CHAPITRE 5 : ANALYSE EXPLICATIVE MULTIVARIEE DE
L'IMPACTDE LA PAUVRETE SUR LA FECONDITE DES ADOLESCENTES
Dans l'optique de déterminer les facteurs explicatifs
de la fécondité des adolescentes en Angola, il est
nécessaire de procéder à une analyse explicative
multi-variée à l'aide d'un modèle de régression
logistique binaire pas à pas en 2006 et en 2010 afin de saisir leurs
mécanismes d'action des variables explicatives.
Ce chapitre comprend cinq parties : la première partie
porte sur l'identification des facteurs explicatifs, la deuxième tient
compte de l'adéquation du modèle aux données, la
troisième met en exergue les effets nets des facteurs explicatifs du
phénomène étudié et leurs mécanismes
d'action, la quatrième partie se focalisera sur la
hiérarchisation de ces facteurs, enfin la dernière partie portera
sur la discussion des résultats.
5.1. Identification des facteurs explicatifs
En effet, les tableaux 5.2.a et 5.2.b présentent les
différents modèles d'analyse compte tenu de leurs rapports de
côtes. Il met en exergue premièrement les effets bruts de chaque
variable indépendante, ensuite l'introduction successive des
différentes variables explicatives selon le schéma d'analyse tout
en indiquant les effets nets de ces variables.
Cependant, quatre modèles sont distingués dont
le premier modèle M0 se focalise sur les effets brut set le dernier
modèle M4sur le modèle saturé (final).Afin de mieux saisir
les mécanismes d'action des variables indépendantes sur la
variable dépendante, les modèles pas à pas sont choisis.
L'identification des facteurs déterminants est effectuée au
modèle saturé (M4).
L'introduction des différentes variables s'est
effectuée comme suit en 2006 et 2010 :
Modèle 1 (M1) : Âge ; Niveau de vie
Modèle 2 (M2) : M1 + Milieu de résidence ;
Modèle 3 (M3) : M2 + Région ;
Modèle 4 (M4) : M3 + Niveau d'instruction.
Pauvreté et Fécondité des Adolescentes
en Angola : Une Analyse Comparative entre 2006 et 2010.
Cependant, dans le modèle saturé M4 de chaque
année, on peut identifier les facteurs ayant une influence sur le
phénomène étudié.
5.2. Adéquation du modèle aux
données
Dans cette partie, nous allons réaliser le test
statistique d'adéquation (qualité d'ajustement) du modèle
de régression logistique aux données à l'aide du logiciel
STATA en se basant sur la procédure « lroc ». Ainsi, la courbe
ROC (Received Operating Curve) consiste à évaluer le pouvoir
discriminant du modèle. En effet, la précision du modèle
est perçue sur la surface sous cette courbe ROC afin de discriminer les
« outcomes » positifs (y = 1) et des « outcomes »
négatifs (y = 0). Les critères suivants sont retenus :
? Si aire ROC = 0,5, il n'y a pas de discrimination ; ? Si aire
0,5<ROC<70, il y a faible discrimination ;
? Si aire 0,7 = ROC < 0,8, la discrimination est acceptable et
l'ajustement est adéquat ;
? Si aire 0,8 = ROC < 0,9, la discrimination est excellente et
l'ajustement est adéquat ;
? Si aire ROC = 0,9, la discrimination est très bonne.
Le graphique ci-dessous représente la courbe ROC issue
des modèles saturés des variables explicatives en 2006 et
2010.
Graphique 5.1 : Evaluation du pouvoir discriminant du
modèle saturé (M4) en 2006 et 2010
En 2006 En 2010
54
|
|
|
|
|
|
|
|
|
.75 1
|
|
|
|
|
|
|
|
|
|
|
|
.50 0
|
|
|
|
|
|
025 0
|
|
|
|
0.00 0.25 0.50 0.75 1.00
1 - Specificity
|
55
Pauvreté et Fécondité des Adolescentes
en Angola : Une Analyse Comparative entre 2006 et 2010.
Source : exploitation des sources IIMA, 2006 et 2010,
Angola
Il ressort de ces graphiques que les aires sous les courbes ROC
en 2006 et en 2010 sont respectivement de 0,8480 et 0,8357. Ainsi, la
discrimination est excellente et l'ajustement est adéquat s'agissant de
l'adéquation du modèle saturé (M4) en 2006 et en 2010.
| 
