Mesurer l’appartenance : corriger les effets de la discrimination en adoptant une approche intersectionnelle par régression logistique (2/3)
Dans le précédent billet, nous avons vu comment construire un indice composite de sentiment d’appartenance, à partir des données de Statistique Canada et d’une analyse factorielle appuyée sur les réponses à huit questions. Cet indice permet de mesurer, sur une échelle de 0 à 100, la force du lien qu’un individu ressent vis-à-vis de son environnement social et territorial. Mais une fois cet outil construit, une question s’impose : qu’est-ce qui fait varier ce sentiment d’appartenance ? Pourquoi certaines personnes se sentent-elles davantage intégrées, quand d’autres expriment un détachement, voire une forme d’exclusion ? L’un des déterminants les plus significatifs est l’expérience de la discrimination.

La discrimination ne se vit pas de manière uniforme. Elle est plus fréquente dans certains groupes, plus intériorisée dans d’autres, et surtout, elle se cumule. Une femme immigrante noire vivant avec un handicap n’est pas simplement exposée à trois formes de discrimination additionnées. Elle vit une configuration spécifique, qui produit ses propres effets. C’est cette idée qu’introduit l’approche intersectionnelle.
Dans ce deuxième billet, je reviens donc sur la manière dont nous avons modélisé cette réalité à partir du même jeu de données. L’objectif est de mieux comprendre comment la discrimination, selon sa fréquence et sa combinaison avec d’autres facteurs sociaux, influence le sentiment d’appartenance.
Au-delà du « oui/non » : penser la discrimination comme une expérience croisée
La plupart des enquêtes grand public posent une question du type : « Avez-vous été victime de discrimination au cours des 12 derniers mois ? ». Cette information binaire a l’avantage de la clarté, mais elle présente une limite importante : elle ne permet pas de saisir les configurations complexes dans lesquelles s’inscrit l’expérience discriminatoire. En réalité, les discriminations ne se cumulent pas de manière linéaire. Elles se croisent.
C’est précisément ce que souligne Kimberlé Crenshaw (1989) lorsqu’elle introduit le concept d’intersectionnalité. Elle propose une métaphore devenue centrale dans les études sur les inégalités : l’intersection de deux routes. Si une personne est renversée à un carrefour, il est impossible de dire que l’accident est uniquement causé par la circulation sur l’axe nord-sud ou sur l’axe est-ouest. L’accident survient à l’intersection, c’est-à-dire à l’endroit où plusieurs flux se rencontrent, interagissent et créent une situation de risque spécifique.
De la même manière, une femme racisée en situation de handicap ne vit pas trois formes de discrimination indépendantes (sexisme, racisme, capacitisme), mais une expérience combinée qui ne se laisse pas facilement découper. Cette configuration ne peut pas être représentée par une addition de cases cochées. Elle produit des effets qui lui sont propres, souvent invisibles dans les analyses statistiques classiques.
Cette idée est aujourd’hui largement partagée dans les travaux empiriques sur les inégalités sociales. Elle implique de construire une modélisation plus fine, capable de prendre en compte ces croisements et leurs effets différenciés. C’est ce que nous avons cherché à faire en construisant un score de discrimination prédite, à partir de la structure sociale des répondants.
Un module très riche sur les motifs de discrimination
L’enquête de Statistique Canada utilisée ici propose justement un module détaillé sur les motifs déclarés de discrimination. Les répondants peuvent indiquer, parmi une quinzaine de motifs, ceux qui s’appliquent à eux :
- couleur de peau ;
- origine ethnique ou culturelle ;
- apparence physique ;
- langue ;
- religion ;
- orientation sexuelle ;
- genre ;
- âge ;
- handicap ;
- et d’autres moins fréquents comme les antécédents judiciaires ou la situation d’emploi.
Chaque motif est codé sous forme d’une variable dichotomique (oui/non), ce qui permet de constituer un profil discriminatoire propre à chaque individu. En moyenne, 15 % des personnes interrogées déclarent avoir été discriminées au moins une fois au cours des 12 derniers mois, mais les taux varient fortement selon les groupes.
Construire un score de discrimination prédite
Une des façons les plus intuitives d’approcher la discrimination, dans un questionnaire, consiste à additionner les réponses « oui » à la question « Avez-vous été victime de discrimination pour telle ou telle raison ? ». Mais cette méthode revient à supposer que tous les motifs ont le même poids, et que toutes les personnes les déclarent avec la même facilité. Or, ce n’est pas le cas. Certaines personnes banalisent ou intériorisent les discriminations subies, d’autres hésitent à les nommer, ou ne les reconnaissent pas comme telles. Pour dépasser ces limites, nous avons cherché à modéliser la probabilité qu’une personne ait été discriminée, en tenant compte de sa position sociale.
Pour cela, nous avons utilisé une régression logistique, aussi appelée modèle logit. Ce type de modèle statistique est conçu pour prédire la probabilité qu’un événement se produise, lorsque la variable à expliquer prend deux valeurs (oui/non, discriminé/pas discriminé, etc.). Il fait partie d’un ensemble de méthodes appelées modèles de régression pour variable dépendante binaire, qui cherchent non pas à expliquer une valeur continue (comme dans une régression classique), mais à estimer une probabilité individuelle d’occurrence. Techniquement, le modèle logit transforme la probabilité estimée en une mesure appelée log-odds (le logarithme du rapport des chances), ce qui permet de gérer des phénomènes dont la probabilité se situe entre 0 et 1. Une autre méthode possible aurait été d’utiliser un modèle probit, qui repose sur une distribution normale cumulative. Les deux approches sont proches, mais les modèles probit ont tendance à sous-estimer les probabilités extrêmes, notamment dans les cas où l’événement est rare ou polarisé. C’est pourquoi nous avons retenu ici l’approche logit.
Une fois le modèle estimé, les coefficients obtenus ne s’interprètent pas directement comme des écarts en points, mais comme des odds ratios. Un odds ratio supérieur à 1 signifie que la variable augmente la probabilité que l’événement se produise ; un odds ratio inférieur à 1 la diminue. Par exemple, si le fait d’être une femme racisée en situation de handicap donne un odds ratio de 2,4, cela signifie que la probabilité de déclarer une discrimination est plus de deux fois plus élevée que pour la catégorie de référence. Mais notre objectif n’était pas d’interpréter ces coefficients un par un. Nous avons utilisé ce modèle dans une logique prédictive : à partir de l’ensemble des caractéristiques sociales d’un répondant (genre, âge, minorité visible, statut migratoire, handicap, niveau d’éducation, province), nous avons estimé la probabilité qu’il ait déclaré une discrimination, même s’il ne l’a pas explicitement signalé. Ce score de discrimination prédite, compris entre 0 et 1, devient une variable continue, que l’on peut ensuite mobiliser dans d’autres modèles.
Ce type d’approche permet de corriger certains biais de sous-déclaration, souvent observés dans les enquêtes sociales. Il devient ainsi possible d’objectiver la vulnérabilité discriminatoire, même lorsque celle-ci n’est pas pleinement verbalisée. Le modèle estimé présente une bonne qualité d’ajustement et ne présente pas de multicolinéarité excessive entre les variables, ce qui garantit une stabilité des résultats. Au final, chaque répondant se voit donc attribuer un score individuel de discrimination prédite, qui synthétise, en une seule valeur, l’exposition statistique attendue aux discriminations en fonction de son profil social. Ce score peut alors être utilisé dans les analyses suivantes, notamment pour mieux comprendre comment la discrimination structure le sentiment d’appartenance.
Intégrer la discrimination dans l’explication du sentiment d’appartenance
Pour rappel, dans le premier billet, nous avons vu comment construire un indice de sentiment d’appartenance, compris entre 0 et 100, à partir des réponses des individus. Une des questions-clés que nous nous posons ensuite est : qu’est-ce qui explique que certaines personnes se sentent davantage appartenir que d’autres ? Pour y répondre, nous avons estimé un modèle de régression linéaire, c’est-à-dire une équation qui cherche à relier plusieurs variables explicatives (comme le statut migratoire, le niveau d’éducation, ou ici, la discrimination) à la variable à expliquer, le sentiment d’appartenance. Dans un premier temps, nous avions utilisé une variable binaire indiquant simplement si une personne déclarait avoir subi une discrimination ou non. L’effet de cette variable était déjà significatif : en moyenne, les personnes discriminées déclaraient un score d’appartenance inférieur de 3,99 points.
Mais comme nous l’avons vu, ce simple « oui/non » ne rend pas compte de l’intensité ni de la complexité des expériences de discrimination. C’est pourquoi nous avons construit, à partir d’un modèle logit, un score de discrimination prédite, qui donne pour chaque individu une probabilité d’avoir subi une discrimination en fonction de son profil social. Ce score n’est pas une variable brute extraite du questionnaire, mais une variable recalculée à partir des coefficients alpha estimés dans le modèle logit. Concrètement, cela signifie que nous avons réintroduit dans la régression linéaire les résultats du modèle logit, en calculant pour chaque individu son score prédictif (c’est-à-dire, la combinaison pondérée de ses caractéristiques individuelles selon les poids donnés par les alphas du modèle logit). Ensuite, nous avons utilisé ce score continu à la place de la variable binaire. Le modèle linéaire avec ce nouvel indicateur recalculé nous a permis d’estimer à nouveau l’effet de la discrimination sur le sentiment d’appartenance.
Le résultat est frappant : une fois corrigée, la baisse moyenne du sentiment d’appartenance associée à la discrimination passe de –3,99 à –7,51. Autrement dit, l’effet de la discrimination avait été largement sous-estimé dans le modèle initial, car il reposait sur une information trop simplifiée. En utilisant un score de discrimination prédite, issu d’un modèle probabiliste, on donne du poids à des formes de vulnérabilité qui n’étaient pas nécessairement verbalisées par les répondants eux-mêmes.
Nous avons également exploré plus en détail l’effet différencié des types de discrimination, en croisant les motifs mentionnés dans le questionnaire avec l’effet sur le sentiment d’appartenance. Les discriminations liées à l’orientation sexuelle, à la couleur de peau ou à la religion sont celles qui ont les impacts les plus forts. Dans ces cas, la baisse de l’indice d’appartenance est deux à trois fois plus élevée que pour les motifs plus rarement déclarés (comme la langue ou la situation d’emploi, par exemple). Ces résultats montrent bien qu’il n’existe pas une seule forme de discrimination, mais des trajectoires d’exclusion différenciées, dont l’effet est variable selon les groupes concernés. Et surtout, ils illustrent comment une approche fondée sur des modèles prédictifs peut permettre de corriger les biais de perception ou de déclaration, et donner une représentation plus fidèle de la réalité sociale.
Pourquoi cette approche intersectionnelle est utile
Ce travail montre qu’il est possible d’appliquer une approche intersectionnelle à des données statistiques de grande échelle, à condition de ne pas se limiter aux variables brutes. En enrichissant les modèles, en croisant les profils sociaux, et surtout en construisant des indicateurs prédictifs à partir de la structure des inégalités observées, on parvient à mieux saisir la manière dont certaines expériences se forment à l’intersection de plusieurs appartenances sociales. Il ne s’agit pas simplement d’ajouter de la complexité pour le principe, ni de cocher davantage de cases. Il s’agit de reconnaître que les discriminations n’agissent pas isolément. Elles se combinent, se renforcent, s’imbriquent. Et leurs effets ne sont pas proportionnels, mais souvent non linéaires : c’est-à-dire qu’un double ou triple cumul peut produire des effets bien plus profonds qu’on ne le penserait à partir des dimensions prises séparément.
Cette manière d’analyser les données ne transforme pas seulement la lecture académique des inégalités. Elle a aussi des implications concrètes pour l’action publique. Si les formes d’exclusion varient selon les profils, alors les politiques d’inclusion doivent, elles aussi, varier. Mieux outiller les services publics pour qu’ils reconnaissent ces configurations multiples, mieux cibler les politiques de lutte contre la discrimination, ou encore repenser les indicateurs de cohésion sociale : tout cela devient plus faisable lorsqu’on commence par prendre au sérieux la complexité des trajectoires individuelles.
Le prochain billet reviendra sur un autre biais souvent ignoré dans les analyses quantitatives : le biais de sélection. Nous verrons comment un résultat contre-intuitif sur l’éducation (les personnes les plus diplômées semblant avoir un sentiment d’appartenance plus faible) a pu être corrigé par l’introduction d’une variable instrumentale, en l’occurrence l’appartenance à une minorité visible. Mais sans ce détour préalable par l’analyse des discriminations, il aurait été difficile de bien interpréter les écarts mesurés. Car derrière les coefficients statistiques, ce sont bien des histoires sociales qui se racontent.
Références
- Crenshaw, K. (1989). Demarginalizing the Intersection of Race and Sex. University of Chicago Legal Forum, 1989(1), 139–167.
- Boulet, M., Fortin, S., & Noël, A. (2023). Les visages de la discrimination systémique au Canada. Presses de l’Université de Montréal.
- Branscombe, N. R., Schmitt, M. T., & Harvey, R. D. (1999). Perceiving Pervasive Discrimination Among African Americans: Implications for Group Identification and Well-Being. Journal of Personality and Social Psychology, 77(1), 135–149.
- Dai, T., Mireles, L., & Nguyen, A. (2023). The intersectional burden of racial and gender discrimination on belonging and identity. Social Psychology Quarterly, 86(2), 145–164.
- Statistique Canada (2021). Enquête sociale canadienne – Série sur la COVID-19 – Impacts de la COVID-19 sur les expériences de discrimination.
OpenEdition vous propose de citer ce billet de la manière suivante :
Sebastien KEIFF (5 juin 2025). Mesurer l’appartenance : corriger les effets de la discrimination en adoptant une approche intersectionnelle par régression logistique (2/3). Le blog du papa chercheur. Consulté le 8 juillet 2025 à l’adresse https://doi.org/10.58079/1428l