Correction pour les biais de sélection - R ESULTATS DES MODELES FRONTIERE

4. PRÉSENTATION ET INTERPRÉTATION

4.1 R ESULTATS DES MODELES FRONTIERE

4.1.4 Correction pour les biais de sélection

Pour cette section, les estimations seront faites en intégrant les différentes corrections pour les biais de sélection. Dans un premier temps, la correction sur les variables inobservables sera appliquée en utilisant la méthode proposée par Heckman en utilisant l’ensemble de la base de données. Dans un deuxième temps, les estimations des frontières de coût sont faites sur le sous-échantillon des données appariées. Finalement, la correction de Heckman est apportée à ce sous-échantillon.

a) Correction pour les variables inobservables

Cette étape consiste à corriger les biais dus aux variables inobservables par l’introduction d’une variable, RIM correspondant au ratio inverse de Mills. Cette approche nécessite l’estimation du modèle probit sur les probabilités d’adoption du travail hors ferme présentée à la section précédente. Les résidus de ce modèle sont, par la suite, utilisés pour le calcul du ratio inverse de Mills. L’introduction de cette variable permet d’intégrer les effets inobservables dans le modèle. Un modèle est estimé pour chacun des groupes et les résultats sont résumés dans le tableau 11.

Tableau 11 : Résultats de l’estimation des modèles frontière avec corrections pour les biais sur les variables inobservables

non-travailleur hors ferme

3 728 observations travailleurs hors ferme 126 observations

Variable Coefficient P-value Coefficient P-value

lfour -1,006 0 1,389 0,434 lconc 0,138 0,428 -3,222 0,024 lcap 0,88 0 2,278 0,003 lfour2 -0,087 0,002 -0,053 0,876 lfourconc 0,02 0,484 0,214 0,71 lfourcap 0,113 0 -0,16 0,395 lcon2 0,061 0 -0,187 0,441 lconcap -0,14 0 0,171 0,332 lcap2 -0,007 0,54 -0,014 0,661 llait -0,987 0 0,376 0,79 llait2 -0,286 0 0,31 0,124 llaitfour -0,115 0,089 -0,07 0,87 llaitcon 0,19 0,004 0,212 0,588 llaitcap -0,033 0,113 -0,245 0,267 RIM 0,42 0 -0,49 0,098 constant -3,812 0 -25,962 0,001 lnsig2v -4,464 0 -4,529 0 lnsig2u -3,812 0 -3,684 0 sigma_v 0,107 0,104 sigma_u 0,147 0,159 sigma2 0,033 0,036 lambda 1,373 1,526

La lecture du tableau précédent démontre que le modèle perd de son pouvoir explicatif si on le compare à celui sans correction. Certaines variables qui étaient significatives ne le sont plus à la suite de l’insertion de la variable RIM8_{. Les deux variables ayant le plus d’ampleur dans la fonction de coût pour les non-}

travailleurs restent les mêmes que ceux de la situation de référence : le prix des fourrages (-1,006) suivit du prix du lait (-0,987). Cependant, l’ampleur des coefficients varie quelque peu à la baisse. Néanmoins, le modèle reste passablement le même. Les modifications sont plus notables dans le cas des travailleurs hors ferme. Les deux variables ayant le plus de conséquences sur la fonction de coût sont le coût de concentré (-3,222) et le coût du capital (2,278). Les coefficients sont de même signe que ceux correspondant à la situation de référence, mais l’ampleur est beaucoup plus faible (0,02 et 1,6 respectivement). Donc, le groupe des travailleurs hors ferme est très sensible à la variation des prix des concentrés. Ceci s’explique de la façon suivante : lorsque le prix des concentrés augmente, les producteurs vont adopter un autre type d’alimentation, d’une façon telle que le coût en sera réduit. D’autre part, l’impact du capital est plus fort et

8_{Étant donné qu’aucune correction par bootstraping ou par la méthode de Murphy-Topel n’a été apportée, les P-values ne sont}

varie dans le même sens que le coût de production : une augmentation dans le coût du capital engendrera un important choc positif au niveau du coût de production.

À cette étape, on constate que la correction pour les biais sur les variables observables entraîne une modification des résultats ce qui justifie l’utilisation d’une telle méthode. En fait, l’omission des corrections pour les biais implique une surestimation de l’effet des variables dans l’estimation du modèle frontière pour le groupe ne travaillant pas hors ferme alors que l’on observe une sous-estimation pour le groupe travaillant hors ferme. Le coefficient de la variable IMR est significatif à un seuil de 1 % ce qui signifie qu’il y a présence de biais de sélection.

Les scores d’efficience pour les deux groupes sont résumés dans le tableau suivant :

Tableau 12 : Statistiques sur les scores d’efficience obtenus par la frontière intégrant les corrections de Heckman pour les non-travailleurs hors ferme et les travailleurs hors ferme

Observations Moyenne Écart-type Min Max

Efficacité 4

(NTHF) 3 601 0,853 0,117 0,141 0,978

Efficacité 5

(THF) 126 0,841 0,129 0.141 0,978

NTHF= non travail hors ferme ; THF = travail hors ferme.

Les résultats du test-t ne démontrent pas qu’il existe une différence significative entre les scores d’efficiences des deux groupes. Donc, la considération des biais inobservables amène des conclusions différentes de celles qui prévalaient initialement.

b) Correction pour les biais observables

Cette étape introduit la prise en considération des biais pour les variables observables. Elle consiste en la création de groupes dans lesquels les producteurs possèdent des variables observables similaires. Les variables retenues portent sur :

1. Les caractéristiques des exploitants  l’âge

 la formation 2. la structure des entreprises

 la part de l’exploitant majoritaire  la forme juridique

53  la taille (nombre d’unité animale)

 la charge salariale  l’importance des dettes 3. les variables exogènes

 la région  l’année

La commande de Stata pscore permet la création et l’appariement des données.9_{Selon la spécification du}

modèle, le programme a créé 10 groupes. Cependant, les variables ne sont pas balancées dans chacun de ceux-ci, c’est-à-dire que dans certains groupes les scores de propension n’ont pu être appariés de façon adéquate. Dans le groupe 5, la variable relevant de la formation du premier exploitant ne se retrouve pas de façon uniforme entre les deux groupes, alors que pour le groupe 6, il s’agit de la variable année. Le groupe 1 n’est également pas considéré dans l’analyse étant donné la trop forte représentation du groupe ne travaillant pas hors ferme. Par conséquent, seulement 7 groupes ont été retenus aux fins de l’analyse.

Tableau 13 : Repartions à l’intérieur des groupes

Groupe Ne travaille pas hors ferme Travail hors ferme

1* 7 379 1 2 1 269 7 3 1 401 38 4 1 685 83 5* 1 514 113 6* 454 55 7 65 11 8 29 28 9 34 24 10 3 2 Total 13 833 362

À la suite du processus d’assemblage, un modèle FSC est estimé de nouveau en utilisant seulement les données appariées. En premier lieu, la variable binaire TRAVHF est utilisée comme variable explicative.

Le tableau suivant donne les résultats de l’estimation frontière dans le cas où l’on considère l’échantillon contenant les données appariées retenues. Dans le premier cas, l’ensemble de la base de données est utilisé et le travail hors ferme est considéré comme un facteur de production.

9_{Un modèle probit est estimé pour la constitution du score et pour les tests permettant de s’assurer que les variables sont}

balancées, un t test est utilisé pour les variables continues et un test de Wilcoxon (Statistique de Mann-Whitney) pour les variables binaires (Becker et Ichino, 2002).

Tableau 14 : Résultats de l’estimation du modèle frontière classique lorsque la base de données appariée est prise en considération

Variable Coefficient P-value

4 670 observations lfour -1,18*** 0,00 lconc -0,06 0,75 lcap 1,22*** 0,00 lfour2 -3,57E-03 0,92 lfourconc -0,09** 0,02 lfourcap 0,03 0,33 lcon2 0,06*** 0,00 lconcap 0,01 0,65 lcap2 -0,02*** 0,00 llait -1,38*** 0,00 llait2 0,22*** 0,00 llaitfour 0,04 0,58 llaitcon -0,02 0,81 llaitcap 0,01 0,50 trav_hors 0,07*** 0,00 constant -5,42*** 0,00 lnsig2v -4,29*** 0,00 lnsig2u -3,82*** 0,00 sigma_v 0,12 sigma_u 0,15 sigma2 0,04 lambda 1,27

Le modèle est moins significatif que celui présenté à la première section. De plus, l’impact du prix des fourrages est de moindre importance alors que celui du capital est plus important si l’on compare avec la situation initiale – le coefficient de la variable lcap passe de 0,72 à 1,23. Le coefficient du travail hors ferme est toujours significatif et positif, mais son importance est moindre passant de 0,129 à 0,069. Les scores d’efficacité obtenus lorsque l’on considère l’ensemble de la base de données ainsi que ceux obtenus lorsque les données appariées sont retenues sont présentés dans le tableau 15.

Tableau 15 : Statistiques sur les scores d’efficience obtenus par les frontières classiques : ensemble de la base de données et données appariées

Observations Moyenne Écart-type Min Max

Efficacité 1 14 189 0,843 0,128 0,006 0,990

Efficacité 6 4 669 0,852 0,118 0,0004 0,990

Le résultat du test t nous permet de rejet et l’hypothèse nulle voulant que la différence entre les scores soit égale à zéro, par conséquent, il existe une différence significative dans le niveau d’efficacité obtenu entre les deux modèles. La correction pour les variables observables à l’aide du score de propension donne des résultats selon lesquels les fermes seraient plus efficaces par rapport à la situation initiale. En rappel, notre test t précédent montrait que les fermes ayant adopté du travail hors ferme avaient un score moyen d’efficience supérieure aux autres fermes. Ce résultat indique d’ores et déjà que, l’échantillon à considérer lors de l’analyse des efficiences a une moyenne supérieure à celle de l’ensemble de l’échantillon initial. Par la suite, un modèle frontière est estimé pour chacun des groupes en utilisant l’échantillon des données appariées. Cette étape permet d’évaluer la différence dans les scores d’efficience entre les deux groupes en corrigeant pour les biais dus aux variables observables. Pour ce faire, deux modèles frontière classiques ont été estimés pour chacun des groupes afin d’estimer leur score d’efficience. Le tableau 16 présente les résultats pour les deux groupes.

Tableau 16 : Résultats des modèles frontières avec correction pour les biais sur variables observables

non-travailleur hors ferme travailleur hors ferme

Variable Coefficient P-value Coefficient P-value

4 477 observations 193 observations lfour -1,30 0,20 0,41 0,66 lconc 0,14 0,20 -1,72** 0,04 lcap 1,16 0,11 0,51 0,14 lfour2 0,03** 0,04 -0,12 0,50 lfourconc -0,06** 0,04 0,18 0,55 lfourcap 0,05** 0,03 0,00 0,98 lcon2 0,06*** 0,00 -0,17 0,24 lconcap -0,01** 0,03 0,13 0,14 lcap2 -0,02*** 0,00 -0,01 0,41 llait -1,42 0,22 -2,65*** 0,00 llait2 0,22** 0,03 -0,01 0,92 llaitfour 0,06* 0,07 -0,21 0,34 llaitcon -0,03* 0,07 -0,11 0,58 llaitcap 0,01** 0,02 0,34*** 0,00 constant -4,34 1,18 -1,53 0,72 lnsig2v -4,31** 0,05 -6,24*** 0,00 lnsig2u -3,83* 0,06 -2,84*** 0,00 sigma_v 0,12*** 0,00 0,04 sigma_u 0,15*** 0,00 0,24 sigma2 0,04*** 0,00 0,06 lambda 1,27*** 0,01 5,45

La lecture du tableau 15 permet de constater qu’il existe de grandes différences entre les deux groupes dans leur façon d’utiliser les intrants. Dans le cas des non-travailleurs hors ferme, la valeur du lait au carré est la variable ayant la plus forte influence sur le coût le de production avec un coefficient de 0,22. Dans le cas des travailleurs hors ferme, cette variable n’est même pas significative. Dans le cas des travailleurs hors ferme, trois variables permettent d’expliquer la fonction de coût de manière significative : le coût des concentrés, le prix du lait, et l’interaction entre le prix du lait et le coût du capital.

Les résultats des scores d’efficience sont également intéressants. Les entreprises ne travaillant pas hors ferme (efficacité 7) ont un score moyen de 0,85 avec un écart-type de 0,12. L’entreprise la moins efficace a

57 un score de 0,09 et la plus efficace a un score de 0,99. Ces résultats sont assez similaires au cas où l’ensemble de la base de données est utilisé. Du côté des travailleurs hors ferme, l’efficacité moyenne est passée à 0,76, ce qui nettement plus bas que la situation où les biais pour les variables observables ne sont pas considérés.

Tableau 17 : Statistiques sur les scores d’efficience avec correction pour les biais sur variables observables

Observations Moyenne Écart-type Min Max

Efficacité 7 (NTHF) 4 475 0,853 0,117 0,090 0,990

Efficacité 8 (THF) 193 0,759 0,203 0,200 0,983

NTHF= non travail hors ferme ; THF = travail hors ferme.

Le test-t indique qu’il existe une différence significative dans le score d’efficience entre les deux groupes. Par conséquent, on observe que la prise en compte des biais dus aux variables observables amène des résultats considérablement différents par rapport à ceux obtenus à la première et troisième étape. Néanmoins, il faut être prudent dans l’interprétation de ce dernier résultat étant donné le faible niveau de signification du modèle.

c) Correction pour les 2 types de biais

Cette étape vise l’intégration de la correction pour les biais de sélection sur les variables inobservables dans l’échantillon apparié. Il s’agit d’utiliser la méthode proposée par Heckman sur l’échantillon contenant les données appariées. À l’instar de l’étape 3, deux modèles de type frontière sont estimés. Le tableau 18 présente les résultats lorsque l’on considère le groupe travaillant hors ferme.

Tableau 18 : Résultats de l’estimation des modèles frontière avec corrections pour les biais sur les variables inobservables et observables

non-travailleur hors ferme travailleur hors ferme

Variable Coefficient P-value Coefficient P-value

3 728 observations 72 observations lfour -0,69 0,05 -1,47 0,22 lconc -0,18 0,61 -1,39 0,24 lcap 0,86 0,00 2,02 0,03 lfour2 -0,07 0,29 0,23 0,42 lfourconc -0,03 0,67 -0,28 0,58 lfourcap 0,13 0,01 0,04 0,88 lcon2 0,08 0,00 -0,04 0,86 lconcap -0,11 0,04 0,07 0,79 lcap2 -0,02 0,01 0,00 0,99 llait -0,81 0,03 -0,79 0,53 llait2 0,29 0,00 0,40 0,02 llaitfour -0,27 0,03 0,04 0,92 llaitcon 0,32 0,01 0,02 0,96 llaitcap -0,01 0,88 -0,26 0,21 IMR 0,23 0,00 -0,12 0,00 constant -5,10 0,02 -16,66 0,04 lnsig2v -4,52 0,00 -6,51 0,00 lnsig2u -3,63 0,00 -3,25 0,00 sigma_v 0,10 0,39 sigma_u 0,16 0,20 sigma2 0,04 0,04 lambda 1,56 5,09

Dans le cas des non-travailleurs hors ferme, la spécification du modèle a amélioré le pouvoir explicatif du modèle. Le coût du capital (0,86) est la variable ayant le plus fort impact sur le coût de production, suivi du coût des fourrages (-0,69). Cependant, les résultats sont moins bons pour l’autre groupe. Seulement deux variables sont significatives : le coût du capital et le prix du lait au carré. Cependant, dans les deux cas les variables RIM sont significatives indiquant que le choix d’introduire une correction sur les variables inobservables était approprié.

59 Les scores d’efficacité sont présentés dans le tableau suivant. Le groupe de non-travailleurs hors ferme (efficacité 9) a un score moyen de 0,84 avec un écart-type de 0,13. Les travailleurs hors ferme ont un score d’efficacité (efficacité 10) de 0,80 avec un écart-type de 0,193.

Tableau 19: Statistiques sur les scores d’efficience obtenus par les frontières classiques : ensemble de la base de données et données appariées

Observations Moyenne Écart-type Min Max

Efficacité 9 (NTHF) 1 235 0,840 0,125 0,198 0,976 Efficacité 10 (THF) 72 0,803 0,193 0,207 0,987

Le test-t sur les moyennes permet de conclure qu’il existe une différence significative entre les efficiences des deux groupes et que les producteurs travaillant hors ferme sont en moyenne moins efficaces que ceux se concentrant sur les activités de la ferme.

4.1.5 Synthèse des résultats

Les sections précédentes ont permis de mettre en évidence l’effet des différentes corrections sur les paramètres estimés dans la fonction de coût. Les tableaux 20 et 21 présentent une synthèse de l’ensemble des estimations. Le premier utilise la base de données avant l’appariement alors que le deuxième présente ceux qui l’ont subi.

Tableau 20 : Synthèse des résultats pour l’ensemble de la base de données

Frontière conventionnelle Frontière avec correction

ensemble de la bd contrôle travailleurs hors ferme contrôle travailleurs hors ferme

Coefficient P-value Coefficient P-value Coefficient P-value Coefficient P-value Coefficient P-value

Variable lfour -1,519*** 0 -1,57*** 0 -2,2 0,071 -1,006*** 0 1,389 0,434 lconc 0,846*** 0 0,9*** 0 0,02 0,988 0,138 0,428 -3,222** 0,024 lcap 0,721*** 0 0,68*** 0 1,6*** 0 0,88*** 0 2,278*** 0,003 lfour2 -0,107*** 0 -0,12*** 0 0,2 0,397 -0,087*** 0,002 -0,053 0,876 lfourconc 0,021 0,28 0,04** 0,042 -0,5*** 0,001 0,02 0,484 0,214 0,71 lfourcap 0,135*** 0 0,49*** 0 0,9 0,429 0,113*** 0 -0,16 0,395 lcon2 0,057*** 0 0,06*** 0 0,14 0,445 0,061*** 0 -0,187 0,441 lconcap -0,01*** 0 -0,12*** 0 0,12 0,293 -0,14*** 0 0,171 0,332 lcap2 -0,013*** 0 -0,01*** 0 -0,06*** 0 -0,007 0,54 -0,014 0,661 llait 1,21*** 0 -1,27*** 0 -1,8** 0,048 -0,987*** 0 0,376 0,79 llait2 0,125*** 0 0,13*** 0 0,6 0,624 -0,286*** 0 0,31 0,124 llaitfour 0,014* 0,07 0,02 0,58 -0,11 0,696 -0,115 0,089 -0,07 0,87 llaitcon -0,065*** 0 -0,07* 0,06 -0,12 0,646 0,19*** 0,004 0,212 0,588 llaitcap 0,048*** 0 0,05*** 0 0,17* 0,057 -0,033 0,113 -0,245 0,267 trav_hors 0,129*** 0 RIM 0,42*** 0 -0,49*** 0,00 constant -0,206 0,703 0,55 0,314 -6,29 0,216 -3,812*** 0 -25,962*** 0,001 lnsig2v -4,307 0 -4,33 0 -3,7 0 -4,464 0 -4,529 0 lnsig2u -3,692 0 -3,7 0 -4,06 0 -3,812 0 -3,684 0 sigma_v 0,116 0,11 0,15 0,107 0,104 sigma_u 0,0158 0,16 0,13 0,147 0,159 sigma2 0,038 0,04 -0,04 0,033 0,036 lambda 1,36 1,37 0,08 1,373 1,526

La lecture de ce tableau indique que les différentes modélisations ont un impact sur les estimations. Il est intéressant de noter que dans le cas des non travailleurs hors ferme, les coefficients du prix du lait ainsi que son interaction avec les autres variables prennent des signes différents dans le cas où l’on applique la correction de Heckman. De plus, l’application de la correction de Heckman rend le processus d’estimation plus difficile et certaines variables qui étaient significatives à la première étape ne le sont plus. Du côté des travailleurs hors ferme, il est intéressant de noter qu’avant la correction le coût des fourrages était la variable ayant le plus d’impact sur le coût de production. Or, avec l’application de la correction, ce titre revient au coût des concentrés. Ainsi, les différentes modélisations ont des conséquences sur

Tableau 21 : Synthèse des résultats pour les données appariées

Frontière conventionnelle Frontière avec correction

ensemble de la bd appariée contrôle travailleurs hors ferme contrôle travailleurs hors ferme

Coefficient P-value Coefficient P-value Coefficient P-value Coefficient P-value Coefficient P-value

Variable 4 670 observations 4 477 observations 193 observations 3 728 observations 72 observations

lfour -1,18*** 0,00 -1,30*** 0,00 0,41 0,66 -0,69** 0,05 -1,47 0,22 lconc -0,06 0,75 0,14 0,467 -1,72* 0,04 -0,18 0,61 -1,39 0,24 lcap 1,22*** 0,00 1,16*** 0,00 0,51 0,14 0,86*** 0,00 2,02** 0,03 lfour2 0,00 0,92 0,03 0,42 -0,12 0,50 -0,07 0,29 0,23 0,42 lfourconc -0,09** 0,02 -0,06 0,11 0,18 0,55 -0,03 0,67 -0,28 0,58 lfourcap 0,03 0,33 0,05* 0,10 0,00 0,98 0,13** 0,01 0,04 0,88 lcon2 0,06*** 0,00 0,06*** 0,00 -0,17 0,24 0,08*** 0,00 -0,04 0,86 lconcap 0,01 0,65 -0,01 0,794 0,13 0,14 -0,11** 0,04 0,07 0,79 lcap2 -0,02*** 0,00 -0,02*** 0,00 -0,01 0,41 -0,02** 0,01 0,00 0,99 llait -1,38*** 0,00 -1,42*** 0,00 -2,65*** 0,00 -0,81** 0,03 -0,79 0,53 llait2 0,22*** 0,00 0,22*** 0,00 -0,01 0,92 0,29*** 0,00 0,40** 0,02 llaitfour 0,04 0,58 0,06 0,42 -0,21 0,34 -0,27** 0,03 0,04 0,92 llaitcon -0,02 0,81 -0,03* 0,63 -0,11 0,58 0,32** 0,01 0,02 0,96 llaitcap 0,01 0,50 0,01** 0,41 0,34*** 0,00 -0,01 0,88 -0,26 0,21 trav_hors 0,07*** 0,00 RIM 0,23*** 0,00 -0,12*** 0,00 constant -5,42*** 0,00 -4,34*** 0,00 -1,53 0,72 -5,10** 0,02 -16,66** 0,04 lnsig2v -4,29 0,00 -4,31*** 0,00 -6,24*** 0,00 -4,52*** 0,00 -6,51*** 0,00 lnsig2u -3,82 0,00 -3,83*** 0,00 -2,84*** 0,00 -3,63*** 0,00 -3,25*** 0,00 sigma_v 0,12 0,12 0,04 0,10 0,39 sigma_u 0,15 0,15 0,24 0,16 0,20 sigma2 0,04 0,04 0,06 0,04 0,04 lambda 1,27 1,27 5,45 1,56 5,09

À la suite du processus d’appariement des données, la basse de données est passée de 14 195 observations à 4 670. Évidemment, ceci n’est pas sans conséquence sur le niveau de significativité des modèles estimés. On remarque également que la correction de Heckman contribue à améliorer la qualité des résultats pour le groupe ne travaillant pas hors-ferme.

Les différentes estimations du groupe de contrôle donnent des résultats pratiquement similaires, mais comportent tout de même certaines différences qui peuvent influencer l’analyse. Par exemple, le coût du fourrage reste en élément significatif dans la fonction de coût que l’on apporte la correction de Heckman ou

non. Cependant, c’est la valeur du lait qui l’influence la plus forte avant que l’on apporte la correction avec un coefficient de -1,42 alors que c’est le capital dans le cas où la correction de Heckman est appliquée avec un coefficient de 0,86. Le signe de la variable d’interaction entre le prix du lait et le coût du concentré est positif dans le premier cas et négatif dans l’autre.

Dans le cas du groupe travaillant hors ferme, les différences sont encore plus marquées. Tout d’abord, ce ne sont pas les mêmes variables qui sont significatives. Le prix du lait (-2,65) a l’influence la plus forte sans la correction de Heckman alors qu’il s’agit du coût du capital (2,02) lorsque celle-ci est appliquée. Encore une fois, il semblerait que le capital soit un élément important à optimiser pour les producteurs qui adoptent le travail hors ferme.

Somme toute, la lecture des deux tableaux précédents confirme qu’il existe des différences dans les modes de production dépendamment de la façon que les producteurs décident d’organiser leur travail. Il convient donc de porter une attention à l’hétérogénéité des groupes dans les estimations de modèle frontière, particulièrement si l’objectif de leur utilisation porte du l’efficacité.

63 Le tableau 22 suivant porte sur les différentes estimations de score d’efficacité.

Tableau 22 : Sommaire des scores d’efficience

Variable Nombre

d’observations

Moyenne Écart-type Minimum Maximum

Eff1 14 189 0,843 0,128 0,006 0,990 Eff2 13 827 0,843 0,129 0,008 0,990 Eff3 362 0,869 0,084 0,490 0,960 Eff4 3 601 0,853 0,117 0,141 0.978 Eff5 126 0,841 0,129 0,141 0,978 Eff6 4 669 0,852 0,118 0,0004 0,990 Eff7 4 475 0,853 0,117 0,090 0,990 Eff8 193 0,759 0,203 0,200 0,983 Eff9 1 235 0,840 0,125 0,198 0,976 Eff10 72 0,803 0,193 0,207 0,987 Légende :

Eff1 : Efficacité de l’ensemble de la base de données Eff2 : Efficacité du groupe de contrôle

Eff3 : Efficacité du groupe travaillant hors ferme

Eff4 : Efficacité du groupe de contrôle avec correction pour les biais inobservables

Eff5 : Efficacité du groupe ne travaillant pas hors ferme avec correction pour les biais inobservables Eff6 : Efficacité de l’ensemble de la base de données avec correction pour les biais observables Eff7 : Efficacité du groupe de contrôle avec correction pour les biais observables

Eff8 : Efficacité du groupe travaillant hors ferme avec correction pour les biais observables Eff9 : Efficacité du groupe de contrôle avec correction pour les biais observables et inobservables

Eff10 : Efficacité du groupe travaillant hors ferme avec correction pour les biais observables et inobservables

L’étude des scores d’efficience a démontré que ceux-ci varient en fonction de la modélisation utilisée. La comparaison de l’efficience entre les deux groupes amène à des conclusions différentes selon le type de modélisation. Dans le modèle où aucune correction n’est apportée, les résultats d’un test-t démontrent que le groupe des travailleurs hors ferme est légèrement plus efficace que celui se concentrant sur les activités de la ferme. L’ampleur de l’écart-type nous permet également de conclure que le groupe ne travaillant pas à l’extérieur est plus homogène en termes d’efficience que leur contrepartie.

Par la suite, nous avons appliqué la correction de Heckman sur l’ensemble de la base de données. Les résultats démontrent que le groupe travaillant hors ferme est légèrement plus efficace que le groupe témoin. Les résultats du test-t ne démontrent pas qu’il existe une différence significative entre les scores d’efficiences des deux groupes. Néanmoins, on perçoit que le fait d’appliquer une correction amène à des conclusions différentes.

Lorsque nous avons introduit la correction pour les variables observables à l’aide du score de propension, la comparaison s’est faite, dans un premier lieu, avec la situation initiale (eff1). Dans ce cas, il n’y a pas de distinction significative entre les deux groupes quant au niveau d’efficacité. Les résultats (comparaison

entre eff1 et eff6) laissent présager que lorsque l’on corrige pour les biais sur les variables observables par l’utilisation d’un score de propension et l’appariement des données, le niveau d’efficience est légèrement avantagé alors que les écart-type sont sensiblement les mêmes. Le résultat du test t nous permet le rejet de l’hypothèse nulle voulant que la différence entre les scores soit égale à zéro, par conséquent, il existe une différence significative dans le niveau d’efficacité obtenu entre les deux modèles. Lorsque l’on sépare

Dans le document L'effet du travail hors-ferme sur l'efficacité technique des fermes laitières : un modèle intégrant les biais de sélection sur les observables et inobservables (Page 60-83)