Les facteurs associés à la malnutrition des enfants de moins de cinq ans en Guinée

CHAPITRE V : RECHERCHE DES DETERMINANTS DE LA
MALNUTRITION DES ENFANTS

Le chapitre précédent a mis en évidence des associations entre certaines variables explicatives et la malnutrition des enfants. L?objet de ce chapitre est de confirmer ou non ces relations, cela dans une perspective explicative permettant d?identifier les déterminants de ce phénomène.

Compte tenu de la nature dichotomique de la variable dépendante (1=malnutrition ; 0= sinon) et du faible poids de la modalité valide (10,7%), la régression logistique apparaît comme la technique d?analyse la plus indiquée. L?application de cette technique se fait selon les étapes suivantes :

- constitution des modèles de régression pour chacun des trois groupes de facteurs explicatifs présentés dans le modèle conceptuel. Pour chaque modèle de régression, analyse des effets bruts et nets des variables du groupe considéré ;

- Constitution d?un mod~le intégrant les variables intermédiaires. Comme à
l?étape précédente, analyse des effets bruts et nets de chacune des variables ;

- Constitution d?un mod~le global intégrant tour à tour les trois groupes de facteurs explicatifs et les variables intermédiaires, appréciation du comportement des variables explicatives en l?absence puis en présence des variables intermédiaires.

Pour sélectionner et hiérarchiser les facteurs de risque de la malnutrition des enfants, nous avons utilisé la procédure lroc du logiciel STATA. Celle-ci permet d?évaluer la contribution de chaque facteur à la prédiction totale (Modèle final) et à dégager ainsi une structure hiérarchique des prédicteurs (Boquier, 1996)⁸. Le lancement de cette procédure sur STATA en particulier se fait à la suite de la commande « logistic ». On obtient à la suite un tracé de la courbe ROC⁹. Plus le tracé est courbe vers le coin en haut à gauche du graphique, meilleure est la prédiction. Un modèle sans pouvoir de prédiction aurait une courbe tracée à 45°

⁸ L?ANALYSE DES ENQUETES BIOGRAPHIQUES à l?aide du logiciel STATA.

⁹ Recever Operating Characteristic : le terme, qui provient de la théorie de détection des signaux, est utilisé par convention.

qui se confondrait alors avec la diagonale sur le graphique. La surface au-dessous de la courbe serait de 0,50. Un modèle avec un pouvoir total de prédiction (PPT) aurait pour courbe ROC une droite verticale le long de l?axe de sensibilité. La surface au dessous de la courbe serait de 100%. Mais comme cette procédure fournit plutôt le pouvoir prédictif total (PPT), le pouvoir

prédictif réel (PPR) s?en déduit à l?aide de la formule suivante :

On désigne par ÄPPR, l?apport d?un facteur ou un groupe de facteurs dans le mod~le de régression suivant, il se calculera comme suit : ÄPPRPPRi-PPRi-1 où i est le nombre de modèles de régression logistique (i1, 2, 3, n).

V-1 : Influence des facteurs environnementaux

Les résultats du modèle de régression constitué par les facteurs environnementaux sont cosignés dans le tableau 10.

Tableau 10 : Risque de malnutrition chez les enfants en fonction des facteurs environnementaux

VARIABLES		Odds ratio « rapport de côtes »
	Modèle 0 (effets bruts)		Modèle1		Modèle2
Région
- Basse Guinée	1,32 ns		1,32 ns		1,31 ns
- Moyenne Guinée	1,98***		1,98***		1,94***
- Haute Guinée	1,63***		1,63***		1,61**
- Guinée Forestière	r		r		r
- Conakry	1,63**		1,63**		1,76**
PPR=26,46%
Milieu de résidence
- Urbain	0,98 ns				0,90 ns
- Rural	r				r
PPR=22,86%
Signification		***		***		***
PPR (%)				26,46		26,48
ÄPPR (%)						0,02

(*) prob =0,10; (**) prob =0,05; (***) prob =0,01; (ns) non significatif ; r désigne la modalité de référence.

Parmi les deux variables sélectionnées pour rendre compte des facteurs environnementaux, seule la région de résidence influence significativement (effets brut et net) la malnutrition des enfants. Quant au milieu de résidence, il n?agit pas sur ce

phénomène. La non-pertinence de cette variable s?aperçoit au niveau de sa contribution quasi nulle (0,02%) au pouvoir prédictif du modèle qui la contient avec la région. Notons toutefois que la prise en compte du milieu de résidence dans l?analyse (Mod~le2) modifie l?effet de la région naturelle. A Conakry par exemple, la considération du milieu de résidence augmente le risque de malnutrition de 12 points, sachant que la valeur initiale de ce risque (effet brut) est de 63% plus élevé Guinée foresti~re. Bien que qu?invariable en haute Guinée, le risque de malnutrition y perd une partie de sa signification statistique (passant du seuil de 1% à celui de 5%) sous l?effet du milieu de résidence. Dans l?ensemble, les résultats d?analyse montrent que le risque pour un enfant d?être malnutri est relativement plus faible en Guinée forestière que dans les autres régions naturelles. Mais ce risque ne varie pas significativement lorsqu?on compare la situation nutritionnelle des enfants de cette région à celle des résidents de la basse Guinée.