2.2.3 Les procédures de sélection des
variables explicatives
Dans la pratique, on est souvent confronté au choix de
plusieurs variables explicatives. Des procédures purement
économétriques permettent de déterminer quelles variables
retirer ou ajouter au modèle économique. Néanmoins, cette
démarche exclue tout raisonnement économique et elle est donc
à manipuler avec prudence.
On retient quatre méthodes de sélection dans la
littérature : la sélection mécanique, la procédure
Backward, la procédure
Forward et la régression pas-à-pas
(stepwise regression)
- La régression mécanique
consiste à faire toutes les régressions possibles, en
sélectionnant les variables significatives l'une après l'autre :
méthode très délicate dès que l'on a un nombre
important de variables explicatives
- L'élimination progressive (Backward
elimination) : A partir du modèle le plus
général, il est question d'éliminer de proche en proche
toutes les variables qui ne sont pas significatives, après
ré-estimation du nouveau modèle
- La sélection progressive (Forward
regression) : Dans une première étape, on
sélectionne la variable explicative dont le coefficient de
corrélation est le plus élevé avec la variable
expliquée (la meilleure variable explicative pour la régression
simple). La seconde étape consiste à ajouter d'abord une
deuxième variable, et tester la
|
L'efficacité technique des banques et ses facteurs
explicatifs : application à la Commercial Bank - Cameroun
|
2010
|
|
|
significativité du modèle. Lorsqu'on a
déjà k variable, l'on ajoute la variable qui est telle que le
modèle à k+1 variable a le meilleur coefficient de
significativité parmi les modèles proposés, dont toutes
les variables sont significatives. Le processus s'arrête dès lors
que la nouvelle variable explicative n'est plus significative.
- La régression pas à pas (Stepwise
regression) : Cette procédure est presque identique
à la précédente. Elle est un mélange entre Backward
et Forward. Elle tient compte du fait que dans Forward, l'ajout d'une variable
peut rendre non significatives des variables précédemment
ajoutées (et dont le statut n'est plus jamais remis en cause une fois
qu'elles sont entrées dans le modèle), et que dans backward, on
peut enlever des variables qui auraient été significatives dans
le modèle simplifié finalement obtenu (et dont le statut n'est
jamais remis en cause non plus une fois qu'elles ont été
supprimées du modèle). La seule différence, c'est
qu'après avoir incorporé une nouvelle variable explicative l'on
vérifie qu'elle n'entraine pas l'expulsion d'une autre variable
significative.
| 
