111.2. MODEL1SAT1ON DE NOTRE PROBLEME
Régis BOURBONNAIS définit un
modèle comme étant une représentation schématique
et partielle d'une réalité naturellement plus
complexe59. Toute la difficulté de la modélisation
consiste à ne retenir que là où
l'interprétation est intéressante pour le
modèle à expliquer. Ce choix dépend de la nature du
problème, du type de décision ou de
l'étude à effectuer.
111.2.1. Presentation des variables du modele
Dans cette section, il est question de
présenter les variables ayant fait objet de notre modèle
; ces variables sont :
a. La variable endogene, la
variable dépendante pour notre modèle Y ; Y
représente le nombre de fois qu'un ménage
s'est fait soigner, càd le nombre de
fois qu'un ménage a subi la consultation
médicale;
b. Les variables exogenes partant
de notre modèle sont :
- X1 : taille de ménage
;
- X2 : revenu agricole ;
- X3 : distance parcourue
;
- X4 : nombre de tradipraticien
;
- X5 : coût des soins de
santé.
111.2.2. Specification du modele
Le modèle de régression multiple est une extension
du modèle de régression simple dans lequel figurent plusieurs
variables explicatives60. En effet, la forme
générale de notre modèle se présente comme suit
:
Y= ao+a1X1+a2X2+a3X3+a4X4+a5X5+åt
Avec :
· åt : désigne le terme
d'erreur ;
· ao : est la constante du modèle
;
· a1, a2,
a3, a4 et a5 sont les paramètres du modèle.
59 R.BOURBONNAIS,
Econométrie, éd.Dunod, Paris, p.2.
60 B. BOFOYA, Principes
d'économétrie, cours et exercices corrigés,
L1 Economie, Cours Inédit, UNIGOM, FASEG, 2010=2011.
111.2.3. Estimation du modele
Dans cette section, il est question de
procéder à notre première et dernière estimation et
ensuite, de présenter notre matrice de
corrélation rendues possibles grâce à
l'application du logiciel Eviews 3.1 à savoir
:
Tableau 33 : Premiere estimation du modele
Variable dépendanté: Y
Variables
explicatives
|
Coefficient
|
Ecart type t=Statistique
Probabilités.
|
C
|
4.453634
|
0.729832 6.102270
|
0.0000
|
X1
|
==0.046533
|
0.086994 ==0.534895
|
0.5939
|
X2
|
5.53E=07
|
2.38E=06 0.232645
|
0.8165
|
X3
|
==0.000155
|
0.000223 ==0.695002
|
0.4886
|
X4
|
0.083797
|
0.119027 0.704011
|
0.4830
|
X5
|
0.007639
|
0.012521 0.610080
|
0.5431
|
R2
|
0.017225
|
Moyenne de la variable
dépendante
|
4.418182
|
R2 Corrigé
|
==0.030024
|
Ecart type de la variable dépendante
|
2.202508
|
Ecart type de regression
|
2.235327
|
Critère d'Akaike
|
4.499654
|
Somme des carrés des résidus
|
519.6555
|
Critère de Schwarz
|
4.646953
|
Logarithme de
|
==241.4810
|
Statistique de Fisher
|
0.364566
|
Vraisemblance
|
|
|
|
Statistique de
Durbin=Watson
|
2.114095
|
Probabilité de
la Statistique de Fisher
|
0.871747
|
|
Source : Notre estimation à
l'aide du progiciel Eviews 3.1
En partant de notre première
estimation, nous postulons que toutes nos variables
explicatives sont non significatives, étant
donné que les probabilités associées à ces
variables sont largement supérieures à
0,05%, notre R2 est
généralement inférieure soit de
0,017%, notre R2 Corrigé
est largement faible =0,030024% avec un signe
négatif. Cela étant, nous avons retiré
variable par variable en commençant par celle présentant une
probabilité élevée.
Ce processus de retrait a été achevé
à l'issue de 5itérations et le résultat
suivant a été obtenu : la variable
endogène n'est expliquée que par son intercept.
Ce qui confirme notre dernière estimation reprise dans le tableau
suivant :
Tableau 34 : Dernière estimation du
modèle
Variable dépendante :
Y
Variable Coefficient Ecart
type t=Statistique Prob.
C 4.418182 0.210001 21.03887
0.0000
R2 0.000000 Moyenne de varia
dépendant 4.418182
R2 Corrigé 0.000000 S.D. dependent var
2.202508
Ecart type de regression 2.202508
Akaike info criterion
4.426120
Somme de carré résidu 528.7636 Schwarz
criterion 4.450670
Log de Vraisemblance
=242.4366 Durbin=Watson stat
2.108693
Source : Notre estimation à
l'aide du progiciel Eviews 3.1
Toutes nos variables explicatives n'ont pas
été retenues par le modèle. Par
conséquent, notre modèle est totalement
rejeté dans son ensemble.
Vu que notre estimateur a rejeté tous les
résultats de notre modèle de la première et à la
dernière estimation, surce nous avons jugé bon
de vérifier séparément le degré de relation entre
ces différentes variables rendues possibles grâce à la
matrice de corrélation traite à partir du logiciel Eviews 3.1.
Cette matrice se présente comme suit dans un tableau
:
Tableau 35 : Matri ce de Correlation (Correlation
matrix)
|
y
|
X1
|
X2
|
X3
|
X4
|
X5
|
y
|
1
|
-0,058086355
|
0,022355447
|
-0,066311794
|
0,070628087
|
0,0706550899438
|
X1
|
-0,05808635
|
1
|
0,105799146
|
0,037168116
|
-0,016322669
|
-0,0720736848511
|
X2
|
0,022355447
|
0,105799146
|
1
|
-0,104697290
|
-0,091576989
|
0,0676201697044
|
X3
|
-0,06631179
|
0,037168116
|
-0,104697290
|
1
|
0,058892043
|
0,0355260272178
|
X4
|
0,070628087
|
-0,016322669
|
-0,091576989
|
0,058892043
|
1
|
0,110213771968
|
X5
|
0,070655089
|
-0,072073684
|
0,067620169
|
0,035526027
|
0,110213771
|
1
|
|
Source : Tableau conçu à
l'aide de notre estimation du progiciel Eviews 3.1
En observant attentivement ce tableau, nous
nous rendons compte que presque tous les coefficients de corrélation
sont inférieurs à 10% et ont tendance même à
être négatifs.
En nous focalisant sur ces résultats les relations
suivantes sont relevées :
- L'accès aux soins de
santé dépend négativement de la taille de ménage et
de la distance parcourue.
Plus le nombre de membre d'un ménage
type augmente, plus l'accès aux soins
de santé devient un casse=tête et vice
versa, càd plus le nombre de fois
d'accès aux soins de santé augmente cela
entraîne une réduction de la taille de ménage pour beaucoup
de cas de décès que l'on peut enregistrer.
Plus la distance entre la maison
d'habitation et la structure sanitaire est plus grande peu de
ménage y accède. A ce titre le ménage optera pour une
automédication et vice versa càd plus le nombre de fois que
l'accès augmente cela est un indicateur
d'un rapprochement au voisinage de la structure.
- L'accès aux soins de
santé entretient une relation positive avec le
revenu agricole et le coût des soins de santé et
réciproquement.
Plus le revenu agricole augmente (pendant la bonne campagne
agricole) plus les paysans possèdent une marge de manoeuvre pour couvrir
les différentes rubriques exigées par la structure de
santé.
Plus le coût des soins de santé augmente nous
présumons un accès de même sens
aux soins. Cela
étant, le facteur envisagé à ce niveau
c'est la qualité des soins. A
| 
