les déterminants des choix de programmes d’études

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

http://www.oecd.org/fr/edu/rse.htm

http://www.oecd.org/fr/edu/rse.htm

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)



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


*** 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)



-.02

0

.02

.04

.06

Effe

cts

on

Pr(

Ed

uc=

=_

0_

__

Niv

ea

u_

Edu

c_N

on

_A

tte

int)



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


*** 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)



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)



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

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


*** 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.

les déterminants des choix de programmes d’études

Documents