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 6. Conclusion
Le présent document propose une approche basée sur les classes latentes pour corriger les mouvements bruts à partir des erreurs corrélées. On met l’accent sur la capacité de tenir compte des erreurs de classification à l’étendue des données sur les panels, en raison du plan par renouvellement de l’enquête, qui entraîne des tendances aux données manquantes et à une hétérogénéité non observée.
L’approche des classes latentes a été appliquée aux transitions sur le marché du travail italien en fonction des trois états habituels (occupant un emploi, en chômage et inactif). Les données portent sur les années 2005 à 2009 et ont été recueillies dans le cadre de l’enquête italienne continue sur la population active auprès d’un échantillon de ménages italiens avec un plan par renouvellement de type 2-2-2 d’un trimestre à un autre. L’information sur l’état de la population active au cours d’un trimestre de référence a été recueillie à trois reprises : (i) les répondants ont été classifiés comme occupant un emploi, en chômage ou inactifs, conformément à la définition du Bureau international du travail en fonction des réponses à un groupe de questions en particulier; (ii) on a demandé aux répondants de se classifier comme occupant un emploi, en chômage ou inactifs (c’est-à-dire l’état auto-évalué); (iii) une question rétrospective visait à déterminer l’état sur le marché du travail un an plus tôt. Autrement dit, trois indicateurs de l’état sur le marché du travail étaient disponibles. Les trois indicateurs donnaient des descriptions très différentes du marché du travail italien, révélant un degré d’incohérence significatif. Ce phénomène indique une erreur de mesure dans les données.
Le modèle convenant le mieux était un MMCL reposant sur les personnes mobiles-stables, où les transitions latentes sur le marché du travail suivent une chaîne markovienne de premier ordre, les personnes stables déclarent toujours correctement leur état sur le marché du travail; pour les personnes mobiles, les erreurs de mesure étaient constantes au fil du temps et corrélées aux deux indicateurs d’auto-évaluation; le sexe et l’âge des répondants étaient inclus comme covariables; le plan par renouvellement de l’enquête était traité comme de l’information manquante sur une base aléatoire. Le modèle corrige les mouvements bruts observés vers un marché du travail plus stable et estime que l’indicateur de l’état sur le marché du travail basé sur la définition du BIT est touché par le plus grand degré d’erreur de mesure.
Deuxième conclusion : en cas d’hétérogénéité non observée, un MMCL mixte convient mieux aux données que le MMCL standard. Cette conclusion cadre avec d’autres rapports (par exemple Magidson et coll. 2007). Cependant, dans notre cas, les deux modèles estiment la même quantité d’erreur de mesure, la différence d’ajustement étant attribuable aux mouvements estimés. Au lieu de cela, les auteurs susmentionnés ont découvert une surestimation de l’erreur de mesure lorsque l’hétérogénéité non observée n’était pas prise en compte.
Un dernier facteur pris en considération a trait au plan d’échantillonnage de l’enquête, qui comporte deux degrés, comme indiqué à la section 3. Dans nos analyses, nous n’avons pas tenu compte du plan d’échantillonnage complexe, mais avons estimé les mouvements bruts de la population longitudinale fournie par l’Italian Institute of Statistics. Dans les recherches à venir, il serait intéressant de comparer comment les résultats peuvent être touchés par l’intégration de méthodes d’enquêtes à des échantillons complexes au moyen de notre stratégie d’estimation. Lu et Lohr (2010) ont déjà abordé le sujet d’une perspective intéressante.
Bibliographie
Bartolucci, F., Lupparelli, M. et Montanari, A. (2009). Latent Markov model for longitudinal binary data: An application to the performance evaluation of nursing homes. Annals of Applied Statistics, 3, 611-636.
Bassi, F., et Trivellato, U. (2009). A latent class approach for estimating gross flows in the presence of correlated classification errors. Dans Methodology of Longitudinal Surveys, (Éd., P. Lynn), Chichester: Wiley, 367-380.
Bassi, F., Padoan, A. et Trivellato, U. (2012). Inconsistencies in reported characteristics among employed stayers. Statistica, 1, 93-109.
Bassi, F., Torelli, N. et Trivellato, U. (1998). Stratégies de collecte de données et de modélisation dans l’estimation de flux bruts relatifs à la population active entachés d’erreurs de classification. Techniques d’enquête, 24, 2, 117-132. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/1998002/article/4348-fra.pdf.
Bassi, F., Croon, M., Hagenaars, J.A. et Vermunt, J.K. (2000). Estimating true changes when categorical panel data are affected by correlated and uncorrelated classification errors. An application to unemployment data. Sociological Methods and Research, 29, 230-268.
Biemer, P.P., et Bushery, J.M. (2000). Validité de l’analyse markovienne de structure latente pour l’estimation de l’erreur de classification des données sur la population active. Techniques d’enquête, 26, 2, 157-171. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/2000002/article/5534-fra.pdf.
Boschetto, B., Discenza, A.R., Lucarelli, C., Rosati, S. et Fiori, F. (2009). Longitudinal data for the analysis of Italian labor market flows. Italian Journal of Applied Statistics, 22, 129-150.
Bound, M., Brown C. et Mathiowetz N.A. (2001). Measurement error in survey data. Dans Handbook of Econometrics, (Éds., J.J. Heckman et E. Leamer), Amsterdam: Elsevier, 3705-3843.
Clark, K., et Summers, L.H. (1979). Labour market dynamics and unemployment: A reconsideration. Brooking Papers on Economic Activity, 1, 13-69.
Dayton, C.M., et McReady, G.B. (1988). Concomitant-variable latent-class models. Journal of the American Statistical Association, 83, 173-178.
Flinn, C.J., et Heckman, J.J. (1983). Are unemployment and out of the labour force behaviourally distinct market states? Journal of Labour Economics, 1, 28-42.
Gonul, F. (1992). New evidence on whether unemployment and out of the labour force are two distinct states. Journal of Human Resources, 27, 329-361.
Goodman, L. (1974). Exploratory latent structure analysis using both identifiable and unidentifiable models. Biometrika, 61, 215-231.
Hagenaars, J.A. (1994). Latent variables in log-linear models of repeated observations. Dans Latent Variable Analysis. Applications for Developmental Research, (Éds., A. von Eye et C. Clogg), Thousand Oaks (CA): Sage, 329-352.
Langeheine, R. (1994). Latent variable Markov models. Dans Latent Variable Analysis. Applications for Developmental Research, (Éds., A. von Eye et C. Clogg), Thousand Oaks (CA): Sage, 373-395.
Lu, Y., et Lohr, S. (2010). L’estimation des flux bruts dans les enquêtes à base de sondage double. Techniques d’enquête, 36, 1, 13-24. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/2010001/article/11248-fra.pdf.
Magidson, J., Vermunt, J.K. et Tran B. (2007). Using a mixture of latent Markov model to analyze longitudinal U.S. employment data involving measurement error. Dans New Trends in Psychometrics, (Éds., K. Shigemasu, A. Okada, T. Imaizumi et T. Hoshino), Tokyo: Universal Academy Press, 235-242.
Manzoni, A., Vermunt, J.K., Luijkx, R. et Muffels, R. (2010). Memory bias in retrospectively collected employment careers: A model-based approach to correct for measurement errors. Sociological Methodology, 40, 39-73.
Organisation internationale du travail (OIT) (2008). Résolution sur la mise à jour de la classification internationale type des professions, Genève. Article accessible à l’adresse http://www.ilo.org/public/french/bureau/stat/isco/docs/resol08.pdf.
Paas, L.J., Vermunt, J.K. et Bijmolt, T.H. (2007). Discrete-time discrete-state latent Markov modelling for assessing and predicting household acquisitions of financial products. Journal of the Royal Statistical Society, Series A, 170, 955-974.
Pavlopoulos, D., et Vermunt, J.K. (2015). Mesure de l’emploi temporaire. Les données d’enquête ou de registre disent-elles la vérité? Techniques d’enquête, 41, 1, 205-224. Article accessible à l’adresse http://www.statcan.gc.ca/pub/12-001-x/2015001/article/14151-fra.pdf.
Pavlopoulos, D., Muffles, R. et Vermunt, J.K. (2012). How real is mobility between low pay, high pay and non-employment? Journal of the Royal Statistical Society, Series A, 170, 749-773.
Poterba, J.M., et Summers, L.S. (1986). Reporting errors and labour market dynamics. Econometrica, 54, 1319-1338.
Richiardi, M. (2002). What does the ECHP tell us about labour status misperception? A journey in less known regions of labour discomfort. LABORatorio Revelli, document de travail no 69.
van de Pol, F., et Langeheine, R. (1990). Mixed Markov latent class models. Sociological Methodology, 33, 231-247.
Vermunt, J.K. (1997). Log-Linear Models for Event History. Thousand Oaks (CA): Sage.
Vermunt, J.K. (2010). Longitudinal research using mixture models. Dans Longitudinal Research with Latent Variables, (Éds., K. van Montfort, J.H.L. Oud et A. Satorra), Heidelberg: Springer, 119-152.
Vermunt, J.K., et Magidson, J. (2008). LG-Syntax User’s Guide: Manual for Latent GOLD 4.5 Syntax Module. Belmont, MA: Statistical Innovations Inc.
Vermunt, J.K., et Magidson, J. (2013). Technical Guide for Latent Gold 5.0. Basic, Advanced, and Syntax. Belmont, MA: Statistical Innovations Inc.
Vermunt, J.K., Tran, B. et Magidson, J. (2008). Latent class models in longitudinal research. Dans Handbook of Longitudinal Research: Design, Measurement, and Analysis, (Éd., S. Menard), Burlington, MA: Elsevier, 375-385.
Wiggins, L.M. (1973). Panel Analysis: Latent Probability for Attitude and Behavior Processes. New York: Elsevier Scientific.
- Date de modification :