J’ai utilisé le tableau Statistique Canada 98-10-0439-01 et conservé les dimensions nécessaires à la comparaison: Québec, femmes (Women+), année de revenu 2020, revenu d’emploi médian, niveau d’études, groupe d’âge et statut de minorité visible.
Les femmes issues d’une minorité visible au Québec gagnent-elles moins, même avec le même diplôme?
- Data Visualization
Visualisation interactive
Explorer les écarts de revenu par diplôme
Choisissez un groupe d’âge et quelques niveaux d’études. Commencez avec les revenus médians, puis examinez où les écarts observés sont les plus grands pour les femmes issues d’une minorité visible au Québec.
Niveaux d’études
Source
Source: tableau Statistique Canada 98-10-0439-01, année de revenu 2020. L’analyse garde le Québec, les femmes (Women+), le revenu d’emploi médian et le statut d’immigration combiné "Non-immigrants and Immigrants."
Introduction
What was this project about?
Inspirée par Nael Shiab, j’ai voulu utiliser des données publiques pour répondre à une question d’intérêt général: à niveau d’études comparable, les femmes issues d’une minorité visible gagnent-elles moins que les femmes non issues d’une minorité visible?
Mon rôle
Il s’agissait d’un projet personnel, donc j’ai tout fait, de l’hypothèse de départ au filtrage des données de Statistique Canada avec Python, au calcul des écarts absolus et relatifs, puis à la conception d’une visualisation web interactive qui garde les résultats lisibles sans surcharger la page de chiffres. OpenAI m’a aidée à écrire le code plus rapidement.
Détails techniques
Traitement des données: Python
Visualisation web: JavaScript vanilla
Jeu de données: tableau Statistique Canada 98-10-0439-01, année de revenu 2020.
Période
1 jour
Links
TL;DR
Problem
À niveau d’études égal, les femmes issues d’une minorité visible au Québec gagnent-elles moins d’argent?
- La visualisation devait être facile à utiliser et rapide à comprendre.
- Le résultat devait rester descriptif et transparent sur ce qu’il ne contrôle pas.
Solution
Un outil interactif compare les revenus d’emploi médians par niveau d’études, groupe d’âge et statut de minorité visible.
- Les filtres permettent de choisir un groupe d’âge et des niveaux d’études.
- La vue des revenus médians montre les deux groupes côte à côte avant d’interpréter l’écart.
- Les vues d’écart font ressortir où la différence est la plus grande, tout en gardant l’analyse descriptive.
information
Process
J’ai sélectionné les variables et filtres à utiliser: GEO = Québec, Gender = Women+, Income year = 2020, Employment income statistics = Median employment income ($), Statistics = Count, et Immigrant status = Non-immigrants and Immigrants. Cela garde l’ensemble de la population féminine plutôt que de séparer immigrantes et non-immigrantes.
J’ai gardé les catégories détaillées de diplôme et exclu la ligne agrégée "Total - Highest certificate, diploma or degree." L’analyse est répétée pour plusieurs groupes d’âge, dont 25 à 29, 30 à 34, 35 à 44, 45 à 54, 55 à 64, 25 à 54 et 25 à 64 ans.
Pour chaque niveau d’études et groupe d’âge, j’ai comparé le revenu d’emploi médian des femmes issues d’une minorité visible avec celui des femmes non issues d’une minorité visible. J’ai calculé l’écart absolu et l’écart relatif comme suit: ((revenu minorité visible / revenu non-minorité visible) - 1) * 100.
J’ai exporté les résultats filtrés et agrégés dans un fichier JSON léger, puis construit une visualisation interactive en SVG avec JavaScript vanilla pour que les lecteurices puissent changer le groupe d’âge et le type de graphique directement sur la page.
Un écart négatif signifie que les femmes issues d’une minorité visible ont un revenu médian observé plus bas dans cette catégorie. "Minorité visible" suit la définition de la Loi sur l’équité en matière d’emploi: les personnes, autres que les Autochtones, qui ne sont pas de race blanche ou qui n’ont pas la peau blanche. Cette analyse montre des écarts observés, mais ne prouve pas une causalité ou une discrimination directe. Comparer "à niveau d’études égal" ne contrôle pas des facteurs comme le domaine d’études, l’expérience, le statut d’emploi, le secteur, le type d’emploi, le temps plein ou partiel, ou la reconnaissance des diplômes étrangers.
Impact
En ligne
visualisation interactive intégrée directement dans la page projet.
Reproductible
la méthode suit les étapes de traitement Python existantes et utilise des données agrégées exportées.