 39 ans 9%
plus de chance d’avoir un salaire supérieur à 40 000 $ que les autres catégories d’âge. Cette
situation est probablement due à l’effet de l’expérience plus favorable aux plus âgés.
Pour l’année 2013, toutes les préférences professionnelles, le genre, la catégorie d’âge des moins de
25 ans, le statut matrimonial, la bourse d’étude, le niveau d’études des parents ont un impact sur le
salaire.
L’impact des préférences professionnelles par rapport aux autres secteurs augmente; de même que
l’impact du statut matrimonial, de la bourse et du niveau d’étude des parents. Aussi, les plus jeunes
(moins de 25 ans) ont 14% moins de chance d’avoir un salaire supérieur à 40 000 $ par rapport aux
plus vieux qu’eux et cet écart s’est rétrécit par rapport à 2005.
L’impact des variables sur le salaire en 2013 diffère de celui de 2005. En effet en 2013 tous les
secteurs professionnels ont une influence sur le salaire contrairement à la situation en 2005 où
seulement le secteur des sciences techniques influençait le salaire et cette influence s’est accrue.
Aussi le niveau d’étude de la mère est devenu un facteur important en 2013 comparé à 2005.
L’impact s’est accru pour le genre, le statut matrimonial, l’âge et la bourse. L’écart de rémunération
entre les femmes et les hommes s’est accru en 2013 : les hommes ont maintenant 14% de chances
de plus que les femmes d’obtenir un salaire de plus de 40000 dollars. Le profil de l’interaction entre
l’âge et le sexe par rapport au salaire n’a pas véritablement changé entre les deux périodes (figure 6).
___________________
4) Source: Statistique Canada, Enquête sur la population active, tableau CANSIM 282-0070
36
37
Tableau 7: résultat estimation des équations 3 et 4: le modèle de l’emploi et du salaire
2005 2013
VARIABLES salaire emploi salaire emploi
Sc. de gestion 0.217 0.206*** 0.481*** 0.302***
(0.171) (0.0656) (0.112) (0.111)
Sc. sociales 0.0992 -0.128** 0.365*** -0.0634
(0.0969) (0.0548) (0.0985) (0.101)
Sc. technique 0.395*** -0.0548 0.587*** 0.0471
(0.0754) (0.0571) (0.103) (0.103)
Genre (homme) 0.336*** 0.0412 0.455*** 0.0207
(0.0936) (0.0347) (0.0623) (0.0437)
Moins de 25 ans -0.719*** -0.0819 -0.453*** 0.226***
(0.182) (0.0667) (0.0983) (0.0775)
25 – 29 ans -0.319*** -0.00516 -0.179* 0.223***
(0.100) (0.0694) (0.104) (0.0812)
30 – 39 ans -0.240** 0.0101 0.129 0.0546
(0.0946) (0.0701) (0.101) (0.0838)
Statut marié 0.300 0.201*** 0.399*** 0.202***
(0.183) (0.0380) (0.0693) (0.0469)
Avoir des enfants -0.0618 -0.158*** -0.154* 0.000420
(0.125) (0.0525) (0.0803) (0.0579)
bilingue 0.192 0.194*** 0.172 0.0199
(0.181) (0.0570) (0.113) (0.0843)
Dette d’études -0.0418 -0.0361 -7.67e-05 -0.118***
(0.0539) (0.0334) (0.0576) (0.0413)
Bourse d’études 0.308*** -0.141*** 0.215*** -0.0980**
(0.0581) (0.0330) (0.0580) (0.0438)
Top 10% -0.128 -0.112 -0.0752 0.0513
(0.167) (0.112) (0.157) (0.126)
Top 10% - 25% 0.00491 0.00211 0.00936 0.109
(0.137) (0.112) (0.156) (0.125)
Top 25% - 50% -0.127 0.0484 -0.0639 0.0895
(0.144) (0.116) (0.162) (0.131)
Niveau d’étude mère 0.0549 -0.141*** 0.264*** -0.0725
(0.0949) (0.0350) (0.0634) (0.0472)
Niveau d’étude père 0.146*** -0.0802** 0.172*** -0.149***
(0.0525) (0.0357) (0.0648) (0.0479)
Constant 0.00655 0.377*** -0.266 0.135
(0.690) (0.143) (0.268) (0.194)
Observations 11,200 11,200 10,837 10,837
Écarts types estimés entre parenthèses
*** p<0.01, ** p<0.05, * p<0.1
38
6.4 Résultats de l’estimation du modèle final
Après l’estimation des 4 équations séparément, nous procédons à l’estimation du modèle conjoint.
Le tableau 8 donne une synthèse des résultats de l’estimation du modèle conjoint selon la méthode
GHK et les annexes 9 et 10 présentent les résultats complets.
Pour l’année 2005 l’analyse de résultat montre que la quasi-totalité des variables sont significatives
pour tout ou partie sur l’ensemble des programmes. Ce qui n’est pas le cas en 2013 où les variables
statut matrimonial, les enfants à charge ne sont significatives.
Quant au sexe, les hommes choisissent moins les programmes de gestion et de sciences sociales et
ont plus tendance à choisir le programme des sciences techniques. Il en est de même en 2013
L’endettement pour étude a une influence négative sur le programme de gestion et une influence sur
le programme de sciences sociales. Cependant, cette variable n’a aucune influence sur le
programme technique.
La bourse d’étude a un impact négatif pour les sciences de gestion, un impact positif pour les
sciences techniques mais n’est pas significative de science sociale. Les bénéficiaires de bourse
d’étude choisissent moins le programme de gestion mais augmente la probabilité de choix des
filières des sciences sociales et sciences techniques. Le sens de l’influence de la dette et de la
bourse d’études reste le même en 2013.
Avoir des enfants en charge exerce une influence positive sur le choix des programmes de gestion et
de sciences techniques alors que l’influence est négative sur le choix opéré en sciences sociales.
Cette variable n’est pas significative en 2013
Le niveau d’étude de la mère a une influence sur le choix des sciences techniques et de sciences
sociales et aucun impact sur les sciences de gestion. Cette influence est la même en 2013. Quant au
niveau d’étude du père il exerce une forte influence en faveur du choix sur les sciences techniques
alors que l’influence est négative pour les autres programmes. En 2013, cette variable n’est plus
significative excepté pour le programme des sciences techniques où elle continue d’exercer une
influence positive.
La situation en 2013 a connu des changements par rapport à celle de 2005. En effet, certaines
variables qui étaient significatives en 2005 ne le sont plus en 2013.
39
La variable sexe qui était significative en 2005 pour l’ensemble des programmes n’est plus significatif
sur le choix des sciences de gestion en 2013. Les enfants à charge et le statut matrimonial n’ont plus
d’impact sur le choix de programme d’études en 2013 alors que ces variables étaient également
significatives en 2005. Le niveau d’étude du père affecte aussi de moins en moins le choix des
programmes entre 2005 et 2013. L’influence de la langue parlée se réduit également et ne concerne
plus uniquement que sur les sciences de gestion alors que l’influence de l’endettement se renforce
dans le choix des programmes.
En comparant le résultat du modèle conjoint par rapport au modèle séparé de l’équation, il ressort
que la prise en compte des équations de l’éducation, du marché de l’emploi et de la rémunération
espérée dans le modèle fournit de meilleurs résultats. En effet, plusieurs variables étaient non
significatives dans le modèle 1 et se retrouves significatives dans le modèle conjoint (tableau 8).
40
Tableau 8: synthèse de l’estimation du modèle conjoint
2005 2013
VARIABLES Sc. gestion
Sc. Sociales
Sc. Techniques
Sc. gestion
Sc. Sociales
Sc. Techniques
homme -0.0221*** -0.744*** 0.925*** -0.0191 -0.865*** 0.888***
(0.00698) (0.00627) (0.00702) (0.0339) (0.0284) (0.0295)
Moins 25 ans -0.261*** -0.120*** 0.482*** -0.295*** -0.141*** 0.277***
(0.0141) (0.0132) (0.0172) (0.0587) (0.0519) (0.0581)
25 - 29 ans -0.178*** 0.0228* 0.383*** -0.340*** -0.0469 0.286***
(0.0148) (0.0138) (0.0176) (0.0611) (0.0533) (0.0592)
30 – 39 ans -0.148*** -0.0287** 0.391*** -0.210*** -0.0394 0.221***
(0.0148) (0.0139) (0.0175) (0.0630) (0.0556) (0.0619)
marié -0.0232*** 0.0699*** -0.0301*** 0.0162 0.00159 0.0209
(0.00817) (0.00726) (0.00820) (0.0372) (0.0312) (0.0326)
Enfants à charge
0.0806*** -0.0574*** 0.0424*** -0.0295 0.0314 -0.00533
(0.0112) (0.0102) (0.0120) (0.0452) (0.0381) (0.0408)
Bilingue 0.0469*** -0.0153** -0.00197 0.165** -0.0800 0.108
(0.00695) (0.00624) (0.00685) (0.0753) (0.0619) (0.0699)
Dette d’étude -0.215*** 0.155*** -0.0115* -0.149*** 0.206*** -0.120***
(0.00705) (0.00639) (0.00694) (0.0343) (0.0289) (0.0297)
Bourse d’étude
-0.161*** 0.109*** 0.121*** -0.168*** 0.0530* 0.141***
(0.00708) (0.00634) (0.00695) (0.0353) (0.0301) (0.0310)
Rang Top 10% -0.114*** 0.0900*** -0.0115 0.00769 -0.00652 -0.164*
(0.00765) (0.00688) (0.00762) (0.122) (0.0991) (0.0980)
Rang Top 10% - 25%
0.0490*** -0.0325*** 0.0800*** 0.150 0.00982 -0.194**
(0.00773) (0.00691) (0.00761) (0.121) (0.0986) (0.0973)
Rang Top 25% - 50%
-0.152*** 0.124*** -0.171*** 0.152 -0.0524 -0.134
(0.0242) (0.0213) (0.0220) (0.126) (0.102) (0.101)
Niv. étude mère
-0.00457 0.142*** -0.234*** -0.0259 0.138*** -0.0890***
(0.0239) (0.0211) (0.0217) (0.0405) (0.0338) (0.0345)
Niv. Étude père
-0.0523** 0.192*** -0.178*** 2.47e-05 -0.0235 0.121***
(0.0248) (0.0219) (0.0226) (0.0395) (0.0330) (0.0337)
Constant -0.259*** 0.126*** -1.620*** -0.802*** 0.377*** -1.319***
(0.0276) (0.0248) (0.0280) (0.148) (0.121) (0.127)
Observation 9,380 9,380 9,380 8,925 8,925 8,925 *** p<0.01, ** p<0.05, * p<0.1
41
7. Conclusion
Pour rappel, l’objectif de cette étude était de déterminer, à l’aide du modèle GHK, les facteurs qui
expliquent au mieux le choix de programme d’étude postsecondaire des étudiants canadiens. Cette
analyse s’est portée sur deux périodes afin de mesurer le changement intervenu entre les deux
périodes. Afin de contrôler l’auto sélection des étudiants dans leur choix au programme d’études post
secondaire, le modèle intègre les modèles d’éducation, de travail et de salaire.
Les résultats indiquent que le genre, l’âge, l’endettement, la bourse, le niveau d’étude des parents
sont des facteurs qui expliquent le choix des étudiants pour une filière d'étude ou une autre.
Un autre élément observé est la répartition des hommes et des femmes suivant les métiers
traditionnels de chaque groupe. En d’autres termes, les femmes sont plus présentes dans les
sciences sociales et les hommes sont beaucoup plus dans les sciences techniques. Le salaire des
hommes apparait plus élevé que celui des femmes.
L’évolution dans le temps montre que les facteurs déterminants ne sont pas statiques et changent
pour la plupart dans le temps. Un facteur peut être décisif à une période donnée et ne plus l’être pour
une autre période. Ce qui pourrait laisser entrevoir que des évènements majeurs et conjoncturels qui
se produisent entre deux périodes peuvent faire jouer sur les motivations des étudiants.
Par ailleurs, le modèle conjoint améliore les résultats estimés par rapport au modèle simple de
l’équation1.
Au vu de la problématique de la répartition non uniforme et du déficit de la main d’œuvre dans
certains secteurs d’activités au Canada, les résultats de cette étude pourraient constituer une
contribution dans les politiques publiques à mettre en œuvre. Vu l’importance de la dette et de la
bourse dans le choix du programme, il serait judicieux de mettre en place des politiques incitatives
utilisant les prêts et bourses comme levier dans les programmes qui accueillent peu d’inscription.
Aussi, une discrimination positive en faveur des femmes pour leur inciter à s’inscrire davantage dans
les métiers traditionnellement réservés aux hommes.
Ces résultats sont à prendre en considérant les limites de l’analyse. En effet, faute de données la
variable mesurant la pression sur le marché de l’emploi (le ratio de postes vacants) n’a pu être prise
en compte dans l’estimation de 2005. Aussi, dans le modèle conjoint de 2013, cette variable ne
permettait pas d’avoir de résultat convergent et a été retirée
42
Bibliographie
Altonji Joseph, Blom Erica et Meghir Costa. (2012). “Heterogeneity in human capital investments: High school curriculum college major and careers”. NBER Working paper series 17985. Arcidiacono Peter. (2004). “Ability Sorting and the Returns to College Major” Journal of Econometrics Vol. 121 Nos. 1-2 (August 2004) 343-375. Bolduc Denis et Kaci Mustapha (1993) « Estimation des modèles probit polytomiques: un survol des techniques » dans Revue d'analyse économique vol. 69 n° 3 septembre 1993 Cannings Kathy, Mahseredjian Sophie et Montmarquette Claude. “How Do Young People Choose College Majors?” CIRANO 97s 38 (Novembre 1997). Cappellari Lorenzo et Jenkens Stephen P. “Multivariate probit regression using simulated maximum likelihood”. The Stata Journal (2003), Number 3, pp. 278–294 De Palma Andre et Jacques-Francois (1997) « Les modèles de choix discrets » annales économiques et statistiques n9. Geweke John (1991) "Efficient Simulation from the Multivariate Normal and Student-t Distributions Subject to Linear Constraints." In Computer Science and Statistics: Proceedings of the Twenty-Third Symposium on the Interface , 571-578. Alexandria, VA: American Statistical Association. Hajivassiliou Vassilis , McFadden Daniel, and Paul Ruud. 1996. "Simulation of multivariate Normal Orthant Probabilities: Methods and Programs."Journal of Econometrics 72: 85-134. Hausman Jerry et McFadden Daniel “Specification Tests for the Multinomial Logit Model”. Econometrica volume 52 Issue 5 (sep. 1984) 1219-1240 Keane Michael (1994). "A Computationally Practical Simulation Estimator for Panel Data."Econometrica 62(1): 95-116. Kyui Natalia, Simonnet Véronique: «Education, Professional Choice and Labour Market Outcomes:Influence of Preferences, Parental Background and Labour Market Tightness»; juillet 2014 version préliminaire Lawrence Eric “Simulated Maximum Likelihood via the GHK Simulator: An Application to the 1988 Democratic Super Tuesday Primary” dans Educational Research and Evaluation Vol. 15 No.4 August 2009 385–403 Lawrence J. Saha et Sikora Joanna “Gender and professional career plans of high school students in comparative perspective”. Educational Research and Evaluation Vol. 15 No. 4 August 2009 385–403 McFadden Daniel (1981) "Econometric models of probabilistic choice". Dans C. MANSKI et D. MCFADDEN Structural analysis of discrete data with econometric applications p.198-272 Cambridge MIT Press. Blanchard Céline, Cortes Pierre-Yves, Doray Pierre, Marcoux-Moisan Maxime, Picard France, Larose Simon, Perron Michel, Veillette Suzanne “L’évolution des aspirations scolaires” note de recherché 5 publiée en avril 2010 par le Centre interuniversitaire de recherche sur la science et la technologie (CIRST) Université du Québec à Montréal (UQAM) Privault Nicolas et Torrisi Giovanni Luca (2013) « Probability approximation by Clark-ocone covariance representation ».
43
Annexes
Annexe 1 : Évolution des diplômés au Canada par province
Annexe 2: Répartition des étudiants par sexe et par domaine d’étude en 2005 au Canada
-
5 000
10 000
15 000
20 000
25 000
30 000
Male
Female
0
20 000
40 000
60 000
80 000
100 000
120 000
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
Terre-Neuve-et-Labrador Total
Île-du-Prince-Édouard Total
Nouvelle-Écosse Total
Nouveau-Brunswick Total
Québec Total
Ontario Total
Manitoba Total
Saskatchewan Total
Alberta Total
Colombie-Britannique Total
44
Annexe 3: Évolution des taux de postes vacants des secteurs d’activités
0,00%
0,50%
1,00%
1,50%
2,00%
2,50%
3,00%
3,50%
2011 2012 2013 2104
Services d'hébergement et de restauration
Services d'hygiènes et d'assainissement
Arts spectacles et loisirs
Construction
Services d'enseignement
Finance et assurances
Soins de santé et assistance sociale
Industries excluant les entreprises non classifiées
45
Annexe 4 : Le taux de postes vacants par secteur professionnel
Secteurs professionnels 2011 2012 2013 2014
taux moyen
taux taux taux taux taux
Services d'hébergement et de restauration 1,80% 2,20% 2,30% 2,60% 2,20%
Services d'hygiènes et d'assainissement 2,60% 1,90% 1,80% 1,20% 1,90%
Arts spectacles et loisirs 1,50% 2,00% 1,90% 2,20% 1,90%
Construction 1,40% 2,00% 1,40% 1,60% 1,60%
Services d'enseignement 0,70% 0,80% 0,00% 0,50% 0,70%
Finance et assurances 1,60% 1,50% 1,00% 1,30% 1,40%
Soins de santé et assistance sociale 2,10% 2,20% 1,80% 1,90% 2,00%
Industries excluant les entreprises non classifiées 1,60% 1,70% 1,50% 1,50% 1,60%
Industrie de l'information et industrie culturelle 1,50% 2,20% 2,10% 2,00% 2,00%
Fabrication manufacturière 1,40% 1,30% 1,10% 1,10% 1,20%
Extraction minière et extraction de pétrole et de gaz 3,10% 3,10% 1,70% 1,30% 2,30%
Autres services (sauf les administrations publiques) 1,90% 2,20% 2,00% 2,20% 2,10%
Services professionnels scientifiques et techniques 2,20% 2,10% 2,20% 1,90% 2,10%
Administrations publiques 1,50% 1,40% 1,20% 1,30% 1,40%
Services immobiliers et services de location à bail 1,40% 1,30% 1,10% 1,10% 1,20%
Commerce de détail 1,30% 1,40% 1,30% 1,30% 1,30%
Transport et entreposage 1,50% 1,70% 1,60% 1,80% 1,70%
Services publics 1,20% 0,90% 1,10%
Commerce de gros 1,80% 1,60% 1,10% 1,20% 1,40%
46
Annexe 5: Les effets marginaux par rapport au choix de programme d’études
2005 2013
dy/dx P>z dy/dx P>z
1.sexe
Sc. De gestion -.0106961 0.367 -.0239062 0.237
Sc. sociales -.012548 0.254 -.0078197 0.366
Sc. techniques -.0187113 0.080 -.0040546 0.733
Autres -.0173318 0.115 -.0291253 0.147
1.moins de 25 ans
Sc. De gestion -.0915939 0.000 -.0407028 0.236
Sc. sociales -.0788766 0.000 -.0147784 0.329
Sc. techniques -.1052877 0.000 -.0316706 0.135
Autres -.0978864 0.000 -.0446759 0.191
1.25 – 29 ans
Sc. De gestion -.0631697 0.001 -.0597444 0.093
Sc. sociales -.0557573 0.002 -.0214132 0.149
Sc. techniques -.0681574 0.000 -.0433992 0.032
Autres -.0640661 0.000 -.0594099 0.089
1.30 – 39 ans
Sc. De gestion -.0507533 0.008 -.0159246 0.661
Sc. sociales -.0435163 0.015 -.0028313 0.848
Sc. techniques -.0599243 0.000 -.0187539 0.377
Autres -.0544284 0.001 -.0154924 0.665
1.marié
Sc. De gestion -.007379 0.600 .0036647 0.872
Sc. sociales -.007481 0.572 .0021754 0.827
Sc. techniques -.0048174 0.698 .000147 0.991
Autres -.0055794 0.665 .0043958 0.847
1.avoir des enfants
Sc. De gestion .0353961 0.053 -.0298281 0.330
Sc. sociales .033461 0.055 -.0111627 0.385
Sc. techniques .031796 0.058 -.0219134 0.220
Autres .0328959 0.056 -.0307898 0.306
1.bilingue
Sc. De gestion -.0419308 0.067 -.0084373 0.840
Sc. sociales -.0385478 0.076 -.0028953 0.875
Sc. techniques -.0420826 0.048 -.0081087 0.751
Autres -.0405056 0.060 -.0078822 0.850
1.Dette d’études
Sc. De gestion -.0676707 0.000 -.0396063 0.052
Sc. sociales -.0658764 0.000 -.0182073 0.039
Sc. techniques -.0574449 0.000 -.0197829 0.110
Autres -.0613298 0.000 -.0371174 0.066
47
1.Bourse d’études
Sc. De gestion -.0515495 0.000 -.1013283 0.000
Sc. sociales -.0482267 0.000 -.0416379 0.000
Sc. techniques -.0497491 0.000 -.0706616 0.000
Autres -.048398 0.000 -.0993778 0.000
1.rang top 10%
Sc. De gestion -.0439131 0.263 .0419085 0.569
Sc. sociales -.0422528 0.256 .0167137 0.609
Sc. techniques -.0331222 0.340 .0301893 0.503
Autres -.0381957 0.297 .0429339 0.552
1.Rang 10% - 25%
Sc. De gestion .0068585 0.865 .0960147 0.181
Sc. sociales .0035368 0.926 .0386822 0.222
Sc. techniques .0161122 0.653 .0667749 0.148
Autres .0109978 0.768 .1007036 0.160
1.Rang 25 – 50%
Sc. De gestion -.0146921 0.722 .1130367 0.145
Sc. sociales -.016462 0.670 .0478246 0.193
Sc. techniques -.0028177 0.939 .0815931 0.136
Autres -.0081365 0.830 .1159944 0.136
1.niv. postsecondaire mère
Sc. De gestion -.0356841 0.007 -.0338418 0.149
Sc. sociales -.0342309 0.006 -.013566 0.172
Sc. techniques -.0301821 0.011 -.0213432 0.125
Autres -.0315763 0.009 -.0291932 0.209
1. niv. postsecondaire père
Sc. De gestion .0110304 0.397 .0016846 0.942
Sc. sociales .0110724 0.366 .0004645 0.964
Sc. techniques .0067513 0.558 .0027402 0.840
Autres .0088831 0.458 -.0010026 0.966
1.ratio postes vacants
Sc. De gestion -.5166153 0.000
Sc. sociales -.2126447 0.000
Sc. techniques -.3401774 0.000
Autres -.4913929 0.000
Écarts types estimés entre parenthèses *** p<0.01, ** p<0.05, * p<0.1
48
Annexe 6: les effets marginaux du niveau d’éducation
2005 2013
dy/dx P>z dy/dx P>z
Science de gestion .1895799 0.000 .2322863 0.000
Science Sociale .3238239 0.000 .3123504 0.000
Science techniques .1977549 0.000 .1757394 0.000
Genre (homme) -.0043683 0.707 -.0236978 0.114
moins de 25 ans -.2637218 0.000 -.1685902 0.000
25 – 29 ans -.095575 0.001 -.0210288 0.469
30 – 39 ans -.0553399 0.057 .0234721 0.387
Marié .1017509 0.000 .0573612 0.001
Enfants à charge -.13225 0.000 -.0902226 0.000
bilingue .0908243 0.000 .0508472 0.083
Dette d’études .0307779 0.007 .0193006 0.182
Bourse d’études .2044202 0.000 .208057 0.000
Top 10% -.2024661 0.000 -.1288425 0.001
Top 10% - 25% -.0525009 0.170 -.0387128 0.307
Top 25% - 50% -.0052812 0.894 .029329 0.430
Niveau étude mère .0796669 0.000 .097444 0.000
Niveau étude père .1143105 0.000 .1345002 0.000
49
Annexe 7: les effets marginaux des équations de l’emploi
2005 2013
dy/dx P>z dy/dx P>z
1.Sc. de Gestion .0734969 0.001 .1027361 0.005
1.Sc. Sociale -.0523517 0.010 -.0225851 0.535
1.Sc. technique -.0215448 0.305 .0155924 0.671
1.homme .0165216 0.195 .0100772 0.515
1.moins de 25 ans -.0354925 0.153 .0744038 0.006
1.25 – 29 ans -.0043009 0.868 .0732571 0.007
1.30 – 39 ans .0065133 0.802 .0215876 0.457
1.marié .074413 0.000 .0709931 0.000
1.avoir des enfants à charge -.0613619 0.002 -.0022993 0.911
1.bilingue .0779542 0.000 .0097751 0.749
1.Dette d’études -.0150132 0.213 -.046423 0.001
1.Bourse d’études -.0533147 0.000 -.0360544 0.020
1.Top 10% -.0429361 0.299 .0253424 0.568
1.Top 10% - 25% -.0012264 0.976 .0436052 0.323
1.Top 25% - 50% .015346 0.715 .0371312 0.410
1.Niveau étude de la mère -.0541917 0.000 -.0269663 0.112
1.Niveau étude du père -.0311824 0.015 -.0522996 0.003
Annexe 8: les effets marginaux des équations de salaire
variables 2005 2013
dy/dx P>z dy/dx P>z
1.Sc. de Gestion .0765918 0.272 .1362812 0.000
1.Sc. Sociale .03537 0.264 .1098107 0.000
1.Sc. technique .1380424 0.001 .1628762 0.000
1.homme .1207265 0.015 .1386635 0.000
1.moins de 25 ans -.2539422 0.013 -.1389599 0.000
1.25 – 29 ans -.1137154 0.003 -.0559217 0.089
1.30 – 39 ans -.0865788 0.014 .0387004 0.191
1.marié .1076 0.184 .1229755 0.000
1.avoir des enfants à charge -.0221888 0.636 -.048022 0.060
1.bilingue .069974 0.323 .0547824 0.143
1.Dette d’études -.014989 0.462 -.0000236 0.999
1.Bourse d’études .1109799 0.000 .0668115 0.000
1.Top 10% -.0458804 0.463 -.0232016 0.633
1.Top 10% - 25% .0017624 0.971 .0028741 0.952
1.Top 25% - 50% -.0458822 0.379 -.0198513 0.697
1.Niveau étude de la mère .0197117 0.540 .0796625 0.000
1.Niveau étude du père .0525213 0.002 .052353 0.007
50
Annexe 9: estimation modèle conjoint 2005
Variables Sc. de gestion
Sc. sociales
Sc. techniques
Éducation Emploi Salaire
sexe -0.0221*** -0.744*** 0.925*** -0.221*** 0.0761*** 0.390***
(0.00698) (0.00627) (0.00702) (0.0101) (0.00680) (0.00651)
Moins de 25 ans
-0.261*** -0.120*** 0.482*** -0.554*** -0.106*** -0.703***
(0.0141) (0.0132) (0.0172) (0.0179) (0.0141) (0.0131)
25 – 29 ans -0.178*** 0.0228* 0.383*** -0.341*** -0.0161 -0.299***
(0.0148) (0.0138) (0.0176) (0.0187) (0.0148) (0.0137)
30 – 39 ans -0.148*** -0.0287** 0.391*** -0.0382** -0.0688*** -0.162***
(0.0148) (0.0139) (0.0175) (0.0175) (0.0147) (0.0139)
Situation matrimoniale
-0.0232*** 0.0699*** -0.0301*** -0.0291*** 0.134*** 0.299***
(0.00817) (0.00726) (0.00820) (0.0109) (0.00763) (0.00718)
Enfants à charge
0.0806*** -0.0574*** 0.0424*** -0.105*** -0.0578*** -0.124***
(0.0112) (0.0102) (0.0120) (0.0144) (0.0107) (0.0102)
Langue parlée 0.0469*** -0.0153** -0.00197 -0.0879*** -0.197*** -0.0246***
(0.00695) (0.00624) (0.00685) (0.00961) (0.00648) (0.00617)
Dette d’études -0.215*** 0.155*** -0.0115* 0.0369*** -0.0804*** -0.0475***
(0.00705) (0.00639) (0.00694) (0.00999) (0.00676) (0.00641)
Bourse d’études
-0.161*** 0.109*** 0.121*** 0.0361*** -0.103*** 0.264***
(0.00708) (0.00634) (0.00695) (0.00991) (0.00672) (0.00643)
Niveau d’étude mère
-0.114*** 0.0900*** -0.0115 0.000849 -0.149***
(0.00765) (0.00688) (0.00762) (0.0107) (0.00716)
Niveau d’étude père
0.0490*** -0.0325*** 0.0800*** 0.0285*** -0.0485***
(0.00773) (0.00691) (0.00761) (0.0106) (0.00713)
Rang top 10% -0.152*** 0.124*** -0.171*** 0.614*** -0.0797*** -0.0178
(0.0242) (0.0213) (0.0220) (0.0470) (0.0230) (0.0220)
Rang top 10-25%
-0.00457 0.142*** -0.234*** 0.343*** 0.0134 0.112***
(0.0239) (0.0211) (0.0217) (0.0471) (0.0228) (0.0218)
Rang 25-50% -0.0523** 0.192*** -0.178*** 0.210*** 0.0726*** 0.00590
(0.0248) (0.0219) (0.0226) (0.0484) (0.0237) (0.0225)
Constant -0.259*** 0.126*** -1.620*** -1.706*** 0.896*** -0.0839
(0.0276) (0.0248) (0.0280) (0.0958) (0.0652) (0.0622)
Observations 9,380 9,380 9,380 9,380 9,380 9,380
51
Annexe 10: estimation modèle conjoint 2013
VARIABLES Sc. gestion
Sc. sociales
Sc. Technique
Éducation Emploi Salaire
Sexe (Homme) -0.0191 -0.865*** 0.888*** -0.143*** 0.140*** 0.400***
(0.0339) (0.0284) (0.0295) (0.0313) (0.0298) (0.0288)
Moins de 25 ans -0.295*** -0.141*** 0.277*** -0.645*** -0.0238 -0.35***
(0.0587) (0.0519) (0.0581) (0.0562) (0.0551) (0.0522)
25 -29 ans -0.340*** -0.0469 0.286*** -0.0596 -0.008 -0.0309
(0.0611) (0.0533) (0.0592) (0.0592) (0.0566) (0.0542)
30 – 39 ans -0.210*** -0.0394 0.221*** -0.00204 -0.0767 0.0389
(0.0630) (0.0556) (0.0619) (0.0619) (0.0590) (0.0572)
marié 0.0162 0.00159 0.0209 0.316*** 0.159*** 0.403***
(0.0372) (0.0312) (0.0326) (0.0345) (0.0325) (0.0311)
Enfants à charge -0.0295 0.0314 -0.00533 -0.160*** 0.0803** -0.0144
(0.0452) (0.0381) (0.0408) (0.0432) (0.0407) (0.0394)
Bilingue 0.165** -0.0800 0.108 0.290*** 0.264*** 0.325***
(0.0753) (0.0619) (0.0699) (0.0634) (0.0620) (0.0602)
Dette d’études -0.149*** 0.206*** -0.120*** 0.102*** -0.13*** -0.049*
(0.0343) (0.0289) (0.0297) (0.0317) (0.0305) (0.0291)
Bourse d’études -0.168*** 0.0530* 0.141*** 0.710*** -0.13*** 0.188***
(0.0353) (0.0301) (0.0310) (0.0327) (0.0318) (0.0301)
Rang top 10% 0.00769 -0.00652 -0.164* -0.358*** -0.0613 0.0235
(0.122) (0.0991) (0.0980) (0.107) (0.103) (0.0969)
top 10%-25% 0.150 0.00982 -0.194** 0.0125 -0.0157 0.147
(0.121) (0.0986) (0.0973) (0.106) (0.103) (0.0965)
top 25%-50% 0.152 -0.0524 -0.134 0.127 0.0443 0.124
(0.126) (0.102) (0.101) (0.111) (0.107) (0.100)
Niv. d’étude mère -0.0259 0.138*** -0.0890*** 0.282*** -0.0416 0.106***
(0.0405) (0.0338) (0.0345) (0.0386) (0.0351) (0.0341)
Niv. d’étude père 2.47e-05 -0.0235 0.121*** 0.484*** -0.0664* 0.105***
(0.0395) (0.0330) (0.0337) (0.0378) (0.0343) (0.0332)
Constant -0.802*** 0.377*** -1.319*** 0.0935 0.522*** -0.34***
(0.148) (0.121) (0.127) (0.129) (0.126) (0.119)
Observations 8,925 8,925 8,925 8,925 8,925 8,925
52
Appendice 1 : démonstration de l’équation 15
(15)
Selon l’équation 14,
La matrice de variance covariance pourrait s’écrire comme suit :
En développant chaque membre on obtient :
On sait que
d’où
Comme la matrice est symétrique, on retrouve les autres valeurs qui sont égales à 1. D’où l’équation
15.