Analyses multiniveaux des états occupés

Dans les analyses précédentes, nous avons identifié deux sources de variations des trajectoires qui nous ont semblé particulièrement intéressantes. Premièrement, nous avons pu constater que les trajectoires dans les structures féminisées sont plus souvent de type courtes que dans les autres. Deuxièmement, il existe une différence hommes – femmes dans les trajectoires de taux d’engagement au sein même des

6.2 Analyse des trajectoires d’assistanat 177 177 structures qui les engagent.

Nous nous proposons à présent d’investiguer ces deux types de variations à l’aide d’une méthode d’analyse sur trois niveaux en analysant directement les états occupés par les assistants plutôt que les types de trajectoires. En nous affranchis-sant des types, nous pouvons analyser les variations au sein même des types de trajectoires et donc analyser de manière plus précise les relations observées pré-cédemment. En ce sens, cette approche est similaire à l’analyse de dispersion des trajectoires qui ne se base pas sur les types.

Pour ce faire, nous réalisons une analyse multiniveau sur les états (les taux par exemple) de la trajectoire des individus. Afin de tenir compte de la non-indépendance des observations concernant un même individu, nous ajoutons le niveau de l’individu dans le modèle. Nous ne sommes pas spécifiquement intéressés par ce niveau d’analyse, mais il permet de rendre compte de la variabilité interindi-viduelle qui pourrait être expliquée par des paramètres non observés (Steele, 2005).

Cette méthode permet également d’analyser les trajectoires tronquées, c’est-à-dire les trajectoires des individus que nous n’observons pas sur l’ensemble de la durée de la trajectoire (sur cinq ans), c’est-à-dire les trajectoires qui débutent après 2003.

Nous spécifions le modèle de la manière suivante. Tout en reprenant la notation déjà introduite, nous ajoutons l’indiceo, le niveau des observations. L’indiceo[i[j]]

désigne ainsi l’observation o de l’individu i dans la structure j. Nous ajoutons également les paramètres explicatifsη au niveau des observations à notre modèle ainsi queαi, l’effet aléatoire au niveau de l’individu.

log

Comme nous l’avons dit, nous faisons l’hypothèse que les différences hommes – femmes varient selon les contextes institutionnels. Nous modélisons ceci en ajoutant l’effet aléatoire β_homme[j] au coefficient homme du modèle. La valeur que prend cet effet aléatoire pour une section j donnée correspond au surplus de différences hommes – femmes dans cette sectionj par rapport à la moyenne de l’ensemble des sections de l’Université (qui équivaut à βhomme). Sa variance, σ_β²

sexe, correspond donc à la variation des différences hommes – femmes entre les sections.

En ajoutant ce deuxième effet aléatoire, on estime également la corrélationρ entre la constante aléatoire αj et βhomme_[j]. Cette corrélation nous indique dans quelle mesure ces deux effets évoluent de concert. Dans notre exemple sur les tra-jectoires courtes, une corrélation fortement positive indiquerait que les différences hommes – femmes sont particulièrement prononcées dans les contextes où la ten-dance à suivre une trajectoire « courte » est forte. La corrélation entre les effets

aléatoires α_i et α_j (ou β_homme[j]) n’est pas estimée, car les effets aléatoires ne concernent pas les mêmes niveaux d’agrégation.

Outre les variables sexe et féminisation déjà incluses précédemment, nous avons ajouté aux modèles les variables suivantes. Le « temps », mesuré au niveau des ob-servations, désigne la position dans la trajectoire (c’est-à-dire le temps écoulé depuis le début de la trajectoire). Nous avons également spécifié la période au niveau des observations. Ainsi, la période désigne maintenant la date où un individu est dans un état donné alors que précédemment nous considérions la date du début de la trajectoire. Cette nouvelle spécification nous permettra d’identifier des effets de pé-riode (plutôt que des effets de cohorte). Afin de diminuer la complexité du modèle, nous spécifions la fonction occupée à l’aide de quatre variables qui correspondent à la part du taux d’engagement total dévolu à cette fonction. Ainsi, une valeur de 0.8 pour la variable « Candoc » indique que le 80% du taux d’engagement total correspondait à des contrats « Candoc ».

Probabilité de ne pas avoir de poste d’assistants Comme précédemment, nous procédons en deux temps. Premièrement, nous modélisons la probabilité de ne pas avoir de poste d’assistants une fois que l’on en a eu un pendant au moins une période. Les résultats sont présentés dans le tableau 6.7 et corroborent l’analyse des trajectoires courtes que nous avions effectuée précédemment. Deuxièmement, nous analysons les facteurs qui déterminent l’obtention d’un taux d’engagement plutôt qu’un autre. Ce que nous abordons à présent.

Trajectoires de taux d’engagements Le tableau 6.8 présente les résultats pour l’analyse des trajectoires de taux d’engagement. Ces résultats confirment ce que nous avions observé précédemment, mais de manière plus prononcée. Ainsi, la féminisation des sections a un effet plus fortement significatif sur les taux d’enga-gements occupés.

6.2 Analyse des trajectoires d’assistanat 179 179

Table 6.7 – Modèles multiniveaux de la probabilité de ne pas avoir de poste d’assistants

Modèle I Modèle II Modèle III

R. C. R. C. R. C.

Constante 0 *** 0 *** 0 ***

Niveau observation

Temps 4.41 *** 4.41 *** 4.41 ***

Période (réf. <1995)

96−99 1.93 *** 1.93 *** 1.93 ***

00−03 3.27 *** 3.27 *** 3.29 ***

04−08 2.77 *** 2.77 *** 2.77 ***

Niveau individuel

Homme 1 1.04

Niveau section

Féminisation (réf.≥50% de femmes)

≤25% 0.3 **

25%−50% 0.5 *

Effets aléatoires

σ_αi² (individus) 13.963 *** 13.963 *** 14.005 ***

Réduction (en %)^a 0 -0.3

σ_αj² (sections) 0.518 *** 0.518 *** 0.376 ***

Réduction (en %)^a 0 27.3

Statistiques des modèles

R²Nagekerke 0.463 0.463 0.463

LRTχ² 6456.930 0^a 7^a

dl 11 1 3

p-valeur 0.000 0.988 0.07

NObservations 16478 16478 16478

N_individus 4584 4584 4584

N_sections 26 26 26

P-valeurs : 0 < *** < 0.001 < ** < 0.01 < * < 0.05 < (*) < 0.1 a : Comparaison au modèle précédant

180Chapitre6:Assistanatetdoctoratàl’UniversitédeGenève Table6.8 – Modèles multiniveaux des taux d’engagement

Modèles I Modèles II Modèles III

≥70% ≥80% ≥90 et plus ≥70% ≥80% ≥90 et plus ≥70% ≥80% ≥90 et plus

R. C. R. C. R. C. R. C. R. C. R. C. R. C. R. C. R. C.

Constante 2.04 0.32 * 0.09 *** 1.59 0.24 ** 0.07 *** 1.63 0.24 ** 0.16 ***

Niveau observation

Temps 0.43 *** 0.9 1.27 * 0.43 *** 0.9 1.27 * 0.43 *** 0.9 1.27 *

log(Temps) 34.13 *** 10.95 *** 3.76 *** 34.44 *** 10.99 *** 3.76 *** 34.5 *** 11.02 *** 3.77 ***

Période (réf. <1995)

96−99 1 0.58 *** 0.46 *** 1.01 0.59 *** 0.47 *** 1.01 0.59 *** 0.47 ***

00−03 1.99 *** 0.79 (*) 0.33 *** 2 *** 0.8 0.34 *** 2 *** 0.8 0.34 ***

04−08 11.11 *** 2.03 *** 0.25 *** 11.29 *** 2.08 *** 0.26 *** 11.28 *** 2.07 *** 0.25 ***

Type de poste (réf. Assistant d’enseignement)

Suppléant 1.31 * 2.35 *** 3.7 *** 1.31 * 2.34 *** 3.68 *** 1.32 * 2.36 *** 3.7 ***

Recherche 0.74 * 0.83 (*) 0.96 0.74 * 0.82 (*) 0.96 0.74 * 0.82 (*) 0.96

Candoc 0.06 *** 0.09 *** 0.02 *** 0.06 *** 0.09 *** 0.02 *** 0.06 *** 0.08 *** 0.02 ***

Autre 0.11 *** 0.15 *** 0.24 *** 0.11 *** 0.15 *** 0.24 *** 0.11 *** 0.15 *** 0.24 ***

Niveau individuel

Homme 1.59 ** 1.7 ** 1.71 ** 1.55 * 1.66 ** 1.7 *

Niveau section

Féminisation (réf.≥50% de femmes)

≤25% 17.39 ** 36.59 *** 1.85

25%−50% 0.39 0.31 (*) 0.14 **

Effets aléatoires

σ²_αi(individus) 7.373 *** 6.701 *** 9.39 *** 7.296 *** 6.554 *** 9.229 *** 7.319 *** 6.583 *** 9.302 ***

Réduction (en %) 1.0 2.2 1.7 -0.3 -0.4 -0.8

σ²_αj (sections) 4.999 *** 5.093 *** 3.142 *** 4.707 *** 4.968 *** 3.253 *** 3.136 *** 2.391 *** 1.98 ***

Réduction (en %) 5.8 2.5 -3.5 33.4 51.9 39.1

σ²_βhomme

j 0.37 * 0.584 *** 0.583 ** 0.382 * 0.585 *** 0.595 **

Réduction (en %) -3.2 -0.2 -2.1

Statistiques des modèles

R²Nagekerke 0.486 0.483 0.470 0.487 0.486 0.472 0.488 0.487 0.473

LRTχ² 6456.930 6673.982 5982.841 25.7^a 42.5^a 35.2^a 10.4^a 19^a 11.5^a

dl 11 11 11 3 3 3 2 2 2

p-valeur 0.000 0.000 0.000 0.000 0.000 0.000 0.006 0.000 0.003

NObservations 14876 14876 14876 14876 14876 14876 14876 14876 14876

Nindividus 4889 4889 4889 4889 4889 4889 4889 4889 4889

Nsections 26 26 26 26 26 26 26 26 26

P-valeurs : 0 < *** < 0.001 < ** < 0.01 < * < 0.05 < (*) < 0.1 a : Comparaison au modèle précédant

6.2 Analyse des trajectoires d’assistanat 181 181 Les différences hommes – femmes sont également plus fortement significatives

que ce que nous avions observé précédemment. Cette nouvelle analyse permet en plus de compléter ce constat. La variance significative de l’effet aléatoireβhomme_j

nous montre que les différences hommes – femmes ne sont pas constantes dans l’Université, mais varient entre les structures. Cette variation autour d’une situa-tion moyenne qui pénalise les femmes nous montre que si certaines structures sont fortement inégalitaires d’autres ne le sont que peu. À notre sens, cette variation est importante, car elle prouve que l’origine de ces différences ne réside pas seulement dans les comportements individuels, mais également dans les pratiques des struc-tures qui peuvent s’avérer plus ou moins inégalitaires. En d’autres termes, cette va-riation nous montre que les différences hommes – femmes ne sont pas inéluctables, mais qu’elles résultent également de pratiques que certaines sections parviennent à éviter.

L’analyse permet également de faire ressortir l’importance des facteurs mesurés au niveau des observations. Ainsi, les facteurs de temporalités dans la trajectoire permettent de confirmer une tendance à l’augmentation des taux au sein d’une trajectoire. Mais surtout, cette analyse nous permet de faire ressortir de très forts effets de période. À partir de 2004, date de l’introduction d’un taux d’engagement minimum de 70% (sauf sur demande explicite de l’assistant), on observe une aug-mentation générale des taux. Ils sont significativement plus souvent supérieurs à 70% et 80% qu’auparavant. Nous pouvons en conclure que dans une large majorité des cas, les taux inférieurs étaient auparavant des temps partiels imposés et donc non désirés.

Nombre de contrats Le tableau 6.7 présente une analyse de la probabilité d’avoir plus d’un contrat en même temps. L’interprétation du nombre de contrats n’est pas univoque. Dans certains contextes, avoir plusieurs contrats est une condi-tion pour avoir un taux d’engagement plus élevé (par exemple, pour les titulaires d’une bourse candoc) alors que dans d’autres situations, c’est surtout le révélateur d’une situation plus précaire.

Cette analyse fait ressortir que les hommes bénéficiant d’une bourse « Candoc » ont significativement plus de chance d’avoir un contrat complémentaire et donc un taux d’engagement plus élevé. Cette relation nous amène à faire l’hypothèse que les inégalités de taux sont peut-être le résultat de petits contrats complémentaires (de l’ordre de 10-20%) octroyés principalement aux hommes.

6.2.5 Comparaisons des méthodes d’inférences sur les