Introduction
1Malgré une réduction au cours des dernières décennies, il existe encore d’importantes inégalités salariales entre les hommes et les femmes. Après avoir fortement baissé entre 1960 et 1990, ces inégalités semblent maintenant se résorber de moins en moins vite (Meurs et Ponthieux, 2006a, 2006b) [1]. L’Observatoire des inégalités rappelle également qu’en 2013 les femmes ne gagnaient en moyenne que 83 % du salaire des hommes [2].
2De nombreuses explications sont mises en avant pour analyser ces disparités salariales, comme par exemple les différences d’orientation entre hommes et femmes. Dans le secondaire, les femmes représentent 80 % des étudiantes de l’ancienne filière L et 90 % de celles de la filière ST2S. De même, elles ne représentaient que 30 % des effectifs dans les écoles d’ingénieur en 2014 [3]. Ces différences d’orientation engendrent des différences de qualifications et de secteurs qui se traduisent à leur tour par des revenus inégaux. Outre ces différences de destins scolaires et leurs conséquences sur l’emploi, les femmes sont plus souvent confrontées à des interruptions de carrière ou à du temps partiel subi que leurs collègues masculins. Toutefois, ces facteurs sont souvent insuffisants pour rendre compte de l’ensemble des inégalités salariales. Meurs et Ponthieux (2006a, 2006b) indiquent ainsi que les écarts de salaires sont réduits à 6.9 %, mais restent largement significatifs, une fois contrôlées les différences observables d’emplois et de caractéristiques individuelles. Deux catégories d’explications sont alors mobilisées pour expliquer la différence résiduelle, celles basées sur les discriminations (Becker, 1957 ; Arrow, 1972a, 1972b ; pour une revue voir : Havet et Sofer, 2002) et celles mettant en avant des différences d’attitudes et de croyances entre hommes et femmes. Celles-ci, souvent inculquées dès l’enfance, peuvent impacter les comportements et les résultats sur le marché du travail.
3Ces derniers travaux s’appuient généralement sur les découvertes de la psychologie sociale. Les hommes apparaissent en moyenne plus confiants que les femmes quant à leurs compétences (Beyer, 1990, 1999a, 1999b ; Lundeberg et Puncochar, 1994), cette différence pouvant générer des écarts de rémunérations (Palomino et Peyrache, 2010). D’autres études mettent en avant un degré d’aversion différent à la compétition entre hommes et femmes, détectable dès le plus jeune âge (Gneezy et Rustichini, 2004) et qui pourrait se répercuter sur le marché du travail (voir notamment les travaux de Ors, Palomino et Peyrache, 2013). Le degré d’aversion au risque est également un facteur discuté. Les femmes étant généralement plus averses au risque que les hommes (Charness et Gneezy, 2012 ; Hibbert, Lawrence et Prakash, 2013 ; March et Sahm, 2018) [4], elles pourraient faire des choix de carrière différents qui se traduisent in fine par une différence de revenu. Ces résultats ont motivé un regain d’intérêt pour la formation et la transmission intergénérationnelle des préférences, notamment quand elles entraînent des inégalités entre individus (Gay, 2019).
4Dans le cas des inégalités salariales, ces différences d’attitudes peuvent être expliquées, ou être accentuées, par des différences de point de référence dans la détermination de ce qu’est un salaire juste ou satisfaisant. En effet, Baudelot, Christian et Serre (2006) montrent que certaines femmes intériorisent le rôle secondaire ou d’appoint de leur salaire dans leurs foyers et se contenteraient d’une paie inférieure à celle d’un homme à travail équivalent [5].
5Les différences comportementales, d’attitudes ou de croyances sont rarement intégrées dans les équations de salaires couramment employées par les statisticiens et les économètres puisque celles-ci sont, par nature, difficilement observables. Aussi, les chercheurs emploient le plus souvent des méthodes expérimentales afin d’en mesurer les conséquences (Larribeau, Masclet et Peterle, 2013). La portée de ces travaux reste alors souvent limitée par la nature même des méthodologies employées : si elles sont capables de mettre au jour une différence causale, celle-ci est mesurée dans le cadre très spécifique de l’expérience contrôlée, souvent éloignée des interactions quotidiennes [6].
6L’objectif de cet article est d’illustrer ces différences d’attitudes en utilisant une étude de cas issue du « monde réel » : les annonces de cours particuliers sur internet. Les élèves et étudiants français semblent recourir de plus en plus massivement à des cours particuliers, notamment de soutien scolaire, engendrant un marché dont la valeur est estimée à 1.5 milliard d’euros [7]. L’offre sur ce marché est traditionnellement duale avec, d’une part, des entreprises privées (Acadomia, Anacours, Cours Legendre, etc.) et, d’autre part, des individus proposant leurs services de professeur. Toutefois, le secteur voit depuis quelques années apparaître de nouveaux acteurs qui facilitent la mise en relation des offreurs individuels de cours particuliers avec les demandeurs (comme la plateforme généraliste Leboncoin ou d’autres spécialement dédiées : Superprof, ProfesseurParticulier.com, etc.) [8].
7Ces plateformes en ligne présentent deux aspects intéressants pour l’étude des différences de comportements entre hommes et femmes et la manière dont elles se traduisent par des différences de revenus.
8En premier lieu, les annonceurs choisissent leur prix. Celui-ci nous renseigne donc sur les croyances des offreurs quant à la qualité de leurs cours, ou du moins, quant à sa valeur marchande. Si ce prix annoncé peut éventuellement être renégocié par les acheteurs, la littérature économique insiste sur l’importance stratégique de ce prix initial puisqu’il influence la suite des négociations entre vendeurs et acheteurs (voir entre autres : Backus, Blake et Tadelis, 2015 ; Cardella, Eric et Seiler, 2016 ; Loschelder, Friese et Trötschel, 2017). Notamment, ces prix initiaux peuvent servir à attirer des types particuliers de consommateurs ou à signaler la qualité du produit quand celle-ci est difficilement perceptible a priori (Wolinsky, 1983 ; Bagwell et Riordan, 1991 ; Kirmani et Rao, 2000 ; Riley, 2001). Sur le marché du travail plus spécifiquement, et bien que « ces prix annoncés » soient généralement choisis par l’employeur (qui rédigent les offres d’emploi et non l’offreur comme dans notre étude), ils jouent également un rôle central dans les modèles d’appariement : une entreprise peut les utiliser afin d’attirer des candidats aux qualifications adéquates (Moen, 1997 ; Eeckhout et Kircher, 2010). Par conséquent, notre étude permet de discuter la manière dont une variable éminemment stratégique est fixée.
9En second lieu, ces plateformes engendrent une forte concurrence entre offreurs, puisque les consommateurs potentiels peuvent facilement comparer les profils de plusieurs professeurs [9]. Si hommes et femmes diffèrent dans leurs croyances quant à la qualité de leurs services ou dans leur degré d’aversion à la compétition, ces différences devraient se refléter dans les prix proposés.
10Un autre avantage du secteur des cours particuliers est que les offreurs ont intérêt à présenter leurs diplômes et les matières qu’ils enseignent. Ce point résulte à la fois d’une demande des potentiels clients (s’assurer des compétences des professeurs) et parfois aussi de la (relative) standardisation des annonces opérées par les plateformes (notamment les sites spécialisés) qui, en créant des « cases » sur leurs sites (prix, disciplines, etc.), poussent les annonceurs à les remplir [10]. En plus de permettre de vérifier les différences de spécialisation entre hommes et femmes, ce secteur permet ainsi de contrôler (au moins indirectement) pour le degré de qualification du professeur, une variable qui s’avère souvent cruciale dans les analyses de disparités salariales (Card, 1999). Enfin, un autre aspect intéressant relatif aux « plateformes » en ligne (souligné par Malardé et Pénard, 2019) est que le genre des utilisateurs semble peu corrélé avec les types d’usages. Aussi, si nous observons une différence de prix, il nous semble peu probable qu’elle provienne d’une différence de maîtrise ou de connaissance de ces outils.
11Dans cet article, nous avons construit deux bases de données à partir d’annonces de cours particuliers publiées sur les sites ProfesseurParticulier.com et leboncoin.fr. Cet article se concentre principalement sur la première base de données qui était plus complète mais nous vérifions (en annexe) nos résultats en utilisant la base construite sur leboncoin.fr. Si nos bases de données ne sont pas exemptes de problèmes empiriques, elles nous permettent d’observer pour chaque annonce (a) si l’annonceur utilise des mots au féminin, révélant partiellement son genre [11], (b) le prix proposé par l’annonceur pour son cours particulier et (c) les disciplines enseignées.
12À partir de ces observations, nous montrons quatre résultats principaux. (1) Le marché des cours particuliers est largement segmenté par matière et par genre. Cette segmentation reproduit en partie les différences d’orientation observées dans l’enseignement, notamment dans le secondaire et l’enseignement supérieur. Ce premier résultat suggère la pertinence de notre cas d’étude. Il confirme que les différences d’orientation scolaire génèrent une segmentation du marché du travail. (2) Les annonces de cours particuliers rédigées au féminin sont associées à des prix moyens inférieurs à celles dont le genre ne transparaît pas. (3a) Ce dernier résultat s’explique en partie par la segmentation par matière du marché des cours particuliers. À l’image de ce qui est observé dans les statistiques nationales avec les secteurs d’activités, les femmes semblent surreprésentées dans des disciplines qui rémunèrent moins. (3b) Si la différence de prix s’explique en partie par des différences d’orientation, celles-ci ne suffisent pas à rendre compte de l’ensemble de la différence de prix. De fait, en contrôlant pour les disciplines et d’autres variables (qualifications, styles d’annonce, etc.), nous continuons à observer des prix inférieurs dans les annonces rédigées au féminin. (4) Enfin, nous constatons une seconde segmentation du marché des cours particuliers, cette fois-ci par niveau et par genre. Les annonces rédigées au féminin sont plus susceptibles que celles non genrées de proposer des cours de soutien scolaire ou à destination de jeunes élèves (primaire ou collège). Nous montrons que cette seconde segmentation, associée à celle par matière, permet d’expliquer dans une large mesure les différences de prix. Ces résultats nous semblent cohérents avec une différence de croyance entre hommes et femmes qui conduirait ces dernières à s’autodiscriminer (choisir des segments moins rémunérateurs). Toutefois, nous discutons (et ne pouvons pas exclure entièrement) une autre explication : les femmes anticiperaient des discriminations (certains clients refuseraient d’embaucher des professeurs femmes au même prix que les hommes) et diminueraient alors leurs prix ou se cantonneraient à des segments du marché où ces discriminations sont moindres.
13Cet article se compose de 6 parties. Nous commençons par détailler notre cadre conceptuel et nos hypothèses empiriques (partie 1), puis nous présentons notre base de données (partie 2). Dans la partie 3, nous illustrons le fait que le secteur des cours particuliers est segmenté par matière et par genre. Nous montrons ensuite (partie 4) qu’il existe une différence de prix entre les annonces écrites avec un genre féminin explicite et celles écrites sans genre explicite (i.e. au masculin). Dans la partie 5, nous nous appuyons sur la segmentation par matière pour expliquer la différence de prix observée. Nous montrons également qu’il existe une segmentation par niveau : les annonces rédigées au féminin étant surreprésentées dans les secteurs les moins rémunérateurs du marché des cours particuliers (notamment, le soutien scolaire et les cours aux étudiants les plus jeunes). La partie 6 conclut.
1. Cadre conceptuel et hypothèses
14Dans cet article, nous soutenons que l’exemple des annonces de cours particuliers est pertinent pour appréhender les différences entre hommes et femmes sur le marché du travail. Notamment, l’étude des prix des annonces – qui sont proposés par les annonceurs – permet indirectement d’observer si les hommes et les femmes se comportent et ont les mêmes attentes en termes de rémunération. Avant de justifier et d’énoncer l’hypothèse principale qui guidera nos analyses, il nous semble toutefois important d’en tester une autre, préliminaire.
15Hypothèse 0 : Il existe une différenciation par sexe dans les matières enseignées.
16Cette hypothèse nous semble apporter une information quant à la représentativité de notre échantillon et, dans une certaine mesure, quant à la validité externe de notre étude. En effet – et bien que les professeurs de cours particuliers forment un public sélectionné –, il semble intuitif que des données sur les cours particuliers doivent refléter les différenciations de genre observées et commentées en matière d’orientation scolaire (sur ce thème de l’orientation scolaire, voir Chazal et Guimond, 2003 ; Vouillot 2007, 2010).
17Comme nous l’avons expliqué en introduction de cet article, la segmentation du marché du travail explique une partie des différences de salaires entre homme et femme. Toutefois, ces dernières ne sont pas entièrement expliquées par des différences de secteurs et de caractéristiques observables des travailleurs (Meurs et Ponthieux, 2006a, 2006b). Cette observation conduit à nos hypothèses principales.
18Hypothèse 1 : Les femmes choisissent des prix inférieurs pour leurs annonces.
19Hypothèse 2 : Les différences d’orientations expliquent en partie les différences de prix de cours particuliers proposés par les hommes et les femmes, mais en partie seulement.
20Comment expliquer cette hypothèse ? En cohérence avec les travaux de psychologie sociale (notamment, Palomino et Peyrache, 2010) qui rendent compte d’un possible excès de confiance des hommes quand les femmes souffriraient d’un manque de confiance en leurs capacités, nous suggérons que les femmes vont être surreprésentées dans les segments les moins rémunérateurs du marché des cours particuliers. Nous faisons donc l’hypothèse suivante :
21Hypothèse 3 : Les femmes sont surreprésentées sur des segments moins rémunérateurs du marché des cours particuliers. Notamment, elles sont surreprésentées dans les cours de soutien scolaire.
22Nos hypothèses empiriques sont également compatibles avec une anticipation des discriminations sur le marché du travail. Si une professeure anticipe qu’elle ne trouvera pas d’élèves si elle fixe un prix identique à celui d’un homme, elle pourrait décider d’en fixer un moindre ou de se spécialiser sur des segments où les discriminations seraient moins prononcées. L’explication que nous mettons en avant fait davantage appel à des mécanismes inconscients qu’à une réaction stratégique face à des discriminations anticipées. Dans ce qui suit, nous commentons nos résultats à la lumière de ces deux possibles mécanismes.
2. Sources de données et statistiques descriptives
2.1. Sources de données
23Afin de tester nos hypothèses, nous avons construit deux bases de données. La première utilise 10 225 annonces de cours particuliers récupérées [12] sur le site internet leboncoin.fr en octobre 2017. Le second échantillon fut construit en octobre 2018 à partir du site internet professeurparticulier.com. Si nous souhaitions initialement collecter nos données sur le même site, leboncoin.fr a entre-temps interdit la récupération automatisée d’informations et c’est pourquoi les sources d’observations diffèrent. Notre second échantillon – une fois les doublons éliminés [13] – contient 3 234 observations, dont 3 232 avec un prix horaire égal ou supérieur à 5 euros [14]. Comme ces deux bases de données ont été constituées à des périodes différentes et sur des sites différents, elles ne contiennent pas toujours les mêmes informations. Dans ce qui suit, nous concentrons nos analyses sur la base obtenue sur professeurparticulier.com qui, plus récente, contient aussi des informations plus précises. En revanche, cette base de données compte moins d’observations. Aussi, nos résultats sont généralement plus robustes quand nous utilisons la base de données construite sur leboncoin.fr. Nous les présentons en annexe de cet article (annexe C).
2.2. Variables principales
24Dans cette étude, nous nous concentrons sur trois variables : le prix horaire des cours particuliers proposés par l’annonceur (le professeur), le genre de l’annonceur et les disciplines enseignées. Nous avons recherché ces informations dans le corps des annonces, dans leurs titres et dans leurs sous-titres.
25Le prix horaire proposé est généralement précisé dans le corps des annonces ou dans leurs titres et ne présente pas de difficulté de mesure particulière. La seule exception étant quand le prix dans le titre de l’annonce est nuancé dans le corps du texte (par exemple quand un annonceur propose un rabais pour des cours en groupe). Dans ce cas, nous utilisons le prix principal. Précisons une fois encore qu’il s’agit d’un prix annoncé et pas nécessairement du prix d’échange du service : si cela semble assez rare, un client pourrait négocier pour obtenir un prix plus bas. Selon nous, ce point constitue une force plutôt qu’une faiblesse de notre analyse puisque le prix étudié reflète de façon plus fidèle les stratégies des annonceurs et leurs croyances quant à la qualité de leurs services que le prix d’échange réel.
26Le fait que nous utilisions un prix horaire peut toutefois poser question. Les femmes et les hommes pourraient enseigner un nombre d’heures différent, ce qui pourrait accentuer ou diminuer des différences de rémunération totales. Étudier le prix horaire nous semble suffisamment intéressant mais nous reconnaissons qu’il s’agit là d’une limite de notre source de données exploitant (uniquement) les annonces.
27Le genre des annonceurs est en revanche difficile à déterminer car les sites étudiés n’imposent pas aux annonceurs de le préciser [15]. Aussi, le genre doit s’observer indirectement. Pour ce faire, nous avons détecté (automatiquement, puis manuellement) les termes aux féminins dans les annonces, comme par exemple « diplômée », « ingénieure », « professeure », etc.
28Malgré nos vérifications, il est probable que le genre des annonceurs ne soit pas parfaitement observé dans nos bases de données. En effet, une annonceuse peut rédiger son offre en employant exclusivement des termes non genrés. Ce problème de mesure a selon nous deux conséquences distinctes sur notre analyse.
29En premier lieu, il apparaît que nous sommes capables d’observer le genre de l’annonceur uniquement dans le cas où celui-ci transparaît de façon explicite dans les annonces. Dans ce cas, l’interprétation de notre variable principale s’en trouve modifiée. En effet, elle ne mesure pas le sexe (biologique) ni le genre (en tant que construction sociale), mais le fait de rédiger une annonce au féminin. Ce point est important car il permet de discuter un second mécanisme explicatif quant à une différence de prix entre hommes et femmes : les discriminations et les anticipations de ces discriminations. Puisque l’annonceur rédige son annonce, si une femme anticipe que révéler son genre va lui porter préjudice (moins de clients potentiels la contacteraient), elle pourrait simplement le cacher. Le mécanisme que nous mettons en avant – davantage centré sur la confiance en ses capacités et l’aversion à la compétition – est vraisemblablement plus inconscient et appelle moins une réponse « stratégique » (occulter son genre). La possibilité de masquer stratégiquement son genre a toutefois deux conséquences sur nos estimations : (a) nous identifions les éventuelles différences de prix en nous appuyant sur les femmes qui n’anticipent pas de discrimination et révèlent leur genre ou, du moins, celles qui estiment que « le cacher » est inutile. (b) Si les deux mécanismes – discrimination et manque de confiance – sont à l’œuvre et que des femmes cachant leur genre proposent des annonces à des prix inférieurs (car elles sous-estiment également leurs compétences), alors la différence de prix que nous observons est vraisemblablement sous-estimée. En effet, des annonces rédigées par des femmes (et des cours proposés à des prix moindres) seront rédigées sans genre apparent, atténuant la différence de prix observée.
30En second lieu, notre variable souffre vraisemblablement d’une erreur de mesure non corrélée avec la manière dont les annonceuses fixent leur prix. Cela peut notamment être le cas si une annonceuse pour qui il importe peu de révéler ou de cacher son genre emploie par hasard des termes exclusivement au masculin ou si un homme écrit par erreur des termes au féminin. Cette erreur de mesure risque d’engendrer un biais d’atténuation dans nos analyses (Aigner, 1973) et donc, une fois de plus, de minorer les différences de prix mesurées entre annonces rédigées au féminin et celles sans genre explicite.
31Enfin, en lien avec les hypothèses 0 et 2, il est également primordial d’observer les disciplines proposées par les annonceurs. Là aussi, nous nous sommes appuyés sur un certain nombre de mots clés que nous avons recherchés dans les annonces (comme « maths », « français », « musique », « informatique », etc.). Cette procédure a été complétée par une vérification manuelle de chacune des observations.
2.3. Variables de contrôle
32L’offre de cours particuliers est particulièrement diverse et met en concurrence des professionnels de l’enseignement et des personnes sans qualification recherchant un revenu d’appoint. Aussi, il est important de contrôler pour l’expertise des professeurs. Le site professeurparticulier.fr permet une première opérationnalisation de ce contrôle puisqu’il est possible pour un annonceur d’y déposer un diplôme que le site vérifie ensuite. Nous utilisons cette information (un diplôme vérifié par le site) comme première variable approximant les qualifications du professeur.
33Par ailleurs, nous avons détecté des mots clés comme « professeur », « docteur », « ingénieur » [16] dans les annonces. Ces termes nous renseignent également sur les qualifications de l’enseignant. Contrôler pour ces « titres » est d’autant plus important que des études réalisées sur le marché du travail (notamment Marinescu et Wolthoff, 2020) montrent qu’ils véhiculent énormément d’information. Sur le marché du travail, ces titres participent activement à la sélection des candidats. Dans notre étude de cas, ils envoient un important signal sur la qualification du professeur.
2.4. Échantillon
34Le tableau 1 décrit nos variables principales et présente pour chacune d’entre elles des statistiques descriptives.
Table 1. Statistiques descriptives
| Variable | Obs | Moyenne | Dev. Std. | Min | Max |
| Prix | 3232 | 22.898 | 10.664 | 5 | 90 |
| Annonces rédigées au féminin | 3232 | 0.314 | 0.464 | 0 | 1 |
| Primaire | 3232 | 0.112 | 0.319 | 0 | 1 |
| Collège | 3232 | 0.207 | 0.405 | 0 | 1 |
| Lycée | 3232 | 0.245 | 0.430 | 0 | 1 |
| Diplôme | 3232 | 0.138 | 0.345 | 0 | 1 |
| Image | 3232 | 0.650 | 0.477 | 0 | 1 |
| Annonce à jour | 3232 | 0.613 | 0.487 | 0 | 1 |
| Professeur(e) | 3232 | 0.377 | 0.485 | 0 | 1 |
| Agrégé(e) | 3232 | 0.025 | 0.156 | 0 | 1 |
| Docteur(e) | 3232 | 0.026 | 0.160 | 0 | 1 |
| Ingénieur(e) | 3232 | 0.100 | 0.300 | 0 | 1 |
| Mathématiques | 3232 | 0.313 | 0.464 | 0 | 1 |
| Langues étrangères | 3232 | 0.210 | 0.407 | 0 | 1 |
| Physique-Chimie | 3232 | 0.093 | 0.290 | 0 | 1 |
| Français | 3232 | 0.123 | 0.328 | 0 | 1 |
| Histoire | 3232 | 0.022 | 0.146 | 0 | 1 |
| Économie-Gestion | 3232 | 0.021 | 0.144 | 0 | 1 |
| Musique | 3232 | 0.140 | 0.347 | 0 | 1 |
| Art | 3232 | 0.025 | 0.155 | 0 | 1 |
| Informatique | 3232 | 0.028 | 0.166 | 0 | 1 |
| Biologie | 3232 | 0.019 | 0.136 | 0 | 1 |
| Droit | 3232 | 0.029 | 0.168 | 0 | 1 |
| Santé | 3232 | 0.007 | 0.086 | 0 | 1 |
| Philosophie | 3232 | 0.018 | 0.132 | 0 | 1 |
| Marketing | 3232 | 0.006 | 0.076 | 0 | 1 |
| Sport | 3232 | 0.030 | 0.170 | 0 | 1 |
| Culture générale | 3232 | 0.004 | 0.061 | 0 | 1 |
| Autre | 3232 | 0.140 | 0.347 | 0 | 1 |
Table 1. Statistiques descriptives
3. La segmentation du marché des cours particuliers
35Nous commençons nos analyses par l’étude du lien entre genre de l’annonceur et discipline enseignée. Pour ce faire, nous reportons dans le tableau 2, pour chaque discipline possible, le pourcentage d’annonces avec un genre féminin explicite. Pour chaque matière, nous testons ensuite une différence de moyenne entre annonces au féminin et celles sans genre explicite. Cela nous renseigne sur la probabilité de faire référence à cette matière dans une annonce. De même, nous reportons un « rapport des chances » qu’une annonce fasse mention de cette discipline en fonction de si elle est écrite avec un genre féminin explicite ou non. Le rapport des chances est calculé grâce à une série de régressions logistiques. Pour chaque matière, nous avons régressé une variable prenant la valeur 1 si la matière est évoquée dans l’annonce et 0 autrement. Notre (unique) variable explicative est une variable binaire prenant la valeur 1 quand l’annonce est rédigée avec un genre féminin explicite et 0 autrement.
36Le tableau 2 fait apparaître des différences de probabilité qu’une matière soit évoquée. Les annonces écrites avec un genre féminin explicite concerneraient significativement moins les mathématiques, la physique-chimie, l’informatique et le sport. À l’inverse, nous observons une relative surreprésentation des annonces rédigées au féminin proposant des cours de langues étrangères, de français, d’histoire, de santé et de philosophie par rapport à celles sans genre explicite.
37Ces différences reproduisent dans une large mesure celles observées en matière d’orientation scolaire. Ce point, relativement attendu est toutefois rassurant pour nos analyses ultérieures.
38Au-delà de cet aspect rassurant, ce résultat confirme notre « hypothèse 0 ». Par ailleurs, il illustre comment des différences d’orientation génèrent une segmentation du marché du travail. Puisque les hommes et les femmes se spécialisent dans des disciplines différentes, ils acquièrent des compétences et une expertise dans des domaines différents. Les individus pouvant devenir professeur particulier dans une discipline particulière – bien que largement sélectionné et donc non directement représentatif de l’ensemble des étudiants – diffèrent en fonction de leur genre.
Table 2. Genre et discipline proposée
| Sujet | Pourc. Femmes | Diff F-H | Sig. | Odds Ratios (F/H) | Sig. |
| Mathématiques | 24.4 % | -10.2 % | *** | 0.610 | *** |
| Langues étrangères | 28.2 % | 10.5 % | *** | 1.824 | *** |
| Physique-Chimie | 4.8 % | -6.4 % | *** | 0.400 | *** |
| Français | 18.2 % | 8.7 % | *** | 2.112 | *** |
| Histoire | 3.3 % | 1.6 % | ** | 1.983 | ** |
| Économie-Gestion | 1.5 % | -0.9 % | * | 0.613 | * |
| Musique | 12.5 % | -2.2 % | * | 0.831 | * |
| Art | 2.9 % | 0.6 % | 1.251 | ||
| Informatique | 1.4 % | -2.1 % | *** | 0.384 | ** |
| Biologie | 1.9 % | 0.0 % | 0.989 | ||
| Droit | 2.8 % | -0.2 % | 0.926 | ||
| Santé | 1.2 % | 0.6 % | ** | 2.202 | * |
| Philosophie | 2.6 % | 1.2 % | ** | 1.857 | ** |
| Marketing | 0.4 % | -0.3 % | 0.582 | ||
| Sport | 0.7 % | -3.3 % | *** | 0.166 | *** |
| Culture générale | 0.6 % | 0.3 % | 2.194 | ||
| Autre | 15.0 % | 1.5 % | 1.127 |
Table 2. Genre et discipline proposée
* p < 0.10, ** p < 0.05, *** p < 0.014. Les différences de prix dans les annonces de cours particuliers
4.1. Méthode
39Nous présentons maintenant notre analyse principale. Afin de déterminer si les annonces rédigées en employant des termes féminins sont proposées aux mêmes prix que les annonces rédigées sans genre explicite, nous avons régressé l’équation suivante :
Prixid = 𝛽GenreFéminini + Xi𝜃 + 𝜇d + 𝜀id
41où i indique une annonce de cours particulier et d indique le département dans lequel réside le professeur. Prix est le prix (horaire) de l’annonce en euros. GenreFéminini est notre variable principale ; il s’agit d’une variable binaire prenant la valeur 1 si l’annonce emploie des termes féminins – suggérant que l’auteur est une femme – et 0 autrement. Par conséquent, 𝛽 indique la différence de prix entre annonces rédigées en employant le genre féminin et celles non genrées.
42Le vecteur Xi représente nos variables de contrôle. En particulier, nous contrôlons pour les facteurs suivants en utilisant des variables binaires : (a) le fait que l’annonceur utilise une photo sur son annonce, (b) le fait qu’il poste (et que le site vérifie) ses diplômes, (c) le fait qu’il indique un statut particulier et notamment qu’il soit professeur, docteur, ingénieur, agrégé, etc.
43Finalement, 𝜇d sont des effets fixes au niveau des départements. Ils permettent de contrôler pour les variations géographiques des prix des cours particuliers. 𝜀id est le terme d’erreur, nous regroupons (« clusterons ») les erreurs par département afin de prendre en compte la probable corrélation entre ces termes d’erreurs.
44Nous complétons cette analyse par une autre, qui utilise les mêmes variables explicatives mais modifie la variable expliquée. À partir de la variable Prixid, nous avons construit deux variables binaires qui mesurent respectivement si le prix de l’annonce i figure parmi les 10 % des prix les plus élevés (Top 10 % Prix) ou au contraire si celui-ci compte parmi les 10 % des prix les plus faibles (Bottom 10 % Prix). Ainsi, ces variables permettent d’observer quelles annonces appartiennent aux extrémités de la distribution des prix. Dans notre analyse principale, nous utilisons un modèle de probabilité linéaire. Nous procédons ainsi afin de faciliter l’interprétation des résultats même si nous sommes conscients des limites de ce modèle (Horrace et Oaxaca, 2006). Nous contrôlons nos résultats en employant un modèle logistique en annexe (tableau B.2).
4.2. Résultats
45Nos premiers résultats sont présentés dans le tableau 3. Dans ce tableau, la colonne (1) indique la différence de prix observé quand nous ne contrôlons pas pour les différences de qualifications au travers des variables « docteurs », « ingénieurs », « professeurs » et « agrégés ». Nous contrôlons pour ces éléments dans la colonne (2). Dans la colonne (3), nous avons ré-estimé le modèle précédent en utilisant la variable « Top 10 % Prix ». Enfin, dans la colonne (4) nous utilisons la variable « Bottom 10 % Prix » comme variable expliquée.
Table 3. Genre et différence de prix des annonces
| (1) | (2) | (3) | (4) | |
| Prix (euros) | Prix (euros) | Top 10% Prix | Bottom 10% Prix | |
| Genre | ||||
| Femme | -1.452*** (0.388) | -1.415** (0.420) | -0.030** (0.014) | 0.025 (0.016) |
| Vérification site | ||||
| Diplôme vérifié | 2.471*** (0.625) | 2.178** (0.666) | 0.068** (0.023) | -0.045** (0.014) |
| Niveau de qualification | ||||
| Professeur(e) | 2.318*** (0.409) | 0.029* (0.016) | -0.095*** (0.012) | |
| Agrégé(e) | 8.233*** (1.447) | 0.251*** (0.043) | -0.046*** (0.013) | |
| Docteur(e) | 4.533** (2.095) | 0.123** (0.053) | -0.015 (0.028) | |
| Ingénieur(e) | -1.167** (0.583) | -0.043** (0.021) | -0.039** (0.019) | |
| Effet Fixe de Département | OUI | OUI | OUI | OUI |
| Obs | 3227 [17] | 3227 | 3227 | 3227 |
| R2 | 0.162 | 0.197 | 0.117 | 0.115 |
Table 3. Genre et différence de prix des annonces
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
46Dans les trois premières régressions, nous observons une différence statistiquement significative entre les annonces rédigées au féminin et les autres. Nous constatons par exemple qu’en moyenne ces annonces sont proposées à un prix plus faible de 1.4 € que celles rédigées sans genre explicite, et ce même lorsque nous contrôlons (au moins partiellement) pour la qualification du professeur. De même, la probabilité qu’une annonce rédigée avec un genre féminin explicite appartienne aux 10 % des annonces avec les prix les plus élevés est plus faible de 0,03 point. À l’inverse et bien que le résultat ne soit pas significatif [18], la probabilité de figurer parmi les annonces aux prix les plus faibles augmente de 0.025.
47En d’autres termes, le tableau précédent indique que les personnes rédigeant leurs annonces en employant des termes féminins proposent des annonces de cours particuliers à des prix inférieurs. Elles ont par ailleurs moins de chance de compter parmi les annonces aux prix les plus élevés. Ceci confirme notre « hypothèse 1 ». Une autre façon d’observer ces résultats – bien que cela empêche de contrôler pour la qualification du professeur – est de représenter graphiquement l’ensemble de la distribution des prix des annonces (voir le graphique 1).
Graphique 1. Genre et distribution des prix
Graphique 1. Genre et distribution des prix
Sur ce graphique, on peut observer que, pour tout niveau de prix, la probabilité d’observer une annonce dont le prix est inférieur à ce niveau est plus élevée pour les annonces rédigées avec un genre féminin explicite que pour celles non genrées.5. Discussion et mécanisme
48Dans les parties précédentes, nous avons montré (a) qu’il existe une segmentation par matière et par genre du marché des cours particuliers et (b) qu’en moyenne, les annonces rédigées au féminin proposent des cours particuliers à des prix inférieurs que celles sans genre apparent.
49Une première explication à cette différence de prix serait donc que les femmes soient surreprésentées dans les matières les moins rémunératrices. À l’image de ce qui est observé sur le marché du travail, les différences d’orientation scolaire et de spécialisation conduiraient à une inégalité de rémunération.
50En plus de ce premier mécanisme, et en accord avec les résultats de la psychologie sociale, nous explorons la possibilité que les femmes aient moins confiance en leurs capacités quand les hommes pourraient bénéficier d’un excès de confiance (Beyer, 1990, 1999a, 1999b). Selon nous, cette différence de confiance quant à leurs compétences pourrait conduire à une seconde segmentation du marché des cours particuliers, cette fois-ci par genre et par niveau.
5.1. Une double segmentation du marché des cours particuliers
51Afin d’illustrer cette seconde segmentation du marché des cours particuliers, nous avons effectué deux analyses. Dans un premier temps, nous avons construit des variables binaires pour indiquer si une annonce faisait référence à des cours de niveau « primaire », « collège » ou « lycée ». Nous avons ensuite régressé ces variables en employant les mêmes variables explicatives que précédemment.
52Plutôt que de nous concentrer sur ces analyses (qui sont toutefois présentées en annexe dans les tableaux B3 et B4), nous présentons ici une seconde méthode plus visuelle. À partir de l’ensemble des textes des annonces, nous avons construit deux « nuages de mots », le premier pour les annonces rédigées avec un genre féminin explicite et le second pour les annonces non genrées. Ces graphiques représentent les termes apparaissant le plus de fois dans les annonces que nous avons collectées.
Graphique 2a. Nuage de mots : annonces rédigées au féminin
Graphique 2a. Nuage de mots : annonces rédigées au féminin
Graphique 2b. Nuage de mots : annonces non genrées
Graphique 2b. Nuage de mots : annonces non genrées
Les graphiques 2a (annonces rédigées au féminin) et 2b (annonces sans genre explicite) montrent les 20 mots les plus employés. Ces graphiques permettent de remettre en lumière la segmentation par matière du marché des cours particuliers. En effet, quand « mathématiques », « scientifique », « chimie », « physique », etc., apparaissent parmi les mots les plus employés dans les annonces sans genre explicite, dans les annonces genrées, les matières les plus évoquées sont « anglais », « français », « langue », etc.53Au-delà de cette différence déjà étudiée, nous en observons une autre. Les annonces rédigées au féminin font souvent référence à des étudiants qui semblent plutôt jeunes. « Enfants », « aide » et « devoir » (pour « aide aux devoirs »), « soutien » figurent ainsi parmi les mots les plus employés dans ces annonces. Au contraire, dans les annonces non genrées, nous trouvons moins de références au niveau des étudiants ou alors celui-ci fait référence à des étudiants plus âgés (« devoir » est peut-être la seule exception).
5.2. Les conséquences de cette double segmentation sur le prix
54Nous n’observons donc pas une mais deux segmentations du marché des cours particuliers par genre. La première par matière et la seconde par niveau. Ces segmentations permettent-elles d’expliquer les différences de prix ? Afin de répondre à cette question, nous avons de nouveau régressé les prix des annonces mais en y intégrant cette fois deux catégories de variables supplémentaires, (a) des variables binaires indiquant la matière enseignée et (b) des variables binaires indiquant respectivement si le public visé par l’annonce semble être des élèves d’écoles primaires, des élèves de collèges ou des élèves de lycées.
55Dans le tableau 4, nous reportons les résultats de cette analyse en nous concentrant sur la différence de prix entre annonces rédigées au féminin et celles sans genre explicite (le tableau complet est disponible dans l’annexe B1). La colonne (1) indique la différence de prix moyenne observée quand nous contrôlons pour la matière, la colonne (2) reproduit la même analyse quand nous contrôlons pour le niveau du public visé et la colonne (3) quand nous contrôlons pour ces deux facteurs
simultanément.
Table 4. Mécanisme
| (1) | (2) | (3) | |
| Prix | prix | prix | |
| Genre | |||
| Femme | -0.731* (0.413) | -1.020** (0.399) | -0.460 (0.389) |
| Matières | Oui | Non | Oui |
| Niveau du public | Non | Oui | Oui |
| Effets fixes par département | Oui | Oui | Oui |
| Obs | 3227 | 3227 | 3227 |
| R2 | 0.293 | 0.217 | 0.303 |
Table 4. Mécanisme
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
56Dans le tableau 4, nous continuons à détecter une différence de prix entre annonces rédigées au féminin et celles sans genre explicite, les premières étant associées à des prix plus faibles. Toutefois, la différence de prix est drastiquement réduite dans ces analyses (entre -1 et -0.4 € selon les cas) et n’est plus statistiquement significative dans la colonne 3. Pour revenir sur la segmentation par matière du marché du travail, elle semble expliquer environ 50 % de la différence de prix initial. La différence de niveau des étudiants semble quant à elle expliquer environ un tiers de cette différence initiale. Le résultat de la colonne 3 nous semble être le plus pertinent : c’est en intégrant la double segmentation du marché par discipline et par niveau des élèves que la différence de prix est largement amputée : seul un tiers de la différence de prix initiale subsiste et elle n’est plus statistiquement significative.
57Nous interprétons ces résultats comme suit : les différences d’orientation scolaire induisent une spécialisation des hommes et des femmes dans des secteurs différents. Dans notre échantillon, cela se traduit par des différences de matières enseignées. Ces différences d’orientation expliquent en partie les différences de rémunération entre annonces rédigées au féminin et celles sans genre explicite. Toutefois, cette première segmentation est insuffisante pour expliquer l’ensemble des différences de rémunérations et on constate toujours une différence de prix de 0.7 €. Nous suggérons qu’au sein d’une même matière il peut y avoir une autre segmentation, cette fois par niveau. Les personnes rédigeant des annonces en employant des termes au féminin se spécialiseraient davantage vers un public jeune et moins rémunérateur. Quand nous contrôlons pour cette seconde segmentation du marché, la différence de prix semble largement disparaître.
5.3. Robustesse
58Afin de garantir la robustesse de nos résultats, nous avons réalisé quelques variantes des analyses précédentes.
59En premier lieu, lorsque nous avons employé des modèles de probabilité linéaire, nous avons systématiquement vérifié nos résultats en employant des modèles logistiques (notamment tableau B2). Par ailleurs, nous avons parfois utilisé des variantes de nos mots clés et vérifié que nos résultats restaient similaires. Par exemple, en plus de « primaire », « collège » et « lycée », nous avons également utilisé le mot clé « soutien scolaire » (tableau B4). Là encore, nous observons une surreprésentation des annonces rédigées avec un genre féminin explicite.
60En outre, puisque la littérature sur les offres d’emploi sur internet suggère l’importance des titres des postes et des mots clés pour véhiculer de l’information aux chercheurs d’emploi (Marinescu et Wolthoff, 2019), nous avons reproduit nos analyses en utilisant les qualifications des professeurs et les intitulés des matières qui apparaissaient dans le titre des annonces uniquement (tableau B5). Cet exercice n’impacte pas nos résultats principaux.
61Comme expliqué plus haut, nous avons également collecté des données sur « leboncoin.fr » et reproduit dans l’annexe C nos analyses en utilisant cet autre échantillon. Celui-ci fut en réalité collecté un an avant celui utilisé dans nos analyses principales (il y a donc peu de chance que nous observions les mêmes annonces). Les résultats de cette deuxième analyse confirment nos conclusions.
62Un aspect frappant de nos résultats est la similitude des coefficients obtenus dans ces deux analyses. Ainsi, en utilisant ces nouvelles données, nous obtenons une différence de prix de 1.2 € quand nous ne contrôlons pas pour les matières ni pour les publics visés et une différence de prix de 0.5 € une fois que nous contrôlons pour ces facteurs contre respectivement 1.4 et 0.4 € dans notre échantillon principal.
63La différence la plus notable entre les analyses réalisées sur les données « leboncoin.fr » et celles réalisées plus haut est liée à la significativité des résultats. Notamment, une fois nos variables de matière et de niveau intégrées, la différence moyenne de prix de 0.5 € entre annonces rédigées au féminin et celles sans genre explicite reste statistiquement significative. Ce dernier point souligne le fait que notre analyse – qui met en lumière une double différenciation du marché des cours particuliers – n’épuise probablement pas les sources de différences et d’inégalités entre hommes et femmes. À segment (matière et niveau) équivalent, les femmes pourraient toujours être associées à des prix plus faibles.
5.4. Discussion
64Avant de conclure, nous souhaitons revenir sur un autre mécanisme qui pourrait expliquer une partie de la différence de prix observée : les discriminations anticipées. Par ailleurs, nous abordons brièvement le rôle que pourraient jouer les plateformes afin de corriger ces différences de prix.
65Comme mentionné en introduction, les discriminations envers les femmes sont une des explications possibles et vraisemblables des différences de salaire sur le marché du travail. De même, dans cette étude de cas, si les femmes anticipent des discriminations, alors elles pourraient proposer des cours à des prix inférieurs et se concentrer sur des segments moins rémunérateurs du marché. Toutefois, comme mentionné plus haut, il est normalement possible pour une femme qui souhaite « cacher » son genre de rédiger une annonce en employant des termes exclusivement neutres. Cette stratégie pourrait lui éviter d’être contactée par moins de clients même si cela ne la prémunissait pas entièrement contre les discriminations : le client pourrait ensuite exiger une baisse des prix ou refuser de s’engager plus avant avec elle lorsqu’il découvre son genre. Puisque nous identifions les différences de prix en utilisant des annonces rédigées au féminin, si l’ensemble des femmes craignant une discrimination masquaient leur genre, alors nous ne pourrions mesurer cet effet de l’anticipation de la discrimination. En effet, l’ensemble des femmes anticipant des discriminations apparaîtrait dans les annonces non genrées. C’est pourquoi nous ne favorisons pas cette interprétation de nos résultats. Notre interprétation, axée sur une moindre confiance des femmes en leurs compétences, fait davantage appel à des mécanismes inconscients : les femmes proposeraient des prix plus faibles ou se spécialiseraient sur des segments moins rémunérateurs du marché sans s’en rendre compte. Il convient toutefois d’admettre que cette lecture de nos résultats repose sur des hypothèses. Notamment, si une femme juge inutile de masquer son sexe car elle estime qu’elle serait de toute façon, in fine, discriminée, alors nos résultats ne peuvent distinguer les deux explications.
66Le deuxième point que nous souhaitons discuter est la possible réaction des plateformes. Les études réalisées sur les plateformes dédiées au marché du travail soulignent que celles-ci ne sont pas de simples « facilitateurs » entre l’offre et la demande, mais qu’elles organisent ce marché : en créant des « cases à remplir » (expérience, salaire attendu, etc.), elles mettent en avant certaines variables et créent des normes (Marchal et al., 2007). On peut alors se demander si elles doivent assumer ce rôle d’organisateur et, par exemple dans le cas des annonces de cours particuliers, tenter de corriger la différence de prix observée entre annonces non genrées et celles rédigées au féminin. Loin d’apporter une réponse à cette question, notre travail souligne la difficulté qu’il y a à en apporter une. En effet, un outil a priori simple pour corriger cette différence de prix serait d’annoncer le prix moyen pour un cours (discipline et niveau) dans une zone géographique donnée (d’autres plateformes – non dédiées à l’enseignement, comme Blablacar – apportent déjà des informations similaires aux offreurs). Toutefois, si la différence de prix entre homme et femme se joue en amont, lors du choix du niveau des étudiants que le professeur vise, révéler une telle information serait inefficace.
6. Conclusion
67En utilisant l’exemple des annonces de cours particuliers sur internet, nous étudions les différences de tarification entre annonces rédigées au féminin et celles sans genre explicite. Cette étude de cas nous semble révélatrice puisqu’elle peut illustrer les différences d’attitudes et d’attentes entre hommes et femmes quant au salaire sur le marché du travail. De manière plus générale, la littérature économique souligne l’influence persistante des prix initiaux proposés par des vendeurs lors de négociations et comment ces prix peuvent influencer les acheteurs (Backus, Blake et Tadelis, 2015 ; Cardella, Eric et Seiler, 2016 ; Loschelder, Friese et Trötschel, 2017). Il est donc intéressant de vérifier si ceux-ci sont influencés par le genre des vendeurs.
68Nous montrons que les annonces utilisant le genre féminin sont proposées à des prix moins élevés que les annonces employant exclusivement des termes neutres. Nous constatons ensuite qu’une partie de cette différence de prix, mais une partie seulement, peut être attribuée aux différences de disciplines enseignées. Les annonces rédigées au féminin sont davantage concentrées sur les disciplines les moins rémunératrices du marché des cours particuliers. Cette segmentation du marché reproduit d’ailleurs largement les différences d’orientation observées dans le secondaire et le supérieur entre hommes et femmes.
69Nous attribuons le reste de la différence de prix à une différence de croyance quant à la qualité du service offert. Cette hypothèse nous semble cohérente avec deux observations supplémentaires. (1) Les annonces rédigées au féminin sont surreprésentées parmi celles proposant du « soutien scolaire » ou des cours dans des petites classes (notamment primaire ou collège) et non dans les segments les plus rémunérateurs du marché (post-bac, approfondissement, etc.). (2) En contrôlant pour cette seconde segmentation, nous parvenons à éliminer en grande partie la différence de prix détectée initialement entre annonces rédigées au féminin et celles sans genre explicite.
70Ce travail ouvre selon nous des opportunités de recherches futures. Au travers de l’étude de marchés spécifiques (ici, celui des cours particuliers), nous apportons un éclairage sur les différences d’attitudes entre hommes femmes sur le marché du travail et plus généralement sur les marchés où il faut « se vendre ». En particulier, cette approche nous semble intéressante dans le sens où elle permet de discuter de biais psychologiques dans des contextes réels, en dehors des laboratoires, et d’illustrer comment ceux-ci peuvent engendrer ou du moins nourrir des inégalités. Il reste donc à vérifier que des résultats similaires peuvent être obtenus lorsque l’on considère d’autres marchés.
6.1. Remerciements
71Nous souhaitons remercier l’équipe de la Revue d’économie industrielle et notamment la Professeure Anne Plunket pour leur aide tout au long du processus de révision de l’article. Nous souhaitons aussi remercier les deux rapporteurs qui, grâce à leurs commentaires, ont contribué à améliorer la qualité de notre recherche. Nous remercions également Anne-Claire Duplan et Julie Lassébie pour leur aide dans les premières étapes de notre réflexion.
Annexes
Les inégalités de revenu entre hommes et femmes étudiées au travers des petites annonces de cours particuliers
72Notre annexe se compose de trois parties. Nous montrons tout d’abord qu’un cadre conceptuel simple permet de mettre en lumière le mécanisme qui nous semble générateur de nos résultats empiriques. Nous montrons comment des différences de croyance quant à la qualité de cours particulier peuvent conduire à une segmentation du marché des cours particuliers. Nous reportons ensuite les tableaux qui, par souci de lisibilité, ont été tronqués dans le texte principal. Enfin, nous montrons que nous obtenons des résultats qualitativement similaires en utilisant notre seconde base de données, construite à partir du site internet « leboncoin.fr ».
A) Cadre conceptuel
73Un cadre conceptuel simple permet de rationaliser les hypothèses empiriques que nous faisons dans cet article. Il suffit de considérer que, lorsqu’il rédige son annonce, l’offreur de cours particulier souhaite maximiser son gain espéré et que celui-ci prend la forme du produit entre la probabilité de trouver un client et le prix proposé [19]. On peut ensuite considérer que le marché des cours particuliers est divisé en deux segments. Sur le premier segment, la qualité d’un professeur [20] n’influence pas la probabilité de trouver un client. Cela peut être le cas si le client considère que l’ensemble des professeurs disposent des compétences requises pour enseigner sur ce cours (on peut penser par exemple au soutien scolaire en direction des plus jeunes). Sur le second segment, nous faisons l’hypothèse que la probabilité de trouver un client dépend de la différence entre la qualité du professeur qp et un niveau de compétence requis qr. Afin de simplifier au plus notre cadre conceptuel, nous supposons de fait que la probabilité de trouver un client s’écrit :
- 𝜋1 = 𝛼 – p où 𝜋1 est la probabilité de trouver un client sur le segment 1, 𝛼 un paramètre du modèle et p le prix du cours particulier.
- 𝜋2 = 𝛼 + 𝛽(qp – qr) ou 𝜋2 est la probabilité de trouver un client sur le segment 2, 𝛼 et p sont définis comme précédemment et où 𝛽 capture la manière dont la probabilité de trouver un client dépend des qualités attendues et réelles des professeurs.
75Dans ces conditions, un individu qui souhaite maximiser son gain espéré choisit les prix suivants :
76Sur le segment 1 :
77MaxpV1 = 𝜋1p = (𝛼 – p)p
78Et on a donc :
79
ainsi que le gain espéré : 
80Sur le segment 2 :
81MaxpV2 = 𝜋2p = (𝛼 + 𝛽(qp – qr) – p)p
82Et on a donc :
83
ainsi que le gain espéré : 
[21]
84Choix du segment :
85S’ils ne peuvent agir que sur un segment, les individus vont choisir celui qui leur permet d’obtenir le gain espéré le plus grand. La comparaison entre V1 et V2 montre qu’un individu tel que qp < qr, c’est-à-dire d’un niveau de compétence inférieur à celui attendu sur le segment 2 préférera se spécialiser sur le segment 1.
86Différence homme-femme :
87Dans ce modèle simplifié, la probabilité de se spécialiser sur le segment 2 ainsi que le prix d’une annonce sur ce segment augmentent avec la qualité du professeur. Pour observer des différences de prix entre les hommes et les femmes, il suffit alors de faire l’hypothèse que les femmes sont plus pessimistes que les hommes quant à la qualité de leurs cours. On obtient alors (a) une différence de prix moyen entre les deux groupes et (b) une surreprésentation des femmes dans le segment numéro 1.
88Le tableau suivant illustre notre cadre conceptuel pour des valeurs des paramètres. Nous avons pour cela simulé un échantillon de 1 000 individus (500 femmes et 500 hommes) dont le niveau de qualité a été tiré aléatoirement sur une loi normale de moyenne 1/2 et de variance 0.1.
| Paramètres et résultats | Valeur |
| Qualité réelle des individus |  |
| Qualité perçues par les femmes | Qualité réelle – 0.1 |
| 𝛼 | 1/2 |
| 𝛽 | 1 |
| qr | 1/3 |
| Prix segment 1 | 1/4 |
| Moyenne prix segment 2 homme | 0.34 |
| Moyenne prix segment 2 femme | 0.3 |
| Pourcentage homme segment 1 | 4.48 % |
| Pourcentage femme segment 1 | 25 % |
B) Tableaux complets
89Nous présentons ici le tableau 4 complet (tableau B1) où nous analysons les prix en contrôlant pour les matières et pour le niveau du public visé. Nous reproduisons aussi les tableaux tronqués ou retirés de notre texte principal. Nous montrons également qu’employer un modèle de probabilité linéaire ou un modèle « logit » conduit aux mêmes résultats (tableaux B2-B4). Enfin, nous présentons un test de robustesse qui utilise comme variables indépendantes la présence exclusivement dans les titres des annonces des termes clés utilisés pour le tableau 4.
Tableau B1. Différence de prix, matière et public visé – tableau 4 complet
| (1) | (2) | (3) | |
| prix | Prix | prix | |
| Genre | |||
| Femme | -0.731* (0.413) | -1.020** (0.399) | -0.460 (0.389) |
| Vérification site | |||
| Diplôme vérifié | 2.127*** (0.558) | 2.228** (0.702) | 2.073*** (0.582) |
| Message | |||
| Image | 1.053** (0.316) | 1.387*** (0.347) | 1.074*** (0.314) |
| Annonce à jour | 1.733*** (0.436) | 1.650*** (0.470) | 1.708*** (0.432) |
| Niveau de qualification | |||
| Professeur(e) | 2.786*** (0.381) | 2.235*** (0.372) | 2.694*** (0.354) |
| Agrégé(e) | 8.974*** (1.638) | 8.358*** (1.395) | 8.753*** (1.531) |
| Docteur(e) | 4.879** (1.935) | 4.400** (2.135) | 4.695** (1.913) |
| Ingénieur(e) | 1.057** (0.518) | -1.010* (0.583) | 0.718 (0.511) |
| Sujet | |||
| Mathématiques | -3.805*** (0.499) | -3.369*** (0.490) | |
| Langues étrangères | -3.207*** (0.549) | -3.100*** (0.543) | |
| Physique-Chimie | 0.649 (0.538) | 0.384 (0.531) | |
| Français | -1.089** (0.417) | -0.878** (0.430) | |
| Histoire | -3.682*** (1.066) | -3.498** (1.062) | |
| Économie-Gestion | 0.507 (1.519) | 0.456 (1.536) | |
| Musique | 3.054*** (0.605) | 3.124*** (0.610) | |
| Art | 0.928 (0.942) | 1.084 (0.953) | |
| Informatique | 1.516 (1.435) | 1.733 (1.414) | |
| Biologie | -1.655** (0.828) | -1.461* (0.835) | |
| Droit | 4.793** (1.513) | 4.895** (1.485) | |
| Santé | -1.099 (0.971) | -0.708 (0.908) | |
| Philosophie | -1.712 (1.053) | -1.890* (1.071) | |
| Marketing | -2.993** (1.414) | -3.231** (1.404) | |
| Sport | 11.345*** (1.509) | 11.317*** (1.533) | |
| Culture générale | 2.638 (1.596) | 2.892** (1.402) | |
| Autre | -0.575 (0.676) | -0.034 (0.672) | |
| Public visé | |||
| Primaire | -4.126*** (0.418) | -3.463*** (0.389) | |
| Collège | -1.167** (0.430) | -0.292 (0.436) | |
| Lycée | -0.352 (0.438) | 0.857* (0.509) | |
| Obs | 3227 | 3227 | 3227 |
| R2 | 0.293 | 0.217 | 0.303 |
Tableau B1. Différence de prix, matière et public visé – tableau 4 complet
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
Tableau B2. Top 10 % & Bottom 10 % – analyse de robustesse utilisant un modèle logit
| (1) | (2) | |
| Top 10% Prix | Bottom 10% Prix | |
| Genre | ||
| Femme | -0.280** (0.125) | 0.228 (0.145) |
| Verification site | ||
| Diplôme vérifié | 0.489** (0.168) | -0.600*** (0.168) |
| Niveau de qualification | ||
| Professeur(e) | 0.244* (0.140) | -1.053*** (0.136) |
| Agrégé(e) | 1.320*** (0.202) | -1.789** (0.842) |
| Docteur(e) | 0.757** (0.303) | -0.167 (0.463) |
| Ingénieur(e) | -0.424** (0.197) | -0.423** (0.203) |
| Effet Fixe de Département | OUI | OUI |
| Obs | 2949 [22] | 3092 |
| Pseudi-R2 | 0.05 | 0.05 |
Tableau B2. Top 10 % & Bottom 10 % – analyse de robustesse utilisant un modèle logit
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
Tableau B3. Probabilité de proposer des cours pour des publics primaires, collégiens et lycéens
| (1) | (2) | (3) | |
| Primaire | Primaire & Collège | Primaire, Collège & Lycée | |
| Genre | |||
| Femme | 0.084*** (0.011) | 0.080*** (0.015) | 0.063*** (0.018) |
| Niveau de qualification | |||
| Professeur(e) | -0.030** (0.012) | 0.009 (0.017) | 0.032* (0.018) |
| Agrégé(e) | -0.001 (0.033) | 0.027 (0.050) | 0.291*** (0.047) |
| Docteur(e) | -0.048* (0.027) | 0.002 (0.043) | -0.013 (0.050) |
| Ingénieur(e) | -0.022* (0.013) | 0.132*** (0.024) | 0.235*** (0.029) |
| Obs | 3227 | 3227 | 3227 |
| R2 | 0.059 | 0.054 | 0.069 |
Tableau B3. Probabilité de proposer des cours pour des publics primaires, collégiens et lycéens
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
Tableau B3bis. Probabilité de proposer des cours pour des publics primaires, collégiens et lycéens – analyse de robustesse utilisant un modèle logit
| (1) | (2) | (3) | |
| Primaire | Primaire & Collège | Primaire, collège & Lycée | |
| main | |||
| Genre | |||
| Femme | 0.797*** (0.110) | 0.420*** (0.079) | 0.290*** (0.082) |
| Variables de contrôles | |||
| Professeur(e) | -0.326** (0.131) | 0.051 (0.093) | 0.150* (0.087) |
| Agrégé(e) | -0.072 (0.498) | 0.151 (0.263) | 1.255*** (0.215) |
| Docteur(e) | -0.757 (0.517) | 0.010 (0.235) | -0.066 (0.234) |
| Ingénieur(e) | -0.254 (0.165) | 0.659*** (0.111) | 1.016*** (0.125) |
| Obs | 3088 | 3192 | 3202 |
| Pseudo R2 | 0.069 | 0.040 | 0.049 |
Tableau B3bis. Probabilité de proposer des cours pour des publics primaires, collégiens et lycéens – analyse de robustesse utilisant un modèle logit
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
Tableau B4. Analyse de robustesse – au lieu des mots clés précédents, nous avons recherché « soutien scolaire »
| (1) | (2) | |
| Probabilité Linéaire | Logit | |
| Genre | ||
| Femme | 0.106*** (0.018) | 0.493*** (0.077) |
| Niveau de qualification | ||
| Professeur(e) | -0.024 (0.018) | -0.116 (0.089) |
| Agrégé(e) | 0.040 (0.039) | 0.198 (0.193) |
| Docteur(e) | -0.019 (0.051) | -0.095 (0.275) |
| Ingénieur(e) | 0.063** (0.030) | 0.296** (0.134) |
| Obs | 3227 | 3212 |
| R2 | 0.050 | 0.012 |
Tableau B4. Analyse de robustesse – au lieu des mots clés précédents, nous avons recherché « soutien scolaire »
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
Table B5. Analyse de robustesse – matières et niveau de qualification présents dans le texte
| (1) | (2) | (3) | |
| prix | prix | prix | |
| Genre | |||
| Femme | -1.615*** (0.402) | -1.177*** (0.373) | -1.039*** (0.372) |
| Niveau de qualification (explicité dans le titre de l’annonce) | |||
| Ingénieur(e) | 2.910 (3.985) | 4.277 (4.055) | 3.244 (3.674) |
| Docteur(e) | 5.040 (3.538) | 5.319* (2.913) | 4.439 (2.829) |
| Professeur(e) | 3.448*** (1.014) | 3.843*** (0.987) | 3.523*** (1.025) |
| Agrégé(e) | 9.527*** (1.835) | 10.062*** (1.808) | 9.518*** (1.870) |
| Matières (explicitées dans le titre de l’annonce) | |||
| Mathématiques | -3.473*** (0.970) | -3.359*** (0.903) | |
| Langues étrangères | -4.354*** (1.233) | -4.088*** (1.129) | |
| Physique-Chimie | -0.378 (0.701) | -0.379 (0.715) | |
| Français | -1.989* (1.104) | -1.844* (1.091) | |
| Histoire | 2.576 (2.338) | 3.034 (2.288) | |
| Économie-Gestion | -5.280*** (1.175) | -5.240*** (1.157) | |
| Musique | -7.337*** (1.535) | -5.895*** (1.723) | |
| Art | -7.330*** (1.752) | -6.663*** (1.622) | |
| Informatique | -4.626 (3.646) | -4.767 (3.520) | |
| Biologie | -0.261 (1.983) | -0.016 (1.868) | |
| Droit | -0.511 (1.648) | -0.609 (1.621) | |
| Santé | -3.780*** (0.992) | -4.040*** (0.979) | |
| Philosophie | -2.089 (3.380) | -2.459 (3.541) | |
| Marketing | -2.784 (1.837) | -3.900** (1.932) | |
| Sport | 9.261*** (2.186) | 9.569*** (2.132) | |
| Culture générale | 0.000 (.) | 0.000 (.) | |
| Autre | -1.766* (0.950) | -1.724* (0.884) | |
| Effet Fixe de Département | OUI | OUI | OUI |
| Obs | 3218 | 3218 | 3218 |
| R2 | 0.159 | 0.205 | 0.226 |
Table B5. Analyse de robustesse – matières et niveau de qualification présents dans le texte
Erreurs standards regroupées par département entre parenthèses* p < 0.10, ** p < 0.05, *** p < 0.01
C) Réplication de nos tables principales avec les données « leboncoin.fr »
90Comme expliqué dans le corps du texte, les données collectées sur le site « leboncoin.fr » furent « scrapées » près d’un an auparavant. Cela nous assure que, dans une large mesure, les observations concernent des annonces différentes. Cette base nous permet de reproduire nos analyses principales même si nous n’avons pas toujours pu construire les variables utilisées dans notre analyse principale (notamment les variables « images » ou « diplôme vérifié »).
91Aussi, dans le tableau C1, nous montrons une fois encore qu’il existe une différence de prix des annonces entre annonces rédigées avec des termes au féminin et celles sans genre explicite, même lorsque nous contrôlons pour la qualification du professeur. De même, les annonces rédigées au féminin sont surreprésentées dans les annonces ayant les prix les plus faibles. En revanche, nous ne retrouvons pas de différences en haut de la distribution des prix.
92Dans le tableau C2, nous montrons qu’il existe aussi dans les données « leboncoin.fr » une segmentation par niveau du marché des cours particuliers. Les personnes employant des termes au féminin ayant une probabilité plus forte de destiner leurs annonces à des élèves de primaire, de collège ou de terminale par rapport à des étudiants « postbac » ou des disciplines non scolaires (généralement plus rémunératrices).
93Enfin, dans le tableau C.3, nous indiquons que sur les données « leboncoin.fr », comme dans notre analyse principale, nous pouvons très largement diminuer la différence de prix initiale en contrôlant (a) pour les matières enseignées et (b) pour le niveau du public auquel est destiné l’annonce. La différence passe notamment de 1 € (ou 1.2 € dans notre colonne 2) à environ 0.5 € (un nombre très proche de celui obtenu dans notre analyse principale). Remarquons toutefois que le coefficient associé à la variable genre « féminin » reste statistiquement significatif dans cette régression. Aussi, si la double segmentation du marché des cours particuliers explique une grande partie des différences de prix entre les annonces rédigées au féminin et celles sans genre explicite, elle n’explique pas entièrement l’ensemble de la différence de prix.
Tableau C1
| (1) | (2) | (3) | (4) | |
| Prix (euros) | Prix (euros) | Bottom 10 % Prix | Top 10 % Prix | |
| Genre | ||||
| Femme | -1.054*** (0.180) | -1.207*** (0.183) | 0.025** (0.010) | -0.003 (0.005) |
| Variables de contrôles | ||||
| Professeur | 2.630*** (0.198) | -0.112*** (0.011) | 0.034*** (0.005) | |
| Docteur | 2.560** (0.970) | -0.004 (0.052) | 0.017** (0.007) | |
| Ingénieur | -0.180 (0.228) | -0.115*** (0.012) | 0.038*** (0.004) | |
| Constant | 17.943*** (0.052) | 16.751*** (0.417) | 0.193*** (0.018) | 0.952*** (0.009) |
| Effets fixes (code postal) | Oui | Oui | Oui | Oui |
| Obs | 10255 | 10255 | 10255 | 10255 |
| R2 | 0.311 | 0.334 | 0.279 | 0.299 |
Tableau C1
Termes d’erreurs groupés par code postal* p < 0.10, ** p < 0.05, *** p < 0.01
Tableau C2
| (1) | (2) | (3) | |
| Primaire | Primaire & Collège | Primaire, Collège & Lycée | |
| Genre | |||
| Femme | 0.136*** (0.014) | 0.202*** (0.023) | 0.245*** (0.028) |
| Variables de contrôles | |||
| Professeur | -0.010 (0.012) | 0.027 (0.018) | 0.065** (0.025) |
| Docteur | -0.060 (0.048) | 0.026 (0.089) | 0.102 (0.137) |
| Ingénieur | 0.015 (0.016) | 0.172*** (0.025) | 0.518*** (0.035) |
| Constant | 0.167*** (0.024) | 0.434*** (0.039) | 0.854*** (0.055) |
| Effets fixes (code postal) | Oui | Oui | Oui |
| Obs | 10255 | 10255 | 10255 |
| R2 | 0.239 | 0.235 | 0.252 |
Tableau C2
Termes d’erreurs groupés par code postal* p < 0.10, ** p < 0.05, *** p < 0.01
Tableau C3
| (1) | (2) | (3) | |
| Prix (euros) | Prix (euros) | Prix (euros) | |
| Genre | |||
| Femme | -0.730*** (0.184) | -0.833*** (0.181) | -0.514** (0.179) |
| Variables de contrôles | |||
| Professeur | 2.365*** (0.198) | 2.465*** (0.192) | 2.377*** (0.196) |
| Docteur | 2.485** (0.948) | 2.375** (0.930) | 2.381** (0.948) |
| Ingénieur | 0.240 (0.228) | 0.042 (0.229) | 0.208 (0.234) |
| Mathématiques | -1.112*** (0.285) | -0.748** (0.279) | |
| Langues étrangères | -1.917*** (0.260) | -1.734*** (0.254) | |
| Physique-chimie | 0.070 (0.239) | 0.030 (0.239) | |
| Biologie | -0.400 (0.329) | -0.170 (0.323) | |
| Autres matières | -0.126 (0.378) | 0.244 (0.378) | |
| Histoire | -1.202*** (0.360) | -0.917** (0.355) | |
| Économie-gestion | 1.485** (0.503) | 1.556** (0.499) | |
| Musique | 1.642*** (0.396) | 1.369*** (0.415) | |
| Arts | 2.654** (1.195) | 2.426** (1.186) | |
| Informatique | -0.065 (0.440) | -0.064 (0.445) | |
| Cours groupe | 0.243 (0.390) | 0.369 (0.399) | 0.173 (0.387) |
| Nombre de mots (en log) | 0.265* (0.160) | 0.532** (0.162) | 0.403** (0.166) |
| Jeune | -0.695** (0.328) | -0.688** (0.325) | -0.611* (0.326) |
| Skype | 1.228** (0.489) | 0.702 (0.471) | 1.006** (0.477) |
| Niveau autre | 0.512 (0.359) | ||
| Primaire | -2.080*** (0.194) | -1.642*** (0.229) | |
| Collège | -1.188*** (0.176) | -0.773*** (0.197) | |
| Lycée | -0.307 (0.226) | 0.498* (0.286) | |
| Constant | 16.276*** (0.765) | 15.346*** (0.744) | 15.500*** (0.778) |
| Effet fixes (code postal) | Oui | Oui | Oui |
| Obs | 10255 | 10255 | 10255 |
| R2 | 0.360 | 0.352 | 0.369 |
Tableau C3
Termes d’erreurs regroupés par code postal* p < 0.10, ** p < 0.05, *** p < 0.01
Notes
-
[1]
Voir aussi « L’évolution des inégalités de salaire entre hommes et femmes », Observatoire des inégalités, 8 mars 2017 : https://www.inegalites.fr/L-evolution-des-inegalites-de-salaires-entre-hommes-et-femmes?id_theme=22
-
[2]
« L’évolution des inégalités de salaire entre hommes et femmes », Observatoire des inégalités, 8 mars 2017. Sur ce sujet, voir également le rapport de l’OIT, qui permet des comparaisons internationales. Rapport mondial sur les salaires 2016/17. Les inégalités salariales au travail : https://www.ilo.org/wcmsp5/groups/public/---dgreports/---dcomm/---publ/documents/publication/wcms_545416.pdf ; https://www.inegalites.fr/L-evolution-des-inegalites-de-salaires-entre-hommes-et-femmes?id_theme=22
-
[3]
Observatoire des inégalités, Filles et garçons dans l’enseignement supérieur : des parcours différenciés, 3 mars 2017. http://www.inegalites.fr/spip.php?page=article&id_article=1096&id_groupe=15&id_mot=145&id_rubrique=114. Cette différenciation des orientations est aussi largement étudiée, voir notamment Vouillot (2010) et Chazal et Guimond (2003).
-
[4]
L’attitude face à l’incertain, c’est-à-dire quand les probabilités de l’événement risqué sont largement inconnues et donc quand les individus doivent établir des probabilités subjectives, est aussi discutée. Toutefois, ce champ de la littérature est encore peu exploré et des différences entre hommes et femmes ne sont pas toujours apparentes (Sarin et Wieland, 2016).
-
[5]
Ce dernier fait peut également s’observer dans la part déclarée du salaire de la femme dans le revenu d’un ménage. Les femmes indiquent souvent qu’elles gagnent moins que leur conjoint, même quand c’est faux (Bertrand, Kamenica et Pan, 2015 ; Roth et Slotwinski, 2018).
-
[6]
Pour une plus ample discussion sur l’intérêt et les limites des méthodes expérimentales, voir Larribeau, Masclet et Peterle (2013).
-
[7]
Ce nombre est issu de l’article : « Le secteur du soutien scolaire rattrapé par l’ubérisation », Challenge, 28/11/2016.
-
[8]
Les études scientifiques sur le sujet semblent relativement rares. Toutefois, la presse décrit régulièrement l’importance du marché du soutien scolaire ainsi que l’émergence de nouveaux acteurs. Par exemple : « Le secteur du soutien scolaire rattrapé par l’ubérisation », Challenge, 28/11/2016. https://www.challenges.fr/societe/le-secteur-du-soutien-scolaire-rattrape-par-l-uberisation_440406
-
[9]
Ce point peut toutefois être nuancé : en étudiant les offres d’emplois en ligne, Fondeur (2016) montre que la masse d’information disponible, associée au bruit (par exemple des annonces en doublon, déjà pourvues, abandonnées, etc.), limite la qualité de cette information. De même, dans notre étude de cas, s’il est possible de voir qu’un professeur semble être plus qualifié que ses concurrents, rien n’assure qu’il serait effectivement disponible (s’il a déjà trop d’étudiants).
-
[10]
Le rôle des plateformes dans l’homogénéisation des annonces a été remarqué, notamment dans le cas du marché du travail et des jobboards. Sur ce point, voir notamment Marchal et al. (2007).
-
[11]
Comme nous l’expliquons plus en détail dans le corps du texte, nous observons le caractère genré de l’annonce, ce qui impose d’être prudent dans l’analyse de nos résultats. Nous suggérons aussi que nos résultats forment plutôt une borne inférieure aux différences de prix entre hommes et femmes.
-
[12]
Les données récupérées consistent uniquement en des informations visibles sur la page de l’annonce. Nous n’avons collecté aucune information personnelle (adresse mail, nom d’utilisateur, photographie, etc.). Pour collecter ces données, nous nous sommes appuyés sur le package « ScrapeR » du logiciel R.
-
[13]
Ces doublons représentaient plus de 800 observations ; ils peuvent provenir d’erreurs des utilisateurs des plateformes (postant deux fois de suite la même annonce), ils peuvent aussi correspondre à des stratégies des acteurs. En effet, poster une nouvelle annonce (identique à une annonce précédente) peut permettre à un annonceur de (ré)apparaître parmi les premiers résultats, les annonces étant souvent triées par dates de publication.
-
[14]
Nous avons décidé d’exclure deux annonces avec un prix inférieur, n’étant pas en capacité de savoir si le prix indiqué était effectivement le prix demandé ou s’il s’agissait d’une erreur de la part des usagers. Les deux annonces concernent un cours de langue esperanto (à 2 € de l’heure) et un soutien au devoir en français et mathématiques jusqu’au niveau CM2 (3 € de l’heure).
-
[15]
Cette absence d’information quant au genre n’est pas spécifique au marché des cours particuliers. Marchal et al. (2007) indiquent que le genre n’est jamais indiqué dans les annonces d’offres d’emplois.
-
[16]
La catégorie ingénieur comprend également des étudiants en école d’ingénieur.
-
[17]
Cinq observations ne sont pas prises en compte dans la régression car elles étaient les seules de leur département (singleton) ne permettant pas de calculer les erreurs standards.
-
[18]
Sur ce point, nous observons une légère différence avec les données obtenues sur le site « Leboncoin ». En effet, le coefficient associé au genre y est statistiquement significatif dans la régression « Bottom 10 % Prix » quand celui obtenu après « Top 10 % Prix » ne l’est pas.
-
[19]
On fait donc ici notamment l’hypothèse d’un individu neutre face au risque.
-
[20]
On suppose la qualité du professeur parfaitement observable pour les acheteurs. Un signal corrélé avec cette qualité serait une hypothèse suffisante mais qui complexifierait grandement notre cadre conceptuel.
-
[21]
Pour que ces nombres fassent sens, il faut que 𝜋1 et 𝜋2 soient des probabilités biens définies, c’est-à-dire comprises entre 0 et 1. C’est notamment le cas si : 0 ≤ 𝛼 − 𝛽(qp – qr) ≤ 1.
-
[22]
La différence dans le nombre d’observations des modèles logistiques par rapport aux modèles OLS s’explique par le fait que dans certains départements la variable dépendante se présente dans toutes les observations en une seule modalité, n’en permettant pas l’estimation.
