PDF, FR, 219 p., 3,1 Mo - Femise

la probabilité pour un individu donné d’être dans un état à différents moments de son itinéraire,
estimer autant de modèles que de dates retenues empêche de prendre en compte l’hétérogénéité
individuelle non-observée et/ou non-observable. Lire la trajectoire de cet individu à travers les
résultats des ces différents modèles ne permet pas d’en saisir véritablement le sens : la relation
séquentielle entre les différentes variables tout au long du parcours sur le marché du travail n’est
pas appréhendée. Si l’on se borne, en outre, à expliquer un état du marché du travail à la dernière
des dates retenues, l’effet des variables changeant dans le temps (mobilité en début de vie active
par exemple) a tendance à être surestimé par rapport à l’effet des variables constantes dans le
temps. En fait, plus la date à laquelle on décide d’expliquer le risque de se retrouver dans un état
particulier s’éloigne de la date de sortie du système de formation, plus l’effet des variables ne
variant pas dans le temps (diplômes par exemple) est estompé. La porte est alors ouverte à des
interprétations qui tendent à minimiser le rôle de la formation initiale délivrée par le système
éducatif. Mais une telle interprétation repose sur une mauvaise appréciation des effets combinés
des variables mises en jeu, résultant d’une mauvaise spécification du modèle statistique.
L’estimation d’un modèle unique, qui viserait à expliquer la probabilité d’être dans un état aux
différentes dates choisies mais qui ne tiendrait pas compte de l’hétérogénéité individuelle nonobservée
et/ou non-observable aboutirait de même à des interprétations faussées. En effet,
postuler l’homogénéité individuelle reviendrait à émettre une hypothèse implicite d’indépendance
des effets des variables omises par rapport aux variables explicatives du modèle. L’hétérogénéité
individuelle non-observée et/ou non-observable est considérée comme faisant partie du résidu,
indépendant des variables explicatives du modèle : tel ne saurait – a priori – être le cas. Cette
hypothèse, généralement non vérifiée mais nécessaire pour l’estimation de modèles sur données
en coupe, conduit inévitablement à des estimateurs biaisés. Or, l’un des avantages des données
longitudinales réside précisément dans la possibilité de décomposer le résidu du modèle : alors
qu’une partie relève de l’hétérogénéité individuelle, l’autre est purement aléatoire et indépendante
des variables explicatives. Il devient alors possible de contrôler l’effet des variables omises pour
aboutir à une évaluation satisfaisante des effets des autres variables.
C’est en partant de ces remarques intuitives que nous avons jugé nécessaire d’adapter
nos données à un cadre longitudinal et estimer des modèles qui tiennent compte de toute
l’hétérogénéité qui marque un itinéraire d’insertion.
146