Comme mentionné dans les chapitres précédents, la façon dont certaines variables sont compilées change entre les cohortes. Le tableau 5.2 montre l’effet d’ajouter des va-riables d’interaction au modèle. La première colonne présente le même modèle de
ré-54 Tableau 5.1 Coefficients estimés de régressions spatiales en panel avec différentes matrices de poids spatiaux
Cinq voisins Quatre voisins Six voisins 100km Tour Reine
Variables (1) (2) (3) (4) (5) (6) Proportion en % de la population étant
mariée Proportion en % de familles
monoparen-tales Proportion moyenne en % de la
popula-tion étant autochtone Proportion en % de la population non
im-migrante Proportion en % de la population vivant
dans leur province d’origine Proportion en % des 15 ans et plus ayant
moins de neuf ans d’éducation
-0,0026*** Proportion en % des 15 ans et plus ayant
au moins un diplôme d’études secon-daires
Proportion en % des 15 ans et plus ayant fait des études universitaires Taux d’activité de la population de 15 ans
à 24 ans Proportion en % des propriétaires
occu-pants consacrant 30 % et plus de leur re-venu à leur propriété
Log du revenu moyen des familles de re-censement ($ de 2000)
Décalage spatial de l’immobilité de rang 0,3300***
(0,0659) 0,3525*** Décalage spatial du terme d’erreur 0,0079
(0,1024) -0,0617
Log vraisemblance 2344 2348 2348 2364 2357 2353
Écarts-types entre parenthèses
*(p<0,05), **(p<0,01), ***(p<0,001)
Source : Calculs de l’auteur à partir des données de Marchand (2017) et Statistique Canada (2001, 2016)
55 gression en panel que dans le tableau 4.2. La deuxième colonne montre l’effet d’ajouter des variables dichotomiques de cohorte au modèle précédent. La troisième colonne pré-sente le même modèle de régression spatiale avec deux décalages spatiaux (immobilité de rang et terme d’erreur) que dans le tableau 4.2. La quatrième colonne montre elle aussi ce qui se produit lorsqu’on l’on tient compte de l’effet spécifique à chaque co-horte. La cinquième colonne modifie le modèle de régression spatiale en panel avec deux décalages en y ajoutant des interactions entre les variables d’éducation et les co-hortes afin de vérifier l’effet du changement de mesure du recensement de 2001. Pour ce faire, l’année de base de la colonne 5 est différentes des autres afin de visualiser spécifiquement la différence entre la cohorte de 2001 et toutes les autres. En utilisant 1981 comme cohorte de base, ces variables d’interaction auraient probablement été dif-férentes de 0 mais l’effet de la différence de mesure aurait été difficile à différencier de celui lié au passage du temps (20 ans séparent ces cohortes). En utilisant 2001 comme année de base, on peut clairement voir que la différence de mesure est liée avec une dif-férence de valeur significative pour chacune des cohortes. La dernière colonne contient elle aussi l’estimation d’une version modifiée du modèle de régression spatiale en panel avec deux décalages, mais les interactions touchent cette fois la proportion des proprié-taires occupants consacrant une part importante de leurs revenus à leur propriété.
On remarque tout d’abord que dans le modèle sans décalage spatial, l’ajout de variables dichotomiques pour les cohortes améliore le modèle autant que l’ajout du décalage spatial. Par contre, le modèle avec décalage spatial et incluant des variables de cohortes a toujours une log vraisemblance significativement plus élevée que celui sans décalage spatial.
En ce qui a trait aux variables mesurées différemment selon les cohortes, l’impact du changement de mesure varie. Utiliser la population de 20 ans et plus plutôt que celle de 15 ans et plus en 2001 semble modifier significativement les coefficients associés à la proportion de la population ayant moins de neuf ans d’éducation et la proportion de la
56
Tableau 5.2 Coefficients estimés de régressions en panel avec interactions de cohortes
Régression
Proportion en % de la popula-tion étant mariée
Proportion en % de familles monoparentales
Proportion moyenne en % de la population étant autochtone
Proportion en % de la popula-tion non immigrante
Proportion en % de la popula-tion vivant dans leur province d’origine
Proportion en % des 15 ans et plus ayant moins de neuf ans d’éducation
Proportion en % des 15 ans et plus ayant au moins un di-plôme d’études secondaires
Proportion en % des 15 ans et plus ayant fait des études uni-versitaires
Taux d’activité de la popula-tion de 15 ans à 24 ans
Proportion en % des proprié-taires occupants consacrant
Log du revenu moyen des fa-milles de recensement ($ de 2000)
Continue à la page suivante
57
Suite du tableau 5.2
Interactions (1) (2) (3) (4) (5) (6)
Cohorte et éducation Base : 2001
1981 et proportion moins de neuf ans d’éducation
0,0021*
(0,0009)
1986 et proportion moins de neuf ans d’éducation
0,0027**
(0,0009)
1991 et proportion moins de neuf ans d’éducation
0,0018*
(0,0009)
1996 et proportion moins de neuf ans d’éducation
0,0024**
(0,0009)
1981 et proportion au moins diplôme secondaire
0,0027**
(0,0010)
1986 et proportion au moins diplôme secondaire
0,0032**
(0,0010)
1991 et proportion au moins diplôme secondaire
0,0030**
(0,0010)
1996 et proportion au moins diplôme secondaire
0,0021*
(0,0010)
1981 et proportion études uni-versitaires
-0,0000
(0,0012)
1986 et proportion études uni-versitaires
-0,0005
(0,0011)
1991 et proportion études uni-versitaires
-0,0019
(0,0011)
1996 et proportion études uni-versitaires
-0,0008
(0,0010)
Cohorte et dépenses de pro-priété élevées
Base : 1981
1986 et 30 % et plus du revenu -0,0016
(0,0010)
1991 et 30 % et plus du revenu -0,0002
(0,0010)
1996 et 30 % et plus du revenu -0,0006
(0,0008)
2001 et 30 % et plus du revenu -0,0030**
(0,0011)
Poids : cinq voisins les plus proches
Log vraisemblance 2300 2344 2344 2368 2380 2372
Écarts-types entre parenthèses
*(p<0,05), **(p<0,01), ***(p<0,001)
Source : Calculs de l’auteur à partir des données de Marchand (2017) et Statistique Canada (2001, 2016)
58 population ayant au moins un diplôme d’études secondaires.
Dans le premier cas, le coefficient est toujours négatif, mais est significativement plus faible. Les coefficients associés aux interactions sont tous significativement positifs, ce qui suggérerait que la cohorte de 2001 surestimerait l’effet en valeur absolue de la proportion de la population de 15 ans et plus ayant moins de neuf ans d’éducation sur la mobilité intergénérationnelle du revenu.
Pour ce qui est de la proportion de la population d’une division de recensement ayant au moins un diplôme d’études secondaires, en tenant compte de l’effet particulier de 2001, cette variable semblerait avoir une corrélation négative significative avec l’im-mobilité de rang. Par contre, les variables d’interactions ont toutes elles aussi un signe positif significativement différent de zéro. Les coefficients des interactions sont de la même amplitude que celui associé à la diplomation du secondaire, ce qui suggérerait que cette variable aurait un lien significatif avec l’immobilité de rang uniquement pour la cohorte de 2001 et que cela serait probablement causé par la spécification différente.
Selon les résultats de Connolly et al. (2020a), le niveau d’éducation individuel (des parents de l’enfant) et celui à l’intérieur même d’une province canadienne seraient cor-rélés à la mobilité intergénérationnelle du revenu. Un modèle incluant la dimension spatiale, l’éducation des parents, et le niveau d’éducation de la division de recensement nous permettrait de mieux observer le rôle joué par chaque variable dans la mobilité intergénérationnelle du revenu.
Il n’est pas possible de tirer de conclusions claires par rapport au biais associé à la mesure de 2001 sur la proportion de la population ayant fait des études universitaires.
L’ajout des variables d’interaction rend le coefficient estimé non significativement dif-férent de zéro. Les coefficients des variables d’interactions ne sont pas eux non plus significativement différents de zéro. Il se peut que cette différence soit causée par la différence de mesure de 2001, mais il se peut que ce soit l’ajout de très nombreuses
59 variables très corrélées qui ait causé ce changement. Dans tous les cas, l’effet des inter-actions entre la cohorte de 2001 et les autres variables liés à l’éducation suggèrent que la façon dont ces données ont été compilées lors du recensement de 2001 cause un biais lors de l’estimation de leurs effets. Les différences de mesure ne semblent qu’affecter la significativité des variables liées à l’éducation à l’intérieur des divisions de recense-ment. Cela ne change en rien la pertinence du modèle spatial, bien que si l’on souhaitait faire une analyse plus poussée, il faudrait remédier à cette différence de mesure sur ces variables.
Finalement, en ce qui a trait à la proportion des propriétaires occupants consacrant une large part de leur revenu à leur résidence, le seuil de 25 % utilisé en 1981 ne semble pas avoir d’incidence sur les coefficients. Les coefficients associés aux variables d’in-teractions ne sont pas significativement différents de zéro, mis à part celui associé à 2001. Cela peut être lié au fait que plus de 20 années séparent ces cohortes plutôt que la spécification différente.
En résumé, inclure les effets spécifiques à chaque cohorte augmente de façon significa-tive la log vraisemblance du modèle mais ne change rien aux résultats trouvés dans le chapitre 4. L’effet du changement de l’âge d’inclusion pour les variables liées à l’éduca-tion en 2001 semble par contre avoir un effet important sur ces variables spécifiquement et il faudrait en tenir compte si nous souhaitions faire une estimation plus précise de leurs effets.
CONCLUSION
Les données maintenant disponibles pour l’étude de la mobilité intergénérationnelle du revenu permettent de raffiner les modèles et les approches afin de mieux comprendre ce phénomène. Avec des bases de données plus complètes et comptant de nombreuses cohortes, il est donc important de s’assurer de bien représenter ce sujet d’étude. Ce mé-moire avait deux objectifs principaux : confirmer la présence d’autocorrélation spatiale dans la mobilité intergénérationnelle du revenu et vérifier la pertinence de l’intégrer dans un modèle économétrique. Nous avons étudié ici les communautés, et non les individus. Ce faisant, les régions peu populeuses comme le Nunavut avaient la même influence que celles très peuplées comme Toronto. Les sujets de ces régions se trouvent donc à avoir une place beaucoup plus importante dans nos estimations que si nous avions pondéré les divisions en fonction de leur population.
Dans chacune des cohortes étudiées, l’influence de l’immobilité de rang d’une division de recensement sur ses voisins est indéniable, peu importe comment la relation de voisi-nage est définie. On constate aussi la présence de regroupements géographiques impor-tants de divisions de recensement qui ne sont pas dus uniquement au hasard au centre du Canada, dans les Prairies, dans la région de Toronto et dans la région de Québec.
Certains de ces regroupements sont présents pour toutes les cohortes (centre du Canada et région de Toronto) tandis que d’autres varient dans le temps. Bien que notre analyse ne puisse pas identifier les relations causales, nos résultats suggèrent une variété de variables associées à une mobilité intergénérationnelle élevée, et donc l’identification de ces regroupements pourrait permettre d’élaborer des politiques publiques particu-lières visant plus précisément les regroupements de divisions de recensement ayant une
61 faible mobilité (par exemple, un programme visant à promouvoir les études universi-taires spécifiquement dans les divisions faisant partie du regroupement du centre du Canada).
Lorsque l’on étudie l’immobilité de rang à l’aide de modèles économétriques, l’ajout d’un ou de plusieurs décalages spatiaux améliore significativement la correspondance des modèles aux données. Cette meilleure correspondance est significative, peu importe la matrice de poids utilisée, bien que certaines semblent être meilleures que d’autres.
Dans ce mémoire, le signe des coefficients estimés n’a pas changé lors de l’inclusion de la dimension spatiale mais le niveau de significativité de certaines variables a gran-dement diminué. La meilleure correspondance du modèle spatial ne semble donc pas invalider les résultats des études précédentes. Par contre, si l’on tente d’estimer l’effet d’un changement à l’une des variables explicatives, un modèle n’incluant pas de dé-calages spatiaux aura tendance à sous estimer l’amplitude de cet effet. Les dédé-calages spatiaux sont des outils supplémentaires afin d’obtenir des estimations plus représenta-tives de la réalité.
Plus récemment, Chetty et al. (2014) aux États-Unis et Corak (2020) au Canada ont commencé à s’intéresser à la dimension géographique de la mobilité intergénération-nelle du revenu. Leurs méthodes d’identification des regroupements d’intérêt sont dif-férentes de celles utilisées ici, mais semblent elles aussi démontrer une proximité géo-graphique des régions avec des valeurs de mobilité similaires, aux mêmes endroits que dans ce mémoire pour l’analyse de Corak (2020). L’étude de la mobilité des commu-nautés permet de trouver d’autres façons d’influencer la mobilité des enfants. On dit que pour élever un enfant, il faut tout un village, mais encore faut-il être capable de comprendre pourquoi certains villages réussissent mieux que d’autres. L’étude de la mobilité des divisions canadiennes de recensement pourrait nous permettre de com-prendre quels facteurs font en sorte que le revenu des enfants de certaines divisions est beaucoup moins lié à celui de leurs parents que d’autres. L’inclusion des interactions
62
spatiales permet donc d’estimer l’effet de ces facteurs plus précisément.
Ce mémoire ouvre la porte à d’autres travaux de recherche cherchant à approfondir l’étude de la dimension spatiale de la mobilité intergénérationnelle du revenu. On a qu’à penser à comment déterminer la meilleure matrice de poids spatiaux, le calcul de l’effet qu’a d’appartenir à un regroupement d’intérêt sur la mobilité d’une division, changer l’échelle spatiale étudiée, l’inclusion de données individuelles des enfants en plus de celles de leur division de recensement, l’effet d’un déménagement sur la mobi-lité intergénérationnelle du revenu, etc. De plus, le fait que l’on connaisse l’existence et l’emplacement des regroupements d’immobilité de rang d’intérêt peut servir à élabo-rer des politiques publiques mieux ciblées géographiquement, ayant plus de chance de réussir à améliorer la qualité de vie des Canadiens. L’inclusion de l’espace apporte donc une toute nouvelle dimension à l’étude de la mobilité intergénérationnelle du revenu.
BIBLIOGRAPHIE
Aldstadt, J. et Getis, A. (2006). Using AMOEBA to Create a Spatial Weights Matrix and Identify Spatial Clusters. Geographical Analysis,38(4), 327–343.
http://dx.doi.org/10.1111/j.1538-4632.2006.00689.x
Anselin, L. (1988). Spatial Econometrics : Methods and Models. Numéro 4 de Studies in Operational Regional Science. Dordrecht ; Boston : Kluwer Academic Publishers.
Anselin, L. (1995). Local Indicators of Spatial Association-LISA. Geographical Analysis,27(2), 93–115. http://dx.doi.org/10.1111/j.1538-4632.1995.tb00338.x Anselin, L. (2010). Thirty years of spatial econometrics : Thirty years of spatial
econometrics. Papers in Regional Science,89(1), 3–25.
http://dx.doi.org/10.1111/j.1435-5957.2010.00279.x
Anselin, L., Sridharan, S. et Gholston, S. (2007). Using Exploratory Spatial Data Analysis to Leverage Social Indicator Databases : The Discovery of Interesting Patterns. Social Indicators Research,82(2), 287–309.
http://dx.doi.org/10.1007/s11205-006-9034-x
Badinger, H. et Egger, P. (2011). Estimation of higher-order spatial autoregressive cross-section models with heteroscedastic disturbances : Estimation of
heteroscedastic SARAR(R,S) models. Papers in Regional Science,90(1), 213–235.
http://dx.doi.org/10.1111/j.1435-5957.2010.00323.x
Becker, G. S. et Tomes, N. (1979). An Equilibrium Theory of the Distribution of Income and Intergenerational Mobility. Journal of Political Economy,87(6), 1153–1189. http://dx.doi.org/10.1086/260831
Becker, G. S. et Tomes, N. (1986). Human Capital and the Rise and Fall of Families.
Journal of Labor Economics,4(3, Part 2), S1–S39.
http://dx.doi.org/10.1086/298118
Belshaw, J. D. (2016). Canadian History : Post-Confederation.
Black, S. E. et Devereux, P. J. (2011). Recent Developments in Intergenerational Mobility. InHandbook of Labor Economics, volume 4 1487–1541. Elsevier
64 Black, S. E., Devereux, P. J. et Salvanes, K. G. (2005). Why the Apple Doesn’t Fall
Far : Understanding Intergenerational Transmission of Human Capital. THE AMERICAN ECONOMIC REVIEW,95(1), 32.
Black, S. E., Devereux, P. J. et Salvanes, K. G. (2009). Like father, like son ? A note on the intergenerational transmission of IQ scores. Economics Letters,105(1), 138–140. http://dx.doi.org/10.1016/j.econlet.2009.06.022
Blanden, J. (2005). Love and Money : Intergenerational Mobility and Marital Matching on Parental Income. Numéro 272 de Research Paper Series / Analytical Studies, Statistics Canada. Ottawa, Ontario.
Bratsberg, B., Røed, K., Raaum, O., Naylor, R., Jantti, M., Eriksson, T. et Osterbacka, E. (2007). Nonlinearities in Intergenerational Earnings Mobility : Consequences for Cross-Country Comparisons. The Economic Journal,117(519), C72–C92.
http://dx.doi.org/10.1111/j.1468-0297.2007.02036.x
Breau, S., Burkhart, N., Shin, M., Marchand, Y. et Sauer, J. (2020). Is it time to start worrying more about growing regional inequalities in Canada ? The Canadian Geographer / Le Géographe canadien,64(4), 542–550.
http://dx.doi.org/10.1111/cag.12634
Breau, S., Shin, M. et Burkhart, N. (2018). Pulling apart : New perspectives on the spatial dimensions of neighbourhood income disparities in Canadian cities. Journal of Geographical Systems,20(1), 1–25.
http://dx.doi.org/10.1007/s10109-017-0255-0
Champagne, V. (2017). Les Autochtones plus nombreux et plus urbains, mais aussi plus pauvres. Radio-Canada.
Chen, W.-H., Ostrovsky, Y. et Piraino, P. (2017). Lifecycle variation,
errors-in-variables bias and nonlinearities in intergenerational income transmission : New evidence from Canada. Labour Economics,44, 1–12.
http://dx.doi.org/10.1016/j.labeco.2016.09.008
Chetty, R. et Hendren, N. (2018a). The Impacts of Neighborhoods on
Intergenerational Mobility I : Childhood Exposure Effects*. The Quarterly Journal of Economics,133(3), 1107–1162. http://dx.doi.org/10.1093/qje/qjy007
Chetty, R. et Hendren, N. (2018b). The Impacts of Neighborhoods on
Intergenerational Mobility II : County-Level Estimates*. The Quarterly Journal of Economics,133(3), 1163–1228. http://dx.doi.org/10.1093/qje/qjy006
Chetty, R., Hendren, N., Kline, P. et Saez, E. (2014). Where is the land of
Opportunity ? The Geography of Intergenerational Mobility in the United States*.
65 The Quarterly Journal of Economics,129(4), 1553–1623.
http://dx.doi.org/10.1093/qje/qju022
Cliff, A. D., Ord, J. K. et Cliff, A. D. (1981). Spatial Processes : Models &
Applications. London : Pion.
Cliff, A. D. et Ord, K. (1971). Evaluating the Percentage Points of a Spatial Autocorrelation Coefficient*. Geographical Analysis,3(1), 51–62.
http://dx.doi.org/10.1111/j.1538-4632.1971.tb00347.x
Connolly, M., Corak, M. et Haeck, C. (2019a). Intergenerational Mobility Between and Within Canada and the United States. Journal of Labor Economics,37(S2), S595–S641. http://dx.doi.org/10.1086/703465
Connolly, M. et Haeck, C. (2019a). Étude Du Lien Entre La Mobilité
Intergénérationnelle Du Revenu et Le Marché Du Logement Au Canada. Rapport de recherche, Société canadienne d’hypothèques et de logement.
Connolly, M. et Haeck, C. (2019b). Harmonizing Canadian Census Divisions, 1981 to 2001. http://dx.doi.org/10.3886/E111763V1
Connolly, M., Haeck, C. et Laliberté, J.-W. (2020a). Parental Education and the Rising Transmission of Incomebetween Generations.
Connolly, M., Haeck, C. et Lapierre, D. (2019b). Social Mobility Trends in Canada : Going up the Great Gatsby Curve. Working paper, p. 39.
Connolly, M., Haeck, C. et Lapierre, D. (2020b). Social Mobility Trends in Canada : Going up the Great Gatsby Curve. p. 58.
Corak, M. (2013). Income Inequality, Equality of Opportunity, and Intergenerational Mobility. Journal of Economic Perspectives,27(3), 79–102.
http://dx.doi.org/10.1257/jep.27.3.79
Corak, M. (2020). The Canadian Geography of Intergenerational Income Mobility.
The Economic Journal,130(631), 2134–2174. http://dx.doi.org/10.1093/ej/uez019 Corak, M. et Heisz, A. (1999). The Intergenerational Earnings and Income Mobility
of Canadian Men : Evidence from Longitudinal Income Tax Data. The Journal of Human Resources,34(3), 504. http://dx.doi.org/10.2307/146378
Corak, M. et Piraino, P. (2011). The Intergenerational Transmission of Employers.
Journal of Labor Economics,29(1), 37–68. http://dx.doi.org/10.1086/656371
66 Drukker, D. M., Egger, P. et Prucha, I. R. (2013). On Two-Step Estimation of a Spatial
Autoregressive Model with Autoregressive Disturbances and Endogenous Regressors. Econometric Reviews,32(5-6), 686–733.
http://dx.doi.org/10.1080/07474938.2013.741020
Dubé, J. et Legros, D. (2014). Spatial Econometrics Using Microdata. GIS and Territorial Intelligence. London : Hoboken, NJ : ISTE Ltd ; John Wiley & Sons, Inc.
Duncan, G. J., Yeung, W. J., Brooks-Gunn, J. et Smith, J. R. (1998). How Much Does Childhood Poverty Affect the Life Chances of Children ? American Sociological Review,63(3), 406. http://dx.doi.org/10.2307/2657556
Eckel, S., Fleischer, F., Grabarnik, P. et Schmidt, V. (2008). An investigation of the spatial correlations for relative purchasing power in Baden–Württemberg. AStA Advances in Statistical Analysis,92(2), 135–152.
http://dx.doi.org/10.1007/s10182-008-0066-1
Efron, B., Hastie, T. J. et Cambridge University Press. (2018). Computer Age Statistical Inference : Algorithms, Evidence, and Data Science. Cambridge : Cambridge University Press.
Esping-Andersen, G. (2004). Unequal opportunities and the mechanisms of social inheritance. In M. Corak (dir.),Generational Income Mobility in North America and Europe289–314. Cambridge University Press, (first éd.)
Ewing, R., Hamidi, S., Grace, J. B. et Wei, Y. D. (2016). Does urban sprawl hold down upward mobility ? Landscape and Urban Planning,148, 80–88.
http://dx.doi.org/10.1016/j.landurbplan.2015.11.012
Folmer, H. et Oud, J. (2008). How to Get Rid of W : A Latent Variables Approach to Modelling Spatially Lagged Variables. Environment and Planning A : Economy and Space,40(10), 2526–2538. http://dx.doi.org/10.1068/a4078
Fuchs, V. R. (1990). Women’s Quest for Economic Equality. Cambridge, Mass. : Harvard University Press.
Garrett, T. A., Wagner, G. A. et Wheelock, D. C. (2007). Regional disparities in the spatial correlation of state income growth, 1977–2002. The Annals of Regional Science,41(3), 601–618. http://dx.doi.org/10.1007/s00168-007-0114-x
Gray, D., Mills, J. A. et Zandvakili, S. (2004). An analysis of differential provincial income inequality trends in Canada. InResearch on Economic Inequality,
volume 12 443–461. Bingley : Emerald (MCB UP )
67 Güell, M., Pellizzari, M., Pica, G. et Rodríguez Mora, J. V. (2018a). Correlating
Social Mobility and Economic Outcomes. The Economic Journal,128(612), F353–F403. http://dx.doi.org/10.1111/ecoj.12599
Güell, M., Rodríguez Mora, J. V. et Solon, G. (2018b). New Directions in Measuring Intergenerational Mobility : Introduction. The Economic Journal,128(612),
Güell, M., Rodríguez Mora, J. V. et Solon, G. (2018b). New Directions in Measuring Intergenerational Mobility : Introduction. The Economic Journal,128(612),