Vous êtes sur la page 1sur 35

Fonction de Gains et Rendement de L’éducation : Estimation par la

Méthode des

Variables Instrumentales

Hayet Ben Said

Ecole Supérieure des Sciences Economiques et Commerciales de Tunis

(bensaidhayet@yahoo.fr)

1. Introduction

L'évaluation des rendements des investissements en capital humain a été toujours sujet de
controverse puisque les résultats de l’investissement en capital humain sont de plus en plus
incertains. Cette controverse porte aussi bien sur les variables à intégrer ainsi que les
méthodes à utiliser [Becker (1975), Blaug (1971), Eicher et Levy-Garboua (1979)]. Pour
autant, l'investissement éducatif revêt un rôle primordial aussi bien pour le salarié que pour
l’employeur. Pour l’employeur, les diplômes, l’expérience et l’ancienneté peuvent être
appréhendés comme étant des signaux qui révèlent la qualité des candidats au poste d’emploi.
En effet, le marché de l’emploi est caractérisé par l’asymétrie d’information. La détention
des compétences permet à l’employeur de sélectionner le candidat le plus productif. Quant
au salarié, il accumule les connaissances et le savoir-faire afin d’augmenter sa productivité et
son salaire. Par ailleurs, La mesure des rendements de l'éducation peut faire l'objet d'une
estimation directe [Mingat (1977)] moyennant la

méthode de moindres carrés ordinaires. C’est la méthode la plus utilisée car elle s’avère la

plus simple. D’autres considèrent que l’éducation est une variable endogène. Ainsi, la

méthode de moindres carrés ordinaires n’est plus appropriée [Riboud (1978), Griliches
et Yatchew (1981)]. En outre, Mincer (1974) propose d’estimer une fonction de Gains à
travers la régression du logarithme du salaire sur un ensemble de variables qui sont censées
avoir un impact sur la détermination des salaires telles que l’éducation, l’expérience,
l’ancienneté. Les coefficients associés à ces variables sont alors interprétés respectivement
comme étant les taux de rendement privé de l'éducation, de l’expérience et de l’ancienneté.
Toutefois, la relation entre ces variables et les salaires n'est pas toujours adéquate à cause
de leur nature hétérogène. L'intégration de la variable mesurant l'éducation dans l'équation

1
de Gains prend par conséquent deux formes. Ainsi, l'investissement éducatif constitue tout
autant un instrument de sélection qu'un instrument d'acquisition de capital humain.
Cependant, la productivité du salarié ne dépend pas uniquement de son niveau
d’éducation mais aussi de ses aptitudes innées. Ainsi, la fonction de Gains représentant la
relation entre les variables de capital humain et les salaires n'est pas toujours appropriée, en
raison notamment, de la nature hétérogène de l'éducation.

C’est ainsi que les années soixante, ont vu un développement des recherches liées à
l'importance du biais dû à la négligence de la mesure de l'aptitude initiale (ability bias) dans
les différentiels de salaires entre des employés plus ou moins qualifiés (Altonji et Williams
1997 ; Topel 1991). Mettant en évidence la présence d’un tel biais ces travaux ne
convergent pas vers les mêmes résultats. En effet, pour Bowles (1972), la prise en
considération de l’endogénéité fait diminuer le rendement de l’éducation. Par contre, en
faisant une étude sur les rendements de l’éducation au Viêtnam, Arcand et al. (2000)
montrent que quand l’endogénéité de l’éducation est prise en considération, le rendement
d’une année supplémentaire d’éducation augmente de façon substantielle. Notre recherche
s’articule, alors, autour de la question centrale suivante : Quel est le rendement de la
variable niveau d’éducation en présence des problèmes d’endogénéité et des données
individuelles ? L’objectif de la présente étude consisterait alors à déterminer un instrument
pertinent afin de corriger le problème de l’endogénéité du niveau d’éducation et obtenir ainsi
un rendement non biaisé de l’éducation.

Suite à une incursion dans le champ de l’éducation, nous proposons d’étudier, dans un
premier temps, le raisonnement théorique conduisant à la formulation de la fonction de
Gains. A cet effet, nous présentons le problème de l’endogénéité lié aux variables du
capital humain en particulier l’éducation. Or, l’importance des investissements en éducation
et formation n’a pas empêché les théoriciens du capital humain à reconnaître également
l'impact sur le salaire de l’ancienneté et de l’expérience. Cependant, le manque de données
nous a contraints à se focaliser uniquement sur l’endogénéité de la variable éducation.
Cette dernière traduit le fait qu’une part du salaire peut en effet être attribuée aux
compétences individuelles initiales inobservables et donc présentes aux côtés des erreurs de
spécification dans le terme résiduel de l'estimation de l'équation de Gains. Par conséquent,
nous essayons de voir dans quelle mesure le problème d’endogénéité de l’éduction affecte
son rendement et quelles sont les solutions envisagées afin de réduire ce problème.

2
Afin de répondre à notre problématique, nous menons une étude empirique permettant de
répondre en partie à cette problématique. L’objectif est alors d’estimer le rendement de
l’éducation tout en tenant compte de son caractère endogène. Pour cela, nous présentons
d’abord notre échantillon qui est formé de 1753 salariés et nous choisissons les variables
objets de notre étude. Ce choix est basé sur les résultats du revue de la littérature. Ensuite,
nous essayons de répondre en partie à la problématique moyennant une analyse descriptive
des variables choisies. Enfin, nous tentons de généraliser les résultats issus de l’analyse
descriptive en passant à l’étude économétrique. A l'issue de ce chapitre, nous obtenons une
mesure du taux de rendement de la variable éducation.

2. Cadrage théorique

L’examen des travaux de recherche portant sur le problème de l’endogénéité lié aux variables
du capital humain en particulier l’éducation et la manière de la réduire nous a permis
d’étudier le problème d’endogénéité de l’éduction et de déceler les solutions envisagées afin
de réduire ce problème. A cette fin, dans une première partie, nous présentons les variables du
capital humain. Un intérêt particulier est réservé à la variable éducation1. Dans une deuxième
partie, nous exposons le problème de l’endogénéité des variables du capital humain dans le
cadre de la fonction de Gains. Nous présentons ses conséquences et les solutions envisagées
afin de corriger le biais dû à cette endogénéité.

2.1. Le capital humain

Parmi les diverses théories du salaire, c’est principalement la théorie du capital humain qui est
trop sollicitée pour expliquer les disparités salariales. Initiée par Becker (1962, 1993), ce
dernier montre que les différences de salaires reflètent les investissements en formation

réalisés par les individus tout au long de leur vie en particulier pendant la phase d’études
initiales. Ainsi, dans le cadre de la concurrence pure et parfaite, les salaires sont déterminés
par les productivités individuelles, qui, elles-mêmes, résultent de l’investissement réalisés en
capital humain valorisable sur le marché du travail. Le capital humain peut être général et
spécifique. Le capital humain général est essentiellement caractérisé par le niveau de diplôme

et l’expérience professionnelle sur le marché du travail (Mincer, 1958, 1974). Ces acquis ou

compétences sont transférables d’une entreprise à l’autre. Par contre, le capital humain
1
L’intérêt que nous portons à l’éduction est expliqué par le manque de données des autres variables du capital
humain.

3
spécifique comme son nom l’indique est le savoir-faire acquis dans l’entreprise. Il peut être

mesuré par l’ancienneté dans l’entreprise. Il ne peut être que difficilement transférable et il

n’accroît la productivité que pour un type d’emploi particulier.

2.1.2. Capital humain général : éducation et formation

Les précurseurs de la théorie du capital humain [Mincer (1958, 1962), Schultz


(1960, 1961) et Becker (1962, 1964)] considèrent que les compétences qui s’accumulent
tout au long de la vie déterminent la capacité productive des individus et ainsi leur
rémunération.

S’intéressant à l'offre du capital humain, ils étudient les caractéristiques et les qualifications

des employés. Ils postulent que l’accumulation du capital humain traduit un arbitrage entre le

coût nécessaire à cette accumulation et son rendement anticipé. Plus la période

d'investissement est grande, plus le rendement anticipé est élevé. En s’intéressant à la

demande du capital humain et dans une tentative de prolonger cette théorie, Arrow (1973) et

Spence (1973 et 1974) considèrent que la théorie du capital humain peut jouer le rôle d’un

signal qui permet de sélectionner les candidats au poste d’emploi. Ce signal permet d’atténuer

l’asymétrie d’information qui caractérise la relation employeurs-employés. Cette asymétrie

porte sur leur compétence potentielle. Cependant, ces auteurs considèrent que l'éducation et

le diplôme ne sont pas toujours synonymes de productivité. Toutefois, à l'équilibre, les

salaires varient positivement avec l'éducation.

2.1.2. Capital humain spécifique : l’ancienneté

L’ancienneté en tant que mécanisme de gestion de la main d’œuvre remonte très loin dans

l’histoire des rapports humains. En effet, la fidélisation des employés était au centre de la

politique salariale dès le XIXème siècle. L’effet de l’ancienneté sur la rentabilité de

l’entreprise a été toujours controversé. Le Minez (1995) considère que l’ancienneté est

4
considérée par les dirigeants des entreprises comme un caractère du vieillissement qui
explique la réticence des salariés aux nouvelles technologies. Cette réticence affaiblit la

productivité des employés. En revanche, d’autres songent que l’âge ait des conséquences
positives sur la transmission du savoir professionnel ce qui améliore la productivité. De son
côté, le salarié considère que l’ancienneté est une forme de récompense pour sa fidélité. Elle
lui permet de récupérer le manque à gagner salarial de sa période de jeune embauché en

recevant un salaire plus élevé en fin de carrière [Lazear (1979)]. Ce modèle de récompense

peut créer des tensions au sein de l’entreprise. C’est le cas des mouvements sociaux des

salariés d’Air France (Juin 1998) qui contestaient la double grille de salaire
rémunérant moins les pilotes jeunes et plus les vieux. L’ancienneté est une variable de
décision aussi bien pour l’employé et l’employeur. En effet, l’ancienneté de l’employé
dans son entreprise engendre des rentes dont bénéficie en grande partie l’employé.
L’ancienneté permet au salarié de bénéficier de certains droits tels que le droit au congé et
de calculer le montant de l’indemnité de licenciement. De plus, elle affecte sa décision de
mobilité. Elle dépend également du mode de rémunération adopté par l’entreprise et des
conditions d’emplois en général.

Pour l’employeur et dans le cadre d’une relation d’agence, l’ancienneté est un facteur
incitatif qui pousse les employés à améliorer leur productivité et à réduire leur
comportement opportuniste. Dans cette même ligne d’idée, les tenants de la théorie de

paiements différés (Lazear, 1981) considèrent que la productivité de l’employé excède son

salaire au début de sa carrière alors qu’à la fin, le salaire élevé compense le manque à gagner

de début de carrière. Toutefois, la rémunération à l’ancienneté au sens « économique » du

terme est abandonnée pour au moins deux raisons. D’abord, la moyenne d’âge de la

population active est de plus en plus élevée (au moyenne 37 ans)2d’où une faible provision

des rentes dues aux travailleurs âgés. Ensuite, l’utilisation de l’ancienneté comme étant un

mode d’incitation global et systématique conduit une bonne partie des salariés, en

2
Source : Enquête sur la structure des salaires, Centre de Recherche et d’Etudes Sociales, Tunisie 2011.

5
particulier ceux du secteur public à être des « passagers clandestins ». En effet, ils profitent

des augmentations à l’ancienneté sans aucune contribution [Eustache et Guillotin (1995)].

Ainsi, en tant que mesure incitative, la rémunération à l’ancienneté est contre-productive.

2.2.Fonction des gains et endogénéité des variables du capital humain : éducation et


ancienneté
2.2.1. Fonction de Gains

Les fonctions de Gains désignent une régression des salaires sur un ensemble de variables qui
ont un impact sur la détermination des revenus. Son objectif est d’expliquer le logarithme du
salaire individuel par des variables exogènes qui sont liées en grande partie au capital
humain. En particulier, l'estimation de la fonction de Gains cherche à inférer les
rendements de l'investissement en éducation.
Cette fonction est de la forme : 𝑙𝑛𝑦𝑖 = 𝑓(𝑥𝑖 ) + 𝜀𝑖 ; 𝑖 = 1, … . 𝑛 (1)
où 𝑙𝑛𝑦𝑖 est le logarithme des salaires pour l'individu 𝑖 , 𝑥𝑖 est la mesure de l’effet des
déterminants du capital humain sur les salaires. 𝜀𝑖 est un terme d'erreur qui traduit d’une part
les caractéristiques des compétences non observables et l'aléa inhérent aux statistiques des
salaires d’autre part. On suppose que 𝜀𝑖 est normalement distribué, de moyenne nulle et
de variance constante ∀𝑖.
𝑙𝑛𝑦𝑖 =∝0 +∝1 𝐸𝑖 + 𝜀𝑖 (2)
∝0 mesure le niveau du salaire en absence de l’éducation.
∝1 est une estimation du taux de rendement privé de l’éducation.
Or, la mesure de l'éducation qui détermine les salaires dépend des approches de la théorie du
capital humain. Par exemple, l’utilisation de l’indicateur « nombre d’années passées dans le
système scolaire » ou le « niveau d’éducation » s’inscrit dans le cadre de la théorie du capital
humain (côté demande). Par contre, l’introduction du diplôme obtenu dans l’équation
de Gains permet de tester la théorie du signal (côté offre de la théorie du capital humain).
Pour cela, la fonction de Gains s’écrit :
𝑙𝑛𝑦𝑖 =∝0 +∝1 𝐸𝑖 +∝2 ∝ 𝐷𝑖 + 𝜀𝑖 (3)
Où ∝2 est le taux de rendement du diplôme et 𝐷 est le diplôme obtenu par le salarié.
La spécification simple de la fonction de Gains a été généralisée par Jacob Mincer (1974).
Ce dernier a tenu compte de la variable expérience de l’employé qui affecte sa productivité. Il
s’agit des formations formelles nécessaires au poste occupé (job training) ou moins formelles
telles que l’apprentissage par la pratique (learning by doing).
6
La fonction de Gains s'écrit :
𝑙𝑛𝑦𝑖 =∝0 +∝1 𝐸𝑖 +∝2 𝐷𝑖 +∝3 𝑋𝑖 + 𝜀𝑖 (4)
Où ∝3 est le taux de rendement de l'expérience et 𝑋𝑖 est le nombre d'années d'expérience
de l'employé .
De plus, la théorie du capital humain montre que la fonction de Gains est une fonction
concave de l'expérience. Ainsi, la fonction de Gains s’écrit :
𝑙𝑛𝑦𝑖 =∝0 +∝1 𝐸𝑖 +∝2 𝐷𝑖 +∝3 𝑋𝑖 +∝4 𝑋𝑖2 𝜀𝑖 (5)
∝4 est négatif montrant que le salaire croit avec l'expérience mais à taux décroissant.
Par ailleurs et au regard de ce qui précède, il existe une relation croissante entre l’ancienneté

et le salaire. Par conséquent, la fonction de Gains est augmentée de la variable ancienneté

qui représente la formation reçue par l'employé dans son entreprise et qui est mesurée par

le nombre d'années passées dans cette entreprise. L'ancienneté est notée 𝐴𝑖 , la fonction
de Gains s’écrit alors :

𝑙𝑛𝑦𝑖 =∝0 +∝1 𝐸𝑖 +∝2 𝐷𝑖 +∝3 𝑋𝑖 +∝4 𝑋𝑖2 +∝5 𝐴𝑖 + 𝜀𝑖 (6)


L’évaluation de la relation entre salaire et ancienneté est controversée. En général, la mise en
évidence du rôle des variables de capital humain dans l’explication de l’évolution des salaires
a été toujours sujet de discussion. Ce point sera particulièrement développé dans la section
suivante.
2.2.2. Capital humain général et spécifique : endogénéité et biais d’estimation
L’effet de l'aptitude initiale des employés sur la performance scolaire et donc sur les salaires
est rarement pris en compte. En outre, la politique salariale des entreprises (la qualité de
l'ajustement de l'emploi) et la qualité de la relation employeur-employé peuvent expliquer
en grande partie la variation des salaires, l’ancienneté et ainsi le turnover des salariés (Levy
et Murnane, 1992).
Dans ce qui suit, nous proposons d’attirer l’attention sur le biais lié à l'estimation des
rendements des variables du capital humain général (l’éducation) et spécifique (l’ancienneté)
par la méthode des moindres carrés ordinaires. Ce biais est dû à un problème d’hétérogénéité
inobservée dû à une corrélation d’autres variables inobservées avec les variables du capital
humain en particulier l’éducation et l’ancienneté.
2.2.2.1.Education : biais d’hétérogénéité
La relation causale entre le salaire et l’éducation est controversée pour différentes
raisons. En effet, un salaire élevé peut-il être expliqué uniquement par une qualification
7
et donc une productivité plus élevée ou une aptitude initiale des employés à signaler aux
employeurs leur qualification. D’autant plus que le capital humain comme son nom l’indique
est inséparable de la personne qui l'a acquise. En outre, plusieurs variables peuvent agir sur le
déroulement des scolarités. Par exemple, l'origine sociale affecte sans conteste la
configuration de la distribution des scolarités individuelles. Par conséquent, le résultat de
l'estimation du taux derendement de l'éducation par la méthode des moindres carrés ordinaires
est biaisé. Ce biais est dû au fait que l'habileté peut être corrélée avec à la fois les salaires et
l'éducation. Par conséquent, empiriquement, l'éducation est appréhendée comme une variable
exogène alors que, du point de vue théorique, elle est considérée comme le résultat de
décisions optimales [Griliches (1977), Boumahdi, Florens et Plassard (1990)] de ce fait elle
est endogène tant sur le plan théorique que empirique.
Par conséquent, l'estimation du taux de rendement de l'éducation par la méthode des
moindres carrés ordinaires (MCO) est biaisée. Ce biais vient du fait que l'habileté peut être
corrélée avec à la fois les salaires et l'éducation. Cependant, le sens du biais n'est
pas clairement déterminé. Alors qu'une idée simple de corrélation positive entre la
capacité initiale et la scolarisation suivie conduit à un biais positif de l'estimation par le
MCO, un modèle dans lequel le choix du montant d'éducation est fait de façon
endogène peut conduire à une corrélation négative entre le choix d'éducation et les
compétences initiales. Ainsi, les résultats dépendent fortement de la nature des instruments
utilisés [Card (1999)].
2.2.2.2.Ancienneté : biais d’endogénéité
Les théories du capital humain supposent que les salaires soient corrélés à l'ancienneté du
travail. Cependant, nous avons déjà développé l’idée que l’ancienneté n'implique pas
nécessairement une augmentation de la compensation. Ruhm (1990) explique la corrélation
positive entre l'ancienneté et le différentiel de salaire par la condition qui stipule que
les employés les plus productifs sont généralement les plus rémunérés et donc les
moins disposés au turnover. Dans ce cas, on obtient des estimations qui surestiment le
rendement de l'ancienneté. En d’autres termes, certains emplois qui offrent notamment
des salaires élevés réduisent la mobilité des salariés. Ainsi, ce sont les salaires élevés
au sein d’une entreprise qui incitent les employés à y rester et expliquent par conséquent
l’ancienneté. Dans ce sillage, les études empiriques [Mincer et Jovanovic (1981)] montrent
que lorsque on contrôle la mobilité passée des employés, le rendement estimé de l'ancienneté
est réduit de plus de 40%. En outre, Altonji et Shakotko (1987) en utilisant la technique des
variables instrumentales obtiennent une réduction de 80% du rendement de l'ancienneté.

8
Toutefois, les résultats liés au rendement de l’ancienneté ne sont pas définitifs. En
effet, Topel (1991) obtient des rendements de l'ancienneté aussi élevés que ceux obtenus
dans une régression par la méthode de moindres carrés ordinaires.
Cependant, les données qui portent sur les politiques salariales des entreprises et sur les
mobilités des salariés nous manquent. Pour cela, dans ce qui suit, nous nous contentons
d’étudier théoriquement et empiriquement uniquement le problème de l’hétérogénéité de
l’éducation et les solutions envisageables.
2.2.3. Hétérogénéité inobservable et fonction de Gains
2.2.3.1.Présentation
La variabilité des salaires n’est pas uniquement expliquée par les caractéristiques
individuelles de l’employé mais également des caractéristiques de l'entreprise dans laquelle
il travaille et de l'emploi qu’il occupe. En effet, le salaire individuel ne traduit pas
uniquement la productivité de l'employé mais également la politique de rémunération
spécifique à chaque entreprise (Levy et Murnane 1992). Nombreuses études [Altonji
et Shakotka (1987), Topel (1991)] ont été consacrées à l'estimation de ces effets comme le
montre le développement suivant :
Le logarithme du salaire d'un individu 𝑖 employé dans l'entreprise 𝑗 est déterminé
par l'équation suivante :
𝑙𝑛𝑦𝑖 = 𝑓(𝐸𝑖𝑗 , 𝑋𝑖𝑗 , 𝐴𝑖𝑗 + 𝜇𝑖𝑗 , 𝜑𝑗 ) + 𝑈𝑖𝑗 (7)
𝑙𝑛𝑦𝑖 =∝0 +∝1 𝐸𝑖𝑗 +∝2 𝐷𝑖 +∝3 𝑋𝑖𝑗 +∝4 𝑋𝑖2 +∝5 𝐴𝑖𝑗 + 𝜀𝑖
Où 𝑙𝑛𝑦𝑖 = représente le logarithme du salaire de l'individu i travaillant dans l'entreprise j ;
𝐸𝑖𝑗 est son niveau d'éducation ;
𝑋𝑖𝑗 est l'expérience totale sur le marché du travail ;
𝐴𝑖𝑗 désigne son ancienneté dans l'entreprise j ;
𝜇𝑖𝑗 est l'aptitude initiale individuelle inobservable ;
𝜑𝑗 est une mesure de la politique salariale inobservable de l'entreprise j.
L'inobservabilité des termes 𝜇𝑖𝑗 et 𝜑𝑗 les place dans le terme d'erreur de l'estimation de cette
équation.
Les paramètres des variables d'éducation, d'expérience et d'ancienneté sont respectivement
∝1 , ∝3 et ∝5 . L'utilisation de la méthode des moindres carrés ordinaires pour l'estimation
de ces paramètres est inappropriée car les variables de capital humain sont corrélées aux
termes décrivant les caractéristiques inobservables des individus et des entreprises,
présents dans le terme d'erreur. En d’autres termes, l'orthogonalité des variables de capital

9
humain et des termes d'erreurs est violée. Par ailleurs, dans l'approche par la fonction de
Gains, la procédure d'estimation ressortit classiquement à la méthode des moindres carrés
ordinaires (MCO) qui accorde un statut de variable exogène à la variable éducation. Or cette
propriété n'est pas sans soulever un certain nombre d'objections présentées auparavant
2.2.3.2. Endogénéité des variables du capital humain et méthode de
résolution : cas des variables instrumentales
L’aptitude initiale du salarié est une variable importante mais inobservable de la

détermination des salaires. Le terme résiduel d'une équation de Gains tient alors compte des

variables omises et des erreurs de spécification, mais également de l'erreur due à

l'inobservabilité de ces hétérogénéités. En utilisant des données en coupe, une seule

observation par individu est disponible et les deux types d'erreur ne peuvent pas être

distingués. Il est par conséquent impossible d'obtenir une prédiction de la productivité

individuelle. En d’autres termes, lorsque les estimations sont menées sur données
transversales, l'hétérogénéité inobservable des employés ne peut être prise en compte dans la

spécification d’où la nécessité de disposer de données de panel. Cependant, si on est


en présence des données individuelles, la méthode des variables instrumentales s’impose.

a) Variables instrumentales : instrument interne

Le recours à la technique des instruments internes [Hausman et Taylor (1981), Amemiya et

MaCurdy (1986), Breush, Mizon et Schmidt, (1989) et Jean-Louis Arcand, Béatrice

d’Hombres, Paul Gyselinck (2005)]. Cette procédure consiste à décomposer chaque variable

exogène et variante dans le temps en sa moyenne individuelle et en écart à cette moyenne

individuelle. Les deux variables ainsi créées constituent des instruments valides.

b) Variables instrumentales : instruments externes

Afin de faire face au problème d’endogénéité de la variable éducation, Ashenfelter, Harmon


et Oosterbeek (1999) présentent trois approches pour faire face à cette difficulté.
La première approche consiste à inclure des variables qui permettent d'estimer les aptitudes

10
inobservables. C’est le cas d’introduction du quotient intellectuel (Griliches, 1977). Les
résultats de ces études montrent l'existence d'un biais vers le haut du rendement de l'éducation
dans les estimations qui ne prennent pas en compte ce type de mesure. La principale critique
adressée à cette approche est qu’elle est en elle-même expliquée par l’éducation.
La seconde approche consiste à utiliser des données relatives à la fratrie ou aux
jumeaux afin de contrôler la variable hérédité. Afin d’éliminer le biais dû à l'omission de la
variable mesurant l'aptitude initiale, l’approche propose d’estimer le rendement de l'éducation
à partir de différences entre les niveaux d'éducation et de salaires de jumeaux. La principale
critique adressée à cette méthode porte sur sa faible pertinence. En effet, d’après Isacsson
(1999), les études faites sur les jumeaux ont montré que le biais d'habileté est relativement
faible.
La troisième approche consiste à proposer des instruments convenables de l'éducation qui ne
Soient pas corrélés avec le résidu du salaire. Les instruments utilisés sont principalement
recherchés parmi les caractéristiques de l'environnement familial de l'employé. C’est le cas
du niveau d’instruction des parents. Les critiques adressées à cette approche sont liées
à l'indépendance des instruments par rapport au salaire.
Les résultats des estimations du rendement de l’éducation dépend énormément des approchés
utilisées. En effet, Gard (1999) montrent que cette différence se situe entre 6 et 10%. Ce qui
fait que le biais et tantôt vers le haut tantôt vers le bas.
3. Etude empirique
Nous essayons dans ce qui suit de présenter notre échantillon, les variables quantitatives
et qualitatives objets de notre modélisation. Ce développement fera l’objet de la
première partie de cette section. Dans la deuxième partie, nous passons à l’étude descriptive
de ces variables. En effet, l’analyse univariée de ces variables nous donne les résultats
primaires qui se contentent d’infirmer ou de confirmer nos hypothèses. L’analyse
bivariée permet de donner des résultats secondaires approfondis et fait
acquérir à l’étude une autre dimension.
3.1.Données et statistiques descriptives des variables
3.1.1. Données et choix des variables quantitatives et qualitatives constituant le
modèle
3.1.1.1. Données collectées
Dans le cadre de notre étude, nous avons une base de données décrivant la structure
des salaires dans le secteur privé en Tunisie en 2011. Au départ, cette base de données
contient 57 colonnes et 1970 enregistrements. Nous avons sélectionné les variables qui nous

11
semblaient les plus pertinentes pour l’étude de notre problématique et dont la présentation fera
l’objet du développement qui suit.
3.1.1.2. Nettoyage de la base de données
a) Données filtrées

Il nous restait alors pour notre étude des données en coupe complètes 1767
observations concernant la structure des salaires dans le secteur privé tunisien en Avril 2011.
b) Données supprimées
Certaines observations parmi celles retenues après l’opération de filtrage représentent
des données mal saisies. On doit donc supprimer ces observations sous des hypothèses
bien déterminées. Cette étape est effectuée comme suit :

12
Notre base de données nettoyée concernant la structure des salaires dans le secteur
privé comporte 1757 observations alors qu’elle était 1970 au départ de l’analyse. La
population objet de notre étude est formée des salariées dont l’âge moyen est de 37 ans
comme le montre
le tableau suivant :

3.1.2. Variables du modèle

Le modèle est composé des variables explicatives quantitatives et qualitatives comme le


montre le tableau suivant :

13
Test de Normalité :Un test de normalité permet de vérifier si des données réelles suivent une
loi normale ou non. Plusieurs tests peuvent étudier la normalité des variables
explicatives. Nous pouvons en citer: le test de Shapiro-Wilk et le test de Kolmogorov-
Smirnov. Dans notre cas, les variables explicatives suivent la distribution de la loi
normale selon le test de Shapiro-Wilk et le test de Kolmogorov-Smirnov.

3.1.3. L’analyse univariée et bivariée des variables du modèle


3.1.3.1.L’analyse Univariée
a) Cas de la variable expliquée : le salaire mensuel

La moyenne des salaires s’élève à 654,1603 comme le montre le tableau suivant :

14
b) Cas des variables explicatives

- L’éducation

Les résultats de l’analyse univariée montre que 57,44% n’ont pas eu d’éducation
contre 20,37 % qui ont un niveau d’éducation supérieure, 18, 20% ont un niveau d’éducation

primaire ou secondaire et 3, 99% ont le Baccalauréat comme le montre le tableau

suivant :

- Expérience

Les salariés ont en moyenne 9 ans d’expérience comme le montre le tableau suivant :

15
- Ancienneté

La moyenne de l’ancienneté des salariés est de 7 ans comme le montre le tableau suivant :

- Secteur d’activité

Le résultat de l’analyse univariée montre que 43,35% des entreprises appartiennent au secteur

« industrie manufacturière », 15,74 % appartiennent au secteur commerce, 9,47%

appartiennent aux activités immobilières, 8,27% appartiennent au secteur du transport


et communication, 6,50% appartiennent de l’hôtellerie et la restauration, 3,94% appartiennent
à l’industrie de construction, 3,59% appartiennent au secteur de finances et assurances, 1,83

appartiennent au secteur de l’agriculture et pêche et 0,91% appartiennent aux industries

extractives comme le montre le tableau suivant :

- Taille de l’entreprise

16
Le résultat montre que 36,17% des entreprises sont de taille moyenne, contre 28,75%
de grande taille, 28,01% de petite taille et 7,07% sont des micro entreprises comme le montre
le tableau suivant :

- Diplôme obtenu par le salarié

Le résultat de l’analyse univariée montre que 57,44% des salariés n’ont aucun
diplôme, 18,20% ont un diplôme de formation professionnelle, 10,67% ont un diplôme de
Licence ou Maitrise, 5,70% ont un diplôme de technicien supérieur, 3,99% ont diplôme de
Baccalauréat, 2,17% ont un diplôme d’ingénieur, 1,71 ont un diplôme de Mastère, 0,11 ont un
diplôme de Doctorat comme le montre le tableau suivant :

17
Ainsi, l’analyse univariée de nos variables montre que l’âge moyen des salariés est de
37 ans, avec 9 ans d’expérience et 7 ans d’ancienneté. Un grand nombre de salariés
n’ont aucun diplôme et les autres ont en grande partie un diplôme de formation
professionnelle. Ce qui explique qu’un grand nombre de salariés n’ont pas eu d’éducation ou
un niveau d’éducation primaire ou secondaire. De plus, un nombre inférieur a un niveau
d’éducation supérieur. Le salaire moyen est de 654 DT. Les entreprises au sein
desquelles travaillent les salariés appartiennent en grande partie au secteur de l’industrie
manufacturière et à un degré moindre au secteur du commerce. Ces entreprises sont en
grande partie de petites et moyennes entreprises et à un degré moindre des grandes
entreprises.

3.1.3.2.L’analyse bivariée
a) Salaire et niveau d’étude

Les résultats de l’analyse de la relation entre le salaire et le niveau d’éducation montre que le

salaire est corrélé (F= 218,230 , p= 0.00) avec le niveau d’éducation comme le montre
le tableau suivant :

b) Salaire et expérience

18
Les résultats de l’analyse montre que le salaire est corrélé (r= 0,190 ; p= 0.00)
avec l’expérience comme le montre le tableau suivant :

c) Salaire et ancienneté

Les résultats de l’analyse montrent que le salaire est corrélé (r= 0,134 ; p= 0.00)
avec l’ancienneté comme le montre le tableau suivant :

Tableau 14 : Résultats de corrélation entre le salaire et l’ancienneté Corrélations

d) Salaire et secteur d’activité

Les résultats de l’analyse montrent que le salaire est corrélé (F=25,066 ;p=0.00) avec
le secteur d’activité comme le montre le tableau suivant :

19
v) Salaire et taille de l’entreprise

Les résultats de l’analyse montrent que le salaire est corrélé (F=7,074 ;p=0.00) avec la taille

de l’entreprise comme le montre le tableau suivant :

Tableau 16 : Résultats de corrélation entre le salaire et la taille de l’entreprise

ANOVA à 1 facteur

Salaire

e) Salaire et diplôme du salarié

Les résultats de l’analyse montrent que le salaire est corrélé (F= 171,885 ; p=0.000) avec le

diplôme obtenu par le salarié comme le montre le tableau suivant :

Ainsi, l’analyse bivariée montre que le salaire est corrélé avec les variables du capital humain

(éducation, diplôme, expérience et ancienneté). Ce résultat intuitif a été démontré par


les théoriciens du capital humain. De plus, il est corrélé avec le secteur d’activité et la taille de

l’entreprise. Plus la taille est grande plus le salaire est élevé. Par conséquent, cette partie nous
a permis de mettre en évidence un certain nombre de points correspondant aux hypothèses
posées et traduisant, par les résultats de l’analyse bivariée, un comportement de la

20
population étudiée. Cependant, aucun résultat ne peut être affirmé; la
recherche sur ce sujet n’est pas terminée. Dans ce qui suit, nous essayons d’expliquer
l’effet de la variable éducation sur les salaires. Pour cela, nous passons à l’étude
économétrique.

3.2 Rendement de la variable éducation sur le salaire : estimation à l’aide de


variable instrumentale

Cette section est consacrée à l'estimation d'équations de Gains à l'aide des données issues de
l’enquête sur la structure des salaires 2011. En partant de la relation empirique simple
suggérée par la théorie du capital humain, nous introduisons progressivement les effets de
l’hétérogénéité des ressources individuelles en particulier l’éducation. En effet, nous
ne disposons pas des données sur les politiques salariales des différents employeurs. A cette
fin, nous utilisons une approche à variables instrumentales afin de corriger les biais
d'hétérogénéité dans l'analyse des rendements de l'éducation. La présentation de cette
méthode fera l’objet de la première partie de cette section. Par la suite, nous procédons à
l’estimation du modèle. Dans un premier temps, nous adoptons l'approche classique
qui consiste à régresser le logarithme du salaire sur un ensemble de variables qui exercent
une influence dans la détermination des revenus à l’aide de la méthode des moindres
carrés ordinaires (MCO).Afin de tenir compte du problème d’endogénéité de
l’éducation, nous estimons le rendement qui lui est associé en recourant à un
estimateur en variable instrumentale tout en justifiant le choix de notre instrument. Nous
passons par la suite à la comparaison des résultats et à l’interprétation. Nous achevons
cette section par la présentation de quelques recommandations. Ce développement fera
l’objet de la deuxième partie de cette section.
3.2.1. Traitement de l’endogénéité de l’éducation : la variable instrumentale
3.2.1.1 Education : variable endogène
Plusieurs méthodes ont été utilisées pour faire face à ce problème de l’endogénéité de
l’éducation ou plus précisément le problème de l’hétérogénéité des ressources individuelles.
Nous nous inspirons des travaux de Arcand et al. (2005) et de Boumahdi et al. (1992)
pour établir l’instrument. Les instruments utilisés appartiennent aux caractéristiques de
l'environnement familial de l'employé. Il s’agit d’un instrument externe.
C’est l’exemple de la variable «niveau d’instruction» des parents. En d’autres termes,
le capital humain est aussi transmissible que le capital physique. Ainsi, les aptitudes initiales

21
des salariés peuvent être estimées par la transmission des compétences du « père au
fils » dans le cas où les parents sont éduqués. De plus, les parents éduqués facilitent
l’intégration et l’accès de leur enfant à un réseau de connaissances influentes.
Le niveau d'instruction des parents peut être une variable latente. Pour cela, nous
choisissons l’âge de leur enfant (salarié) comme étant une variable qui peut révéler le niveau
d’instruction des parents. Nous proposons de classer l’âge des salariés en trois catégories :
salariés âgés, adultes et jeunes. La plupart des travaux scientifiques considèrent comme
"jeunes" les personnes âgées de 15 à 24 ans. Il s'agit de la définition des Nations Unies. Une
variable EP a été créée pour appréhender le niveau d'éducation des parents ; EP désigne le
niveau d’instruction des parents.
Formellement, nous définirons pour chaque intervalle d’âge une valeur de EP telle que :

3.2.1.2. Fonction de Gains et test d’exogenéité

Reprenant la fonction de Gains classique dérivée des travaux de Mincer (1974)

Le choix des variables explicatives répond en même temps à la théorie et à la disponibilité

des données. Les variables de la fonction sont présentées dans le tableau suivant :

22
La procédure d'utilisation du test d'exogénéité relatif à 𝐸𝑖 consiste à supposer d'une part que

est exogène et à introduire parallèlement une deuxième équation visant à exprimer 𝐸𝑖 ,

comme une fonction des variables𝑃𝑗 .

La forme réduite du système complet ((1) et (2)) est alors :

23
3.2.1.3. Caractère endogène de l’éducation et test d’Hausman

La procédure proposée par Hausman [1978] est utilisée pour tester l’hypothèse :

24
3.2.2 Résultats des estimations, interprétation et conclusion

3.2.2.1. Résultats et interprétation des estimations

a) Résultats du test d'exogénéité

Les résultats du test d'Hausman suggèrent de rejeter l'hypothèse d'exogénéité de l'éducation


comme le montre le tableau suivant :

Par conséquent, la méthode d'estimation DMC permet d'obtenir des estimations convergentes

et non biaisées des paramètres du modèle.

b) Résultats du test de Hansen

Afin de tenir compte du problème d’endogéneité de l’éducation, nous avons estimé le

rendement qui lui est associé en recourant à un estimateur en variable instrumentale. Afin de

se prémunir des effets du recours à des instruments faibles, nous avons calculé la statistique

du F partiel associée à l’hypothèse de signification de l’instrument, ainsi que le R 2partiel,


tous deux issus de l’estimation de la forme réduite de l’éducation.

25
Staiger et Stock (1997) ont mis en évidence qu’une statistique de F inférieure à 10 signifie

que la probabilité de faire face à des instruments faibles est élevée. Comme l’illustre
parfaitement le R2 partiel de 7 % et la statistique de F de 30.15, la corrélation entre

l’éducation des individus et celle de leurs parents est forte. Dans notre cas, la valeur du F

partiel nous conduit à valider l’usage de notre instrument.

c) Résultats des estimations de la fonction de Gains

La comparaison des résultats obtenus par l'approche « fonctionnelle »3 et « structurelle4 »de

l’estimation d’une fonction de Gains mincerienne figurent respectivement dans la première et

la troisième colonne du tableau ci-dessus. Par ailleurs, la deuxième colonne présente

l’estimation de la fonction de Gains en présence de la variable diplôme à la place de celle du

niveau d’éducation. L’introduction du diplôme obtenu dans l’équation de Gains permet de

tester la théorie du signal (côté offre de la théorie du capital humain).

3
Régresser le logarithme du salaire sur un ensemble de variables qui exercent une influence dans la
détermination des revenus par la méthode du MCO.
4
Régression par la méthode du DMC.

26
27
28
La comparaison des résultats obtenus par l'approche « fonctionnelle » et par l'approche
« structurelle » [les estimations (1) et (2)] indique la nature du biais enregistré
lorsque l'estimation des rendements de l'éducation est effectuée par la méthode MCO au lieu
de la méthode des DMC. On est en présence ici d'une surestimation. En effet, le taux
de rendements de l'éducation passe de 26,7 à 19,6 % selon que l'on utilise
respectivement la procédure MCO ou la procédure DMC. Ainsi un différentiel environ de 7
% est enregistré lorsqu'on tient compte du caractère endogène de la variable éducation.
La méthode d'estimation tenant compte de la corrélation entre l'effet individuel et
l'éducation diminue donc le coefficient de l'éducation, ce qui paraît intuitif et cohérent sur le
plan théorique (biais d'habileté mis en évidence dans le chapitre deux de ce travail) et
pratique (un grand nombre de salariés n’ont pas eu d’éducation ou ont eu un niveau
d’éducation primaire ou secondaire). En d’autres termes, la corrélation positive entre les
capacités initiales et la scolarisation suivie conduit à un biais vers le haut de l'estimation de

Nos résultats ne confirment pas ceux de Hausman et Taylor (1981). Ces derniers ont montré

que la corrélation entre l’hétérogénéité inobservable (telle que l’habileté innée) et le niveau

d’éducation est négative. En d’autres termes, l’estimation en MCO est biaisée vers le bas.

Cette différence peut être expliquée par le fait que les estimations du rendement de

l'éducation diffèrent selon la méthode employée (entre 6 et 10% selon les études (Gard,

1999)).

L’introduction de la variable diplôme dans la deuxième régression (2) s’inscrit dans le cadre

de la théorie du signal développée par Michael Spence (1973 et 1974). Cette variable est

souvent utilisée par les employeurs pour identifier les individus. L'obtention d'un diplôme a

moins d'influence (21,1%) sur les salaires que le niveau d’éducation d’autant plus
qu’un grand nombre de salariés n’ont aucun diplôme. Bien que ces résultats montrent
la prime rémunérant les diplômes, le niveau d'études continue d'être le signal le plus
important pour les employeurs.

29
En ce qui concerne les estimations (1), (2) et (3) toutes les variables
apparaissent significatives et de signe attendu. Le logarithme du salaire est une
fonction concave de l'expérience professionnelle (-0,0003) et croissante (0,005) de
l'ancienneté. Cependant, l’effet de l’ancienneté sur les salaires est légèrement supérieur
en présence de la variable « diplôme » qu’en présence de la variable « niveau d’études ».
En d’autres termes, le diplôme ne joue le rôle d’un signal pour l’employeur qu’après un
certain temps (7 ans d’ancienneté).

La correction du biais d’endogénéité de la variable niveau d’éducation (estimation 3) a

affecté positivement le rendement de la taille de l’entreprise sur les salaires. En effet,

l’appartenance des salariés aux petites, moyennes et grandes entreprises affecte positivement

(0,136 ; 0.244 ; et 0.309) les salaires à condition que ces entreprises appartiennent aux

secteurs « transport et communication » et « finances et assurances ». En effet, ces


deux secteurs expliquent respectivement l’évolution positive (0,158 et 0.352) des salaires.

4. Conclusion et recommandation

Nous avons tenté d’expliquer la façon dont le niveau d’éducation explique le salaire.
L'originalité de notre étude réside principalement dans la méthode d'estimation de la
fonction de Gains et principalement dans le choix de la nature de l’instrument. En
effet, en absence des données sur le niveau d’instruction des parents du salarié,
nous avons considéré que l’âge de ce dernier peut révéler le niveau d’instruction de ses
parents. L'utilisation du test d'Hausman a permis d'infirmer l'hypothèse d'exogénéité de la

variable « niveau d’éducation » et le test de Hansen a permis de valider


l’instrument. Le choix d'une procédure type DMC au détriment de la méthode classique
des MCO a permis d'obtenir des estimateurs convergents et non biaises de la
rentabilité des études. Quand l’endogénéité de l’éducation est prise en considération,
le rendement d’un niveau supplémentaire d’éducation diminue de façon substantielle.
Cependant et conformément aux prédictions de la théorie du capital humain, les
variables du capital humain en particulier l’éducation, l’expérience et l’ancienneté
expliquent les salaires.

30
Par ailleus, l'analyse était concernée par la façon dont le niveau d'éducation était
converti en revenu pour un échantillon de 1753 travailleurs tunisiens répartis sur tous les
secteurs de l’économie. Nous obtenons des mesures corrigées des sources de biais
indiquant un taux de rendement de l'éducation élevé (26,7% à 19,6 %), mettant en
évidence l'importance du biais dû à l'endogénéité des effets spécifiques individuels.
Le taux de rendement des diplômes est également élevé (21,1%). En revanche,
l'expérience acquise sur le marché du travail à un taux de rendement de 2,7 %, contre 0,5
% pour l'ancienneté. Ces résultats indiquent donc que le niveau d’éducation et le diplôme
obtenu ont une influence plus importante que l'expérience totale acquise sur le marché du
travail et l'ancienneté. Par conséquent, une personne ayant subit un coût
d’investissement élevé en accumulant du capital humain, voit son effort récompensé
par le versement de salaires élevés tout au long de sa vie. Cependant, d’autres données
liées au profil des salariés, leur famille en particulier le niveau d’instruction de leur parent,
la proximité des écoles fréquentées semblent être très utiles dans la détermination des

instruments nécessaires à la correction des biais d’endogénéité du variable « niveau

d’éducation ». Ces informations nous permettent de tenir compte de l'hétérogénéité


inobservable des entreprises qui conduit à des estimations biaisées des rendements des
variables du capital humain. En effet, le salaire n’est pas uniquement expliqué par ces
variables mais aussi par les pratiques d'embauché et de rémunération qui peuvent être très
différentes d'une entreprise à l'autre.

Bibliographie

Aeberhard Romain et Pouget Julien, 2006, «Comment Expliquer les Disparités

Salariales ? »,Les Salaires en France, INSEE, pp 29-42.

Ashenfelter O, Harmon C. Et Oosterbeek H., 1999, «A Review of Estimates of The

31
Schooling/Earnings Relationship, with Tests for Publication Bias», Journal of Labour

Economics.

Altonji Joseph G. et Williams Nicolas, 1997, « Do Wages Rise with Job Seniority? A

Reassessment», NEBER Working Papers, n°6010.

Arcand Jean-Louis et al., 2005, « Rendement de L'éducation et Choix des

Instruments. Application sur Données Vietnamiennes », Revue économique Volume

56, pp 563-572.

Arrow Kenneth J , 1973, « Higher Education as A Filter», Journal of Public

Economics 2, North Holland Publishing Company, pp 193-213.

Behaghel Luc, 2003, «Insécurité de L’emploi : le Rôle Protecteur de L’ancienneté a-t-

ilBaissé en France ? », Revue Economies et Statistiques, n° 366, pp 3-29.

Becker Gary S. , 1975, « Human Capital A Theoretical and Empirical Analysis, with

Special Reference to Education », Columbia University Press New York and London,

second edition, pp 15-45.

Blaug Mark, 1971, «La Signification de la Corrélation « Education-Salaire », Revue

Economique, n°6, pp. 913-942.

Boumahdi Rachid, Plassard Jean-Michel, 1992, «Note à Propos du Caractère

Endogène de la Variable Education dans la Fonction de Gains», In: Revue

économique, volume 43, n°1, pp 145-156. http://www.persee.fr/doc/reco_0035-

2764_1992_num_43_1_409342

Bowles Samuel, 1972, « Schooling and Inequality from Generation to Generation»,

The Journal of Political Economy, University of Chicago Press, Volume 80, pp 219-
249.54

32
Breusch Trevor S., Mizon Grayham E., et Schmid Peter, 1989, « Efficient Estimation

Using Panel Data», Econornetrica, The Econometric Society, Volume 57, n°. 3, pp

695-700.

Chouquet C. , 2009-2010, «Modeles Lineaires»,Mémoire de Mastère M1 IMAT,

Laboratoire de Statistique et Probabilités - Université Paul Sabatier – Toulouse.

Corneau-Tremblay Nicolas, 2016, «Les Effets des Heures Supplémentaires sur


les Conditions Sanitaires des Nouveau-nés en Unité de Néonatalogie», Une Etude

Econométrique, Mémoire de Maîtrise en Science Économique, Université Laval, pp 1-45.

Giret Jean-François, Lemistre Philippe, 2009, «Rendements Salariaux de L'ancienneté

et Rémunération Systématique à L'ancienneté : Quelles Relations ? », Conference

papers Céreq. XVIes Journées D'études sur les Données Longitudinales dans

L'analyse du Marché du Travail, 2009, Paris, Céreq, pp.293-303.

Griliches Zvi, 1977, « Estimating the Returns to Schooling: Some Economic

Problems», Econometrica, The Econometric Society, volume 45, pp1-22.

HAAG Antoine, 2006, «Le Rôle de L'ancienneté dans le Lien Salarial», In


Revue Economies et Statistiques, Working papers du STATEC n°6, pp 1-12.

Hausman Jerry A. et Taylor William E. 1981, « Panel Data and Unobservable

Individual Effects», Econometrica, The Econometric Society, volume 49, n°6, pp

1377-1398.

Lazear E.P. 1979, « Why Is There Mandatory Retirements? », Journal of Political

Economy, n°87, pp 1261-1284.

LemistrePhilippe, 2000, «Incitations au Travail et Évolutions des Modes de

Rémunération en France», InLes Notes du LIRHE, LIRHE, Toulouse, note n° 322, pp

1-16.
33
Lemistre Philippe, 2004, «Rémunération à L’ancienneté et Individualisation des

Salaires : Actualité de la Théorie du Paiement Différé», InEconomie et Société Série

Socio-Economie du travail 38 (23), pp 67-88. https://halshs.archives-

ouvertes.fr/halshs-00955339 55

Lemistre Philippe et Plassard Jean-Michel, 1998,«Des Carrières Salariales

Différenciées selon L’emploi Occupé de L’analyse Economique à la GRH», AGRH,

pp 716-722.

Levy Frank et Murnane Richard. J. 1992, « U.S Earnings Levels and Earnings

Inequality: A Review of Recent Trends and Proposed Explanations», Journal of

Economic Literature, vol. XXX, pp 1333-1381.

LollivierStéfan, 2001, «Endogénéité d’une Variable Explicative Dichotomique dans le

Cadre d’un Modèle ProbitBivariéUne Application au Lien entre Fécondité et Activité

Féminine»,Annales D’économie et de Statistique, n° 62, pp 252-269.

Mincer Jacob A. , 1974, « Schooling and Earnings»,Schooling, Experience, and

Earnings, NBER, pp 41 – 63.

Mincer Jacob, Jovanovic Boyan, 1979, «Labor Mobility and Wages»,NBER Working

Paper.n° 357.

Pierre Caspard, 1980,«Jean-Claude Eicher, Louis Lévy-Garboua et al., Économique

de l'éducation», Paris, Économica, 1979. Histoire de l'éducation, n° 6, pp 61-64.

Ris Catherine, 2001, «Théorie du Capital Humain et Sources D'hétérogénéité

Inobservable»,Fondements Micro-Economiques Des Différences De Salaires Non

Compensatrices Dans L’industrie Ivoirienne, Thèse De Doctorat En Sciences

Economiques, Université Lumière Lyon 2, pp 39-70.

34
Schultz Theodore W., 1961, « Investment in Human Capital»,The American

Economic Review, American Economic Association, Volume 51, n°1, pp1-17.

SimioniMichel, «Fonction de Gains : une Approche non Paramétrique »,INSEE

Méthodes n°59-60-61, pp 283-294.

Topel Robert, 1991, « Specific Capital, Mobility, and Wages: Wage Rise with
Job Seniority»,The Journal of Political Economy, University of Chicago Press, Volume
99, pp145-176.

35