@unpublished{publications41862,
           month = {September},
           title = {Essays on Macroeconomics and Labor Markets},
          author = {Miren Azkarate-Askasua},
            year = {2020},
             url = {https://publications.ut-capitole.fr/id/eprint/41862/},
        abstract = {Ce travail de th{\`e}se est compos{\'e} de trois chapitres traitant du march{\'e} du travail et de macro{\'e}conomie avec une emphase particuli{\`e}re sur le pouvoir du march{\'e} et la d{\'e}termination des salaires. Dans le premier chapitre, Miguel Zerecero et moi {\'e}tudions les effets du pouvoir du march{\'e} des employeurs et les syndicats sur l?efficience et le bien-{\^e}tre. Nous utilisons des donn{\'e}es du secteur de la production industrielle fran{\cc}aise pour documenter premi{\`e}rement la relation n{\'e}gative entre concentration d?emploi avec les salaires et la partie de la valeur ajout{\'e}e qui va au paiement du travail. Au niveau micro, nous identifions les effets de la concentration d?emploi gr{\^a}ce {\`a} un choc de licenciement aux comp{\'e}titeurs. {\`A} la suite nous construisons un mod{\`e}le de n{\'e}gociations en {\'e}quilibre g{\'e}n{\'e}ral avec pouvoir de march{\'e} des employeurs et les syndicats. Ce mod{\`e}le d{\'e}livre des wedges structurelles h{\'e}t{\'e}rog{\`e}nes {\`a} travers des entreprises que g{\'e}n{\`e}re potentiellement une mis-allocation des ressources. Nous proposons une estimation qu?identifie s{\'e}par{\'e}ment chaque source de pouvoir du march{\'e} au march{\'e} de travail. En outre nous permettons que les param{\`e}tres soient flexibles {\`a} travers des secteurs ce qui contribue {\`a} l?h{\'e}t{\'e}rog{\'e}n{\'e}it{\'e} des wedges. Nous montrons que l?observation des salaires et niveau d?emploi est suffisant pour calculer des contrefactuelles relatives {\`a} la base. Nous {\'e}valuons le co{\^u}t des distorsions du march{\'e} du travail. {\'E}liminer le pouvoir du march{\'e} des employeurs et les syndicats augmente la production en 1.6\% et la partie qui va au paiement de la main d?{\oe}uvre en 21 points pourcentuelles ce qui signifie une augmentation significative du bien-{\^e}tre des salari{\'e}s. La mobilit{\'e} g{\'e}ographique est la cl{\'e} pour r{\'e}aliser les gains de la comp{\'e}tition. Dans le second chapitre, Miguel Zerecero et moi proposons une m{\'e}thode de correction de biais qui apparait dans les estimations des formes quadratiques des param{\`e}tres de mod{\`e}les lin{\'e}aires. Ce biais de faible {\'e}chantillonnage apparait quand nous voulons faire une d{\'e}composition de variance comme par exemple pour d{\'e}composer les sources des in{\'e}galit{\'e}s salariales. Quand le nombre de variables ind{\'e}pendantes est grand, le calcul direct du biais n?est pas faisable. Nous proposons une m{\'e}thode de bootstrap pour corriger le biais. Notre m{\'e}thode s?adapte {\`a} diff{\'e}rentes hypoth{\`e}ses de la structure des erreurs comme heteroscdecasticit{\'e} et autocorr{\'e}lation. Nous pouvons corriger le biais de plusieurs formes quadratiques d?un mod{\`e}le lin{\'e}aire sans augmenter le co{\^u}t des calculs. Nous montrons {\`a} travers de simulations de Monte Carlo que notre proc{\'e}dure de bootstrap effectivement corrige le biais et nous le comparons {\`a} d?autres m{\'e}thodes de la litt{\'e}rature. Nous misons en application notre m{\'e}thode avec des donn{\'e}es administratives fran{\cc}aises pour faire une d{\'e}composition de la variance des salaires avec effets fixes de travailleur et entreprise. Nous trouvons que les effets de personne et entreprise sont moins importants une fois nous avons corrig{\'e} pour le biais. Dans le dernier chapitre, j?{\'e}tudie l?effet des coll{\`e}gues au lieu de travail. En particulier, comment coll{\`e}gues potentielles d{\'e}terminent l?emplacement et les salaires futures des travailleurs. Je d{\'e}m{\^e}le empiriquement entre les effets d?apprentissage et r{\'e}seau. De la m{\^e}me fa{\cc}on que la litt{\'e}rature je documente l?importance de l?apprentissage pour les plus jeunes qui n?ont pas eu le temps de former leur r{\'e}seau. Je propose un mod{\`e}le structural pour comprendre les m{\'e}canismes d?apprentissage. Le but est de quantifier l?effet de l?apprentissage des coll{\`e}gues sur l?allocation entre firmes, l?allocation g{\'e}ographique et l?augmentation des in{\'e}galit{\'e}s salariales {\`a} travers des entreprises.}
}