Les déterminants du travail domestique des enfants

Les déterminants du travail domestique des enfants

Méthodologie 111 012 481

Il existe de nombreuses méthodes de modélisation économétrique des déterminants du travail domestique des enfants. Il importe de savoir si le décideur prend en compte tous les choix ou si la décision suit un processus hiérarchique privilégiant le travail domestique des enfants. Ainsi, nous avons le modèle logistique, le modèle séquentiel (logit multinomial séquentiel ou logit multinomial hiérarchisé), le probit bivarié et les modèles binaires (logit ou probit univarié). Ces approches sont fréquemment utilisées et présentent des avantages et des inconvénients.
Le choix de la méthode d’estimation des déterminants du travail domestique des enfants doit tenir compte des données disponibles et du processus de décision. Cette étude ne suppose pas que les décisions de faire des travaux domestiques et le nombre d’heures allouées à ces travaux domestiques sont indépendants. Elle n’adopte pas non plus l’idée d’un processus séquentiel de prise de décision. De là, la participation aux travaux domestiques et les heures allouées peuvent être traitées comme des choix interdépendants.
L’une des méthodes appropriées pour l’analyse des données de comptage est le modèle de régression de Poisson. La régression de Poisson est basée sur la probabilité de la distribution de Poisson et généralement utilisée pour des données équi-dispersées 1. Étant donné que la variable dépendante de cette étude, « nombre d’heures de travaux domestiques », est sur-dispersée 2, l’utilisation de la régression de Poisson devient inappropriée. En plus, on remarque également une inflation de zéros au niveau de cette variable 3. Fort de ces constats, cette étude se base sur le hurdle-model, en particulier hurdle-model binomial négatif.
Le hurdle-model est un modèle à deux parties, tout comme le modèle de Poisson d’inflation de zéros et le modèle binomiale négatif d’inflation de zéros. La première partie du modèle constitue l’équation de participation (aspect extensif) et la deuxième partie concerne l’événement de comptage (aspect intensif). Il a été pour la première fois étudiée par Mullahy (1986) pour modéliser des données sous ou sur-dispersées. Le hurdle-model suppose que les zéros et les non-zéros (positif) sont générés par des processus différents de génération de données.
Supposons que f1(0; 1) = Pr(yi = 0) 4 est la valeur de la probabilité lorsque la variable réponse (variable dépendante) prend une valeur zéro, et f2(k; 2) = Pr(yi = k); k = 1; 2; ::: 5 une fonction de probabilité lorsque la variable réponse prend une valeur non négative. Par conséquent, la fonction de probabilité d’un hurdle-at-zero model est donnée par la formule
Pr(yi = k) = 8f1(0; 1) si k = 0 (2.1)
< f2(k; 2) si k = 1; 2; 3; ::::
où = 1 f1 (0; 1) et f 2 le processus parent. Le numérateur 1 f 1 (0; ) de équivaut à la 1 f2 (0; 1)  : 1
probabilité de traverser le hurdle 6 et le dénominateur donne une normalisation qui prends en compte la troncature de f à zero. La valeur espérée du hurdle model est donnée par Xk (k; 2) (2.2)
E(Y ) =kf2  =1
La différence entre cette valeur espérée et la valeur espérée du modèle parent est le facteur . De plus, la variance du hurdle model est donnée par Xk (k; 2) [kf2(k; 2)]2
V(Y)= k2f2 (2.3) =1
Si f1 = f2 alors = 1 et le hurdle model est égale au modèle parent. Si > 1 alors le hurdle model caractérise une sous-dispersion. Par contre, si < 1 le modèle caractérise une sur-dispersion.
Il y a plusieurs options pour choisir les processus f1 et f2 . Les hurdle model les plus utilisés choisissent des modèles emboîtés ou f1 = f2 (Mullahy, 1986; Pohlmeier et R Ulrich, 1995). Toutefois, des modèles non emboîtés peuvent être aussi utilisés (Gurmu, 1997).
Les paramètres sont estimés par la méthode de maximum de vraisemblance. La fonction de vraisemblance du hurdle model peut être définie de la manière suivante  L = Pr(yi = 0) (1 Pr(yi = 0)) Pr(yi) (2.4)
Y Y  i2 0 i2 1 Pr(yi > 0)
Le premier produit gouverne la partie hurdle du modèle (première partie) et donne la pro-babilité des zéros. Cette partie indique dans cette étude que l’enfant ne fait pas de travail domestique et est donnée par le modèle binomial avec pour vecteur de paramètres 1. Le second produit gouverne le processus une fois le hurdle traversé et est donné par le modèle tronqué à zéro avec pour vecteur de paramètres 2. 0 et 1 représentent, respectivement, le sous ensemble des enfants non participants et participants aux travaux domestiques.
Soit d1 une variable binaire qui prend la valeur 1 lorsque l’enfant fait les travaux domestiques et 0 si l’enfant ne fait pas de travaux domestiques. La vraisemblance peut être réécrite sous la forme ci-dessous Y Y Pr(yi)
L = Pr(yi = 0)1 di (1 Pr(yi = 0))di (2.5) i2 i2 1 Pr(yi > 0)
Le premier produit est la vraisemblance du processus binaire (décision de participation aux travaux domestiques) définie sur = 0 [ 1 et le second produit est la vraisemblance du modèle tronque à zéro.

Le modèle

Le type de hurdle model utilisé dans cette étude est le hurdle model non emboité binomiale négative logistique, c’est-a-dire f1 6= f2, et le modèle binaire de la première partie utilise la fonction logistique comme fonction de liaison. Pourquoi ce choix ?
Soit P( ) le processus de Poisson de paramètre . La distribution binomiale négative est déri-vée de la distribution de Poisson où suit une distribution de gamma G( ; ). Sa distribution est donnée par la formule suivante Pr(Y = y) = y + 1) ) + + y (2.6)
y + )  Avec E(Y ) = ; > 0 et V (Y ) = + 1 2.
Les paramètres et étant positifs, alors V (Y ) > E(Y ), donc la distribution binomiale négative permet une sur-dispersion des données, ce qui est le cas dans cette étude. La seconde raison est que la distribution binomiale négative est plus riche en paramètres que celle du Poisson, ce qui permet de capturer les hétérogénéités non observées.
L’équation de la première partie du modèle est logit(Pr(yi = 0)) = log 1 PrPr(i yi = 0) = m (2.7)
j=1 xij 1j  (y = 0) X
avec 1 = ( 11; :::; 1m), (xi1 = 1; xi2; :::; xim) i-ème ligne de la sous matrice des variables explicatives de taille m et 0 < Pr(yi = 0) < 1.
L’équation de la deuxième partie du modèle est Xj (2.8)
log( ) = xij 2j  =1
avec 2 = ( 21; :::; 2m), (xi1 = 1; xi2; :::; xin) i-ème ligne de la sous matrice des variables explicatives de taille n et = E(Y ).

Données

L’étude utilise les données de l’enquête niveau de vie des ménages Côte d’Ivoire 2008 (INS-CI, 2005). Cette enquête a été réalisée en 2008 et couvre un échantillon national de 12 600 ménages. La base de données couvre 17 306 enfants âgés de 6 à 17 ans. Cette population est l’objet de l’étude. Vingt variables sont retenues pour l’étude : dix-neuf variables explicatives et une variable expliquée.

 La variable dépendante

Heures domestiques : Cette variable désigne le nombre d’heures moyen de travaux domestiques par jour. Elle est une variable discrète positive.

Les variables indépendantes

Caractéristiques de l’enfant

Âge : cette variable désigne l’âge de l’enfant. Elle est une variable discrète et entière (âge en années révolues). Elle varie de 6 à 17 ans.
Âge2 : l’âge de l’enfant au carré.
Sexe : cette variable dichotomique indique le sexe de l’enfant. Elle prend la valeur 1 si l’enfant est une fille et 0 si l’enfant est un garçon.
Ainé : cette variable dichotomique désigne l’enfant ainé du ménage. Elle prend la valeur 1 si l’enfant est l’ainé et 0 si non.
Étude actuelle etudeactuel : cette variable désigne que l’enfant étudie actuellement.
Elle prend la valeur 1 si oui et 0 sinon.
Enfant biologique : cette variable désigne l’enfant biologique du ménage. L’enfant dont le père et la mère sont présents dans le ménage. Elle prend la valeur 1 si oui et 0 sinon.

Caractéristiques du ménage et du chef de ménage

Dépenses équi : cette variable désigne les dépenses annuelles par adulte équivalent du ménage. Elle varie de 10 055,97 à 6 525 134 FCFA.
Âge du chef : cette variable indique l’âge du chef de ménage. Elle est une variable discrète et entière (âge en années révolues). Elle varie de 19 à 99 ans.
Femme chef : cette variable chef du ménage est une femme. Elle prend la valeur 1 si le chef est une femme et 0 s’il est un homme.
Mère travaille hors domicile : cette variable désigne le travail hors domicile de la mère. Elle prend la valeur 1 si la mère travaille hors domicile et 0 sinon.
Nombre de garçons : cette variable désigne le nombre de garçons de 6- 17 ans dans le ménage. Elle va de 1 à 5 garçons par ménage.
Nombre de filles : cette variable désigne le nombre de fille dans le ménage. Elle va de 1 à 4 filles par ménage.
Nombre de moins de 6 ans : cette variable désigne le nombre d’enfants de moins de 6 ans dans le ménage. Elle va de 1 à 4 enfants de moins de 6 ans par ménage. Nombre de femmes : cette variable désigne le nombre de fille de plus de 17 ans dans le ménage. Elle varie de 1 à 4 femmes par ménage.
Nombre d’hommes : cette variable désigne le nombre de garçons de plus de 17 ans dans le ménage. Elle varie de 1 à 4 hommes par ménage.
Nombre de pièces : Cette variable désigne le nombre de pièces dans le mé-nage.Elle va de 1 à 6 pièces par ménage

Caractéristiques de la communauté

Milieu : cette variable indique le milieu de résidence du ménage (urbain/Rural). Elle prend la valeur 1 si le ménage réside en milieu urbain et 0 s’il réside en milieu rural. Région : cette variable indique la région où réside le ménage. Il y a 19 régions en tout. Distance source d’eau : cette variable est une variable dichotomique qui prend la valeur 0 lorsque la source d’eau de boisson est à domicile et la valeur 1 lorsque la distance qui sépare la source d’eau de boisson est hors domicile.

Statistiques descriptives

Cette section présente l’analyse descriptive des variables retenues pour cette étude. Les va-riables d’intérêts de cette étude sont le nombre d’heures de travaux domestiques et le travail domestique. Elles sont extraites de la question : pendant la semaine dernière combien d’heures par jour avez-vous consacré aux tâches ménagères ? La première donne le nombre d’heures de travaux domestiques effectués en moyenne par un enfant de 6-17 ans au cours d’une semaine donnée. La seconde est une variable binaire qui permet de savoir si l’en-fant fait des travaux domestiques ou pas. Elle est calculée à partir de la première de manière implicite par le modèle. Le tableau (2.5) montre la description des variables utilisées dans les régressions. Le graphique (2.5) indique que plus de 10 000 enfants ne font pas de travaux do-mestiques. Ces enfants représentent environ 61,30 % de tous les enfants. Par contre 38,70 % des enfants font de travaux domestiques. Parmi eux, la majorité travaille moins de 10 heures par semaine. Ils représentent environ 60%. Certains travaillent entre 10 à 40 heures par semaine. Ils représentent environ 35%. Ceux qui travaillent 40 heures et plus par semaine représentent 5%. En moyenne, un enfant fait environ 1.8 heures de travaux domestiques par semaine.

Table des matières

Introduction 
1 Revue de littérature 111 012 481 5
1.1 L’activité des enfants
1.2 Les déterminants du travail domestique des enfants
1.2.1 Facteurs sociodémographiques
1.2.2 Les facteurs socioculturels
1.2.3 Les facteurs socioéconomiques
2 Méthodologie 111 012 481 9
2.1 Le modèle
2.2 Données
2.3 La variable dépendante
2.4 Les variables indépendantes
2.4.1 Caractéristiques de l’enfant
2.4.2 Caractéristiques du ménage et du chef de ménage
2.4.3 Caractéristiques de la communauté
2.5 Statistiques descriptives
2.5.1 Les heures de travaux domestiques
2.5.2 Travaux domestiques
3 Résultats 
Conclusion
A Annexe
Bibliographie

Télécharger le rapport complet