Une approche markovienne mixte à classes latentes pour estimer la mobilité sur le marché du travail au moyen d’indicateurs multiples et d’une interrogation rétrospective
Section 1. Introduction
Les analystes peuvent exploiter les données par panels pour estimer les mouvements bruts de la population active, c’est-à-dire les transitions d’un état à un autre au fil du temps. Les mouvements nets mesurent les variations de divers états sur le marché au fil du temps, tandis que les mouvements bruts nous renseignent sur la dynamique du marché du travail.
Beaucoup de documents sur l’estimation des mouvements bruts sont basés sur l’hypothèse que les erreurs sont non corrélées au fil du temps, c’est-à-dire qu’il s’agit d’erreurs de classification indépendantes (ECI). L’hypothèse d’ECI suppose que : (i) les erreurs de classification désignant deux occasions différentes sont indépendantes l’une de l’autre en fonction des états réels, et (ii) les erreurs dépendent exclusivement de l’état réel actuel. Par conséquent, les erreurs de classification produisent de fausses transitions et provoquent donc une surestimation des changements.
Cependant, dans bien des contextes, l’hypothèse de l’ECI s’avère irréaliste, en raison du plan d’enquête et des stratégies de collecte de données. En pareilles circonstances, les erreurs de classification peuvent être corrélées : les états observés peuvent également dépendre des états réels à d’autres moments ou des transitions réelles, ou il peut y avoir des effets directs entre les états observés (Bound, Brown et Mathiowetz 2001).
Dans le présent document, nous utilisons une approche basée sur un modèle pour rajuster les mouvements bruts observés pour les erreurs de classification. Cette approche agence un sous-modèle structurel pour les taux de transition réels non observés et un sous-modèle de mesure corrélant les états réels aux états observés. Un cadre utile pour formuler notre modèle est fourni par l’analyse des classes latentes (CL).
Nous appliquons notre approche aux mouvements bruts observés au sein des trois états de la population active – Occupant un emploi (E), En chômage (C) et Inactif (I) – tirés de l’enquête italienne continue sur la population active (EICPA), une enquête trimestrielle reposant sur un plan de renouvellement de type 2-2-2 entraînant des panels à deux cycles à un trimestre, trois trimestres et un an d’intervalle. Nous considérons que les données sont recueillies de 2005 à 2009.
Le questionnaire nous permet d’utiliser plusieurs indicateurs des états de la population active pour chaque trimestre : (i) tous les répondants sont classifiés comme Occupant un emploi, En chômage ou Inactifs, d’après la définition du Bureau international du travail (BIT) en fonction des réponses données à une série de questions; (ii) on demande aux répondants de s’autodéclarer comme occupant un emploi, en chômage ou inactifs, ce qui constitue l’auto-évaluation de l’état; (iii) une question rétrospective porte sur l’état des répondants sur le marché du travail un an avant l’interview. Cette approche offre une façon d’estimer la mobilité sur le marché du travail en tenant compte des erreurs de mesure corrélées et du plan par renouvellement de l’enquête.
Plus précisément, le modèle qui convient le mieux est un modèle markovien à classes latentes (MMCL), dont les covariables touchant les transitions latentes et les erreurs corrélées font partie des indicateurs. On obtient le modèle mixte en présumant de l’existence de deux sous-populations non observables : les répondants mobiles, c’est-à-dire ceux qui changent d’état sur le marché du travail pendant la période à l’étude, et les répondants stables. Notre recherche a eu comme résultat secondaire que le modèle des répondants mobiles/stables et le MMCL estiment la même quantité d’erreur de mesure dans les données. Le meilleur ajustement de la spécification du modèle mixte est attribuable à des transitions latentes estimées avec une plus grande précision. Magidson, Vermunt et Tran (2007) ont également constaté que le modèle markovien mixte par CL convient mieux aux données que le modèle traditionnel. Toutefois, dans ce cas-ci, la différence pour ce qui est de l’ajustement était attribuable au fait que, comme l’hétérogénéité n’a pas été prise en compte, il s’en est suivi une surestimation de l’erreur de mesure.
Notre document examine les contributions récentes aux ouvrages scientifiques sur la question de l’estimation des mouvements bruts au moyen de la chaîne markovienne cachée et d’indicateurs multiples. Une description exacte du modèle se trouve dans Langeheine (1994). La méthode ne s’appliquait pas seulement à l’estimation des mouvements bruts sur le marché du travail, mais aussi à bien d’autres contextes, des données longitudinales étant disponibles. Paas, Vermunt et Bijmolt (2007), par exemple, ont estimé un MMCL pour étudier les tendances d’acquisition sur le marché des produits financiers; plusieurs indicateurs de détention de produits financiers ont été utilisés pour déterminer des segments du marché non observables directement, au sein desquels les clients pouvaient se déplacer à différentes reprises consécutives de mesure. Bartolucci, Lupparelli et Montanari (2009) ont estimé le même modèle pour les changements suivants de l’état de santé dans un échantillon de patients au fil du temps. Manzoni, Vermunt, Luijkx et Muffels (2010) ont appliqué un MMCL pour estimer les mouvements bruts sur le marché du travail suédois. Dans une étude plus récente, Pavlopoulos et Vermunt (2015) ont utilisé un modèle markovien pour estimer l’ampleur de l’erreur de mesure dans les renseignements de l’enquête sur la population active hollandaise et l’institut hollandais sur l’assurance pour les employés sur le type d’emploi (permanent ou temporaire).
Grâce à la contribution du présent document à la littérature scientifique au sujet de l’estimation des mouvements bruts, nous avons maintenant trois indicateurs, l’un d’eux étant recueilli rétrospectivement, sur l’état sur le marché du travail, et nous pouvons également tenir compte du plan par renouvellement de l’enquête. Le document contribue également à la littérature sur la qualité des données de l’EICPA (Bassi, Padoan et Trivellato 2012).
La présentation de l’article est la suivante. La section 2 présente le modèle traditionnel (ou standard) et le MMCL mixte. La section 3 décrit l’enquête et ses données. La section 4 compare les rendements du modèle traditionnel et du MMCL mixte. La section 5 présente les résultats, en s’appuyant sur le modèle convenant le mieux pour corriger les mouvements bruts sur le marché du travail à partir des erreurs de mesure. Les conclusions sont présentées à la section 6.
- Date de modification :