Projet Économétrique :Le lieu d’habitation a-t-il une incidence sur les opportunités d’emploi ou les salaires ?

Approche Méthodologique et Modèles

1. Préparation et Filtrage des Données

• Filtrage des individus en âge de travailler (15 < AGE ≤ 64 ans).
• Sélection des individus actifs (en emploi ou au chômage, ACTEU %in% c(1,2)).
• Recodage de la variable d'intérêt ACTEU (1 = En emploi, 0 = Chômage).
• Identification des variables géographiques clés : DENS2022 (densité de population), QPV (Quartier Prioritaire de la Ville), METRODOM (région métropolitaine/DOM), REG, STCOMM2020.

2.Statistiques Descriptives

• Statistiques descriptives univariés (créations de graphiques) et premiers constats.
• Statistiques descriptives bivariées : Relation entre le lieu d’habitation et le statut d’emploi ,Relation entre le lieu d’habitation et le salaire
• Conclusion des analyses descriptives, formulation d'hypothèses et test de significativité

3. Modèle 1 : Impact du lieu d’habitation sur le salaire (SALRED_Y)

• Méthodologie : Utilisation de la méthode des Moindres Carrés Ordinaires (MCO) sur un modèle semi-logarithmique (log(SALRED_Y)) pour interpréter les coefficients en termes de variations relatives (%).
• Traitement des données : Identification d'une forte colinéarité entre le lieu d'habitation (STCOMM2020) et l'appartenance à un Quartier Prioritaire de la Ville (QPV), menant à l'exclusion de cette dernière pour stabiliser le modèle.
• Variables mobilisées : Lieu d’habitation (Banlieue, Centre-ville, Hors unité urbaine, Ville isolée), Âge, Sexe et Niveau de diplôme (DIP7).
• Résultats clés :
  • Géographie : Vivre en centre-ville ou hors unité urbaine réduit le salaire de 6,1% à 6,6% par rapport à la catégorie de référence.
  • Socio-démographie : L'âge a un effet positif (+1,27% par an), tandis qu'être une femme réduit le salaire de 29,8%, toutes choses égales par ailleurs.
• Validation statistique :
  • Vérification de la normalité des résidus et de l'absence de multicolinéarité immédiate pour les variables numériques.
  • Réalisation d'un test de Wald (Fisher) confirmant la significativité globale du modèle et l'importance cruciale de la variable SEXE dans l'explication des écarts salariaux.

4. Modèle 2 : Impact sur l'Emploi (ACTEU recodé)

Objectif : Analyser les déterminants de l'accès à l'emploi (variable binaire ACTEU : en emploi vs au chômage) en fonction du profil socio-démographique et géographique.

• Méthodologie : Mise en œuvre d'une régression logistique (Logit), adaptée à la nature catégorielle de la variable expliquée. Les résultats sont exprimés en log-odds (logarithme du rapport des chances).
• Traitement des données : Recodage de la variable ACTEU en format binaire et transformation des variables explicatives (Sexe, Lieu d'habitation, Diplôme) en facteurs pour permettre une analyse par catégories de référence.
• Variables mobilisées :
  • STCOMM : Lieu de résidence (Référence : Hors unité urbaine).
  • AGE, SEXE (Référence : Homme), DIP7 (Référence : Bac+5).
• Résultats clés :
  • Lieu d'habitation : Habiter en ville-centre réduit significativement les chances d'emploi par rapport aux zones rurales (coef: -0,220). L'effet pour les villes isolées n'est pas statistiquement significatif.
  • Facteurs individuels : L'âge favorise l'accès à l'emploi (effet de l'expérience), tandis qu'être une femme réduit la probabilité d'être en emploi (coef: -0,090), confirmant des disparités de genre.
  • Éducation : Le diplôme est un levier majeur ; les chances d'emploi croissent avec le niveau de formation initiale.
• Conclusion : Le modèle souligne que l'insertion professionnelle ne dépend pas seulement des compétences (diplôme, âge), mais reste fortement marquée par des inégalités territoriales et de genre.