VI.3.2.2.- Test de significativité individuelle des
paramètres du modèle initial
Après avoir vérifié la validité du
modèle, il incombe de mettre en évidence l'apport de chaque
variable indépendante dans l'amélioration du modèle. Par
conséquent, le test de Wald semble le mieux indiqué puisqu'il
joue le même rôle que le test t de Student. La
significativité des paramètres du modèle se mesure
statistiquement à partir des probabilités
associées à la statistique de Wald. Quand une probabilité
est inférieure à 0.01 ou 0.05 cela signifie que le
paramètre de la variable en question est statistiquement significatif
à 1% ou 5%. Les résultats de l'estimation du dit modèle
nous montrent que seulement quatre variables sont significatives (Catsar, Sats,
Satts ainsi que Liquidis), toutes au seuil de moins de 5%.
VI.3.2.3.- Test de significativité globale du
modèle initial
Pour pouvoir mesurer la significativité globale du
modèle initial, nous avons recours au test du rapport des maxima de
vraisemblance. Ce dernier nous donne la possibilité de tester la
nullité de l'ensemble des coefficients du modèle. Les
résultats nous permettent d'affirmer que le modèle initial est
globalement significatif. En effet, la probabilité associée
à la statistique calculée LRT est de 0.0003 et est largement
inférieure à 1%, voire 5%. Donc, nous pouvons conclure que les
paramètres du modèle sont globalement significatifs.
Somme toute, le modèle de départ est globalement
significatif statistiquement et la valeur du pseudo-R2 laisse
augurer que les variables exogènes expliquent assez bien la variable
d'intérêt malgré la non significativité de la
plupart des variables du modèle. Ce dernier compte 21 variables non
significatives sur les 25 susceptibles d'expliquer le phénomène
en question. De ce fait, nous ne pouvons pas retenir un tel modèle dans
l'explication du revenu des agents de proximité du M-Banking. Ainsi,
nous allons procéder à l'amélioration du modèle
initial en recourant à l'une des méthodes de sélection
d'un modèle adéquat.
82 | P a g e
VI.3.2.4.- Sélection d'un modèle
adéquat
Pour sélectionner le meilleur modèle, nous
utilisons principalement le critère AIC (Akaike Information Criterion)
et le critère BIC (Bayesian Information Criterion). Mais, étant
donné que le nombre de variables explicatives est grand, il n'est pas
raisonnable de penser explorer les 2p modèles possibles afin de trouver
le meilleur modèle au sens de l'un des critères
précités. Par conséquent, nous avons opté une
procédure de sélection pas à pas des variables. On
distingue trois procédures de ce genre : la procédure FORWARD qui
entre les variables une à une dans le modèle, la procédure
BACKWARD et la procédure STEPWISE. Vu que ces étapes conduisent
au même résultat, la technique BACKWARD est choisie de
façon arbitraire pour le choix du modèle optimal et est mise en
oeuvre à partir de SAS.
| 
