III.3. ANALYSE ECONOMETRIQUE
III.3.1 Modèle et description de données
Jusque là nous nous sommes appuyé sur les
perceptions de nos enquêtés, mais dans cette partie de
l'étude nous esquissons une étude empirique afin de
déterminer de manière statistique les variables qui
présentent un intérêt réel et la tendance de
celles-ci.
Pour ce faire, nous recourrons à une régression
avec des données qualitatives. Notre équation à estimer se
présente comme suit :
Insi = a + h'Age i+ ySexei + SInstructioni +
BRéseauUnivi + i9Etat - civili + tpNbreEfti + 7rFormationCi +
pTrappeInactivitéi + 6Expériencei + Ei
(1)
Les paramètres à estimer sont ceux qui se
présentent devant les différentes variables à estimer.
a renvoie à la constante et E est le terme de
l'erreur. L'indice i renvoie aux différents individus de notre
échantillon. Ins est notre variable à estimer. Il s'agit
d'une variable dichotomique, prenant la note de 1 si la personne est
déjà insérée dans le marché du travail,
sinon elle prend la note de 0. Cette caractéristique nous oblige donc
à recourir aux modèles logit ou probit. Notre choix a
porté sur le modèle probit. Du point de vue
économétrique, les deux modèles convergent en termes des
résultats sauf en présence de très grandes bases de
données. Ce qui n'est guère le cas dans notre étude.
Les différentes variables retenues dans notre
spécification trouvent leur source dans la littérature, notamment
celle du chapitre premier de ce travail. Age est la variable
âge. Elle est capturée en valeur absolue pour chaque individu. La
variable Sexe est une variable muette, prenant la note de 1 s'il
s'agit d'un homme, sinon c'est 0. La variable Instruction mesure le
capital
85
humain de nos individus. Il s'agit concrètement de
nombre d'années passées aux études. RéseauUniv
est une variable qui capte l'université de provenance. Si elle est
publique, la variable prend la note de 1 au cas contraire, elle prend la note
de 0. L'idée derrière est de mesurer l'influence des
réseaux universitaires. Les études descriptives, notamment celle
que nous a présentée dans la section précédente,
suggèrent qu'en RDC l'on obtient l'emploi notamment en passant par des
relations. C'est cet effet que nous voulons considérer d'une part, et
capter aussi l'influence du pôle public d'autre part. En effet, il est
courant d'attendre que les Universités publiques perdent pied dans le
positionnement du pays. Cette variable nous permettra de tester aussi cette
éventualité. La variable Eta ? - civil considère
les états-civils de chaque individu. Si la personne est mariée,
la variable prend la note de 1 sinon 0. Généralement, les
personnes mariées bénéficient d'une certaine forme de
traitement spécifique. Ainsi, nous voulons considérer s'il y a
discrimination à ce niveau. NbreEft est mesure de nombre
d'enfants. Cette variable tient compte de la taille du ménage, mesurant
ainsi le degré de responsabilité. Généralement, les
entreprises ne sont pas indifférentes face à cette
caractéristique sociodémographique. Si elle peut pousser les
entreprises à discriminer, elle peut aussi mettre la pression sur les
demandeurs d'emploi afin de ne pas arrêter la recherche d'emploi en
dépit de son coût (job search). La variable
FormationC considère le fait qu'au-delà de son niveau
d'études classique si on a bénéficié d'une
formation quelconque afin d'accroître son employabilité.
Trappelnactivité est la variable qui mesure la trappe à
l'inactivité. Théoriquement, plus on reste au chômage,
moins on accroît notre chance de se faire embaucher du fait notamment de
l'obsolescence de notre capital humain. Nous mesurons cette variable par le
nombre de mois que l'individu a passé au
86
chômage. Expérience est variable dummy
qui prend la note de 1 si la personne a déjà travaillé,
sinon 0. Le fait de bénéficier d'une expérience
professionnelle devrait être avantageux pour trouver un emploi et donc
s'insérer dans le marché du travail.
Nous estimons aussi une autre spécification, qui est en
réalité le modèle (1) augmenté d'une interaction
:
Insi = a + i3Agei + ySexei +
Slnstructioni + BRéseauUnivi + i9Etat - civili + tpNbreE f ti
+ rcFormationCi + pTrappelnactivitéi +
6Expériencei + colnst _ctioni *
FormationCi+ei (1)
Toutes ces données proviennent de notre enquête
décrite dans ce chapitre.
Le tableau 3.25 présente les statistiques descriptives
de nos différentes variables.
Tableau 3.25 : Statistiques descriptives
|
Variable
|
Obs
|
Moyenne
|
Ecart-type
|
Min
|
Max
|
|
Insr
|
130
|
0.5230769
|
0.5013994
|
0
|
1
|
|
Age
|
130
|
27.95
|
4.427648
|
21
|
52.5
|
|
Sexe
|
130
|
0.8384615
|
0.3694506
|
0
|
1
|
|
Instruction
|
130
|
17.15385
|
1.171109
|
16
|
21
|
|
Univform
|
130
|
0.7461538
|
0.4368942
|
0
|
1
|
|
Etacivil
|
130
|
0.1384615
|
0.3467199
|
0
|
1
|
|
Nombenf
|
130
|
0.2846154
|
0.9337315
|
0
|
7
|
|
FormationC.
|
130
|
1.169231
|
4.159864
|
0
|
48
|
|
TrappeInactiv.
|
125
|
23.344
|
20.07329
|
0
|
84
|
|
Experience
|
129
|
0.620155
|
0.5331774
|
0
|
3
|
87
| 
