III.2.1.3. Pouvoir prédictif du modèle
Le tableau ci-après donne un récapitulatif sur
le pouvoir prédictif du modèle. Le pouvoir prédictif
global du modèle est de 80,11%. Chez les enfants malnutris, ce pouvoir
prédictif est de 75,54% contre 84,84% chez les enfants bien nourris
c'est-à-dire que la probabilité pour qu'un enfant malnutri soit
classé comme tel est de 0,7554 et la probabilité pour qu'un
enfant bien nourri soit classé comme tel est de 0,8484. Par ailleurs, on
observe que la sensibilité qui est probabilité pour qu'un enfant
soit classé malnutri sachant qu'il l'est effectivement est de 83,77% et
la Spécificité qui est la probabilité pour qu'un enfant
soit classé bien nourri sachant qu'il est effectivement bien nourri est
de 77%.
Tableau 12: Récapitulatif du classement des enfants
par le modèle
|
Classified + if predicted Pr (D) >= 0,5
|
|
True D defined as Situatnutri != 0
|
|
Sensitivity
|
Pr (+|D)
|
83,77%
|
|
Specificity
|
Pr (-|~D)
|
77,00%
|
|
Positive predictive value
|
Pr (D|+)
|
75,54%
|
|
Negativepredictive value
|
Pr (~D|-)
|
84,84%
|
|
False + rate for true ~D
|
23,00%
|
|
False - rate for true D
|
16,23%
|
|
False + rate for classified +
|
24,46%
|
|
False - rate for classified -
|
15,16%
|
|
Correctlyclassified
|
80,11%
|
Source : Base MICS IV, 2010.
Les facteurs déterminants de la malnutrition des
enfants de moins de cinq ans au Tchad
Rédigé et soutenu par DJEKOMBE Rony
Mbâ-Minko, élève Ingénieur d'Application de la
Statistique, 3ème année Page 31
III.2.1.4. Pouvoir discriminant du modèle
Comme indicateur de la capacité du modèle
à discriminer, on utilisera la courbe ROC qui représente la
sensibilité du modèle en fonction de la
spécificité. La surface sous cette courbe nous permet
d'évaluer la précision du modèle pour discriminer les
« outcomes positifs » (y=1) des « outcomes négatifs
» (y=0). On retiendra comme critère du pouce :
> Si aire ROC = 0,5 alors il n'y a pas de discrimination ;
> Si 0,7 < = aire ROC < 0,8 alors la discrimination
est acceptable ; > Si 0,8 < = aire ROC < 0,9 alors la discrimination
est excellente ; > Si aire ROC > = 0,9 alors la discrimination est
exceptionnelle.
Le graphique ci-après représente la courbe de
ROC dont l'aire en dessous est de 0,8818. Nous pouvons donc dire que la
qualité de discrimination est excellente.
Graphique 10: Représentation de la courbe ROC
Sensitivity
0.00 0.25 0.50 0.75 1.00
0.00 0.25 0.50 0.75 1.00
1 - Specificity
Area under ROC curve = 0.8818
Source : Base MICS IV, 2010.
Après avoir validé toutes les hypothèses
du modèle, nous pouvons maintenant passer à
l'interprétation des résultats de ce modèle.
| 
